申请/专利权人：华东交通大学

申请日：2024-05-11

公开（公告）日：2024-06-07

公开（公告）号：CN118152863A

主分类号：G06F18/24

分类号：G06F18/24;G06F18/15;G06N3/0464;G06N3/09

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.06.25#实质审查的生效;2024.06.07#公开

摘要：本发明公开了一种基于改进EMD‑CNN的轮轨故障噪声识别方法及系统，方法包括：对获取的轮轨噪声信号进行经验模式分解，得到原始噪声序列；根据预设的波段筛选策略对所述原始噪声序列进行筛选，得到包含目标故障信息的至少一个IMF分量，并提取所述至少一个IMF分量的能量以及峭度特征；将所述至少一个IMF分量的能量以及峭度特征输入至预先构建的改进卷积神经网络中，所述改进卷积神经网络输出得到与所述轮轨噪声信号相对应的轮轨故障噪声类别。能够提高轮轨故障类型识别的准确性，分类的精准度，有利于对轮轨故障的排查。

主权项：1.一种基于改进EMD-CNN的轮轨故障噪声识别方法，其特征在于，包括：对获取的轮轨噪声信号进行经验模式分解，得到原始噪声序列；根据预设的波段筛选策略对所述原始噪声序列进行筛选，得到包含目标故障信息的至少一个IMF分量，并提取所述至少一个IMF分量的能量以及峭度特征；将所述至少一个IMF分量的能量以及峭度特征输入至预先构建的改进卷积神经网络中，所述改进卷积神经网络输出得到与所述轮轨噪声信号相对应的轮轨故障噪声类别，其中，将所述至少一个IMF分量的能量以及峭度特征输入至预先构建的改进卷积神经网络中之前，所述方法还包括：构建神经网络特征向量，其中，为第1个IMF分量的能量，为第2个IMF分量的能量，为第m个IMF分量的能量，为多尺度峭度参数；在卷积神经网络的卷积层后增加一个伽马归一化层，得到改进卷积神经网络的网络结构，其中，所述改进卷积神经网络的网络结构的表达式为： ， ，式中，为伽马归一化后特征，为伽马权值，为样本，为均值函数，为方差，为累乘符号，为样本数，为可训练的尺度，为可训练的尺度，为可训练的位移，为归一化权值，为特征系数；确定所述改进卷积神经网络的目标损失函数，所述目标损失函数的表达式为： ，式中，为目标损失函数，为第i个噪声类别的真实分布，为第i个噪声类别的网络输出分布，为噪音类别，为总的噪声类别数；对所述改进卷积神经网络中的卷积层、池化层、全连接层以及伽马归一化层进行分配权重，其中，分配权重的表达式为： ，式中，为卷积层权值，为池化层权值，为全连接层权值，为伽马归一化层权值，为对称系数，为卷积层激励函数，为卷积层模态，为池化层激励函数，为池化层模态，为全连接层激励函数，为全连接层模态，为伽马归一化层激励函数，为伽马归一化层模态，为分量累加单元，为卷积层增益，为池化层增益，为全连接层增益，为伽马归一化层增益。

全文数据：

权利要求：

百度查询： 华东交通大学 一种基于改进EMD-CNN的轮轨故障噪声识别方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD