[发明专利]一种轮轨力载荷辨识特征数据模型建立方法及装置

权利要求书

1.一种轮轨力载荷辨识特征数据模型建立方法，其特征在于，包括：

利用基于变参数域和短时高斯线性调频基的自适应信号分解算法提取轨道-车辆系统检测数据的时频特征；

使用多节点协同共轭稀疏主成分分析算法对所述轨道-车辆系统检测数据的时频特征进行融合；

以多节点特征融合数据作为样本数据集，使用L_1/2-SparsePCA-ELM神经网络机器学习算法建立轮轨力载荷辨识特征数据模型。

2.如权利要求1所述的方法，其特征在于，还包括：

在对所述轨道-车辆系统检测数据的时频特征进行融合处理之前，将所述轨道-车辆系统检测数据按时频特征进行滤波处理。

3.如权利要求2所述的方法，其特征在于，还包括：

对滤波处理后的所述轨道-车辆系统检测数据的时频特征分为训练组和测试组，分别对每组的输入和输出数据进行归一化处理。

4.如权利要求1-3任一权利要求所述的方法，其特征在于，所述多节点协同共轭稀疏主成分分析算法表达式为：

其中，s和c是两个预先指定的常数；u^T为单位正交特征向量[u₁,u₂…,u_p]的转置矩阵；u为单位正交特征向量[u₁,u₂…,u_p]；Σ_X为协方差矩阵，Σ_X＝E[(X-E(X))(X-E(X))^T]，X表示节点的属性特征，X＝(X₁,X₂,…X_p)，p表示节点的属性个数。

5.如权利要求3所述的方法，其特征在于，所述使用L_1/2-SparsePCA-ELM神经网络机器学习算法建立轮轨力载荷辨识特征数据模型的步骤包括：

确定隐层神经元的个数初值；

根据所述隐层神经元的个数初值获得隐层神经元间的输入权系数矩阵和隐层神经元阈值矩阵；

根据输入权系数矩阵和隐层神经元阈值矩阵确定隐层神经元激活函数；

将所述训练组和测试组中的多节点特征融合数据代入神经网络输入层，通过输入权系数矩阵、隐层神经元阈值矩阵和隐层神经元激活函数获得隐含层神经元的输出矩阵；

利用所述隐含层神经元的输出矩阵，根据L_1/2正则化阈值迭代算法获得所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解，按照所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解中非0元素的个数重新确定所述隐层神经元的个数；

利用输入权系数矩阵、隐层神经元阈值矩阵、所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解进行交叉验证，判断所述轮轨力载荷辨识特征数据模型是否满足工程应用需求；如果满足，则利用输入权系数矩阵、隐层神经元阈值矩阵、所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解以及按照连接权值矩阵的最优解中非0元素的个数重新确定的隐层神经元的个数建立基于多节点L_1/2-SparsePCA-ELM神经网络的轮轨力载荷辨识特征数据模型；否则，对所述轨道-车辆系统检测数据的时频特征重新划分训练组和测试组，重新选定输入权系数矩阵、隐层神经元阈值矩阵、所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解，直至建立的轮轨力载荷辨识特征数据模型满足工程应用要求为止。

6.一种轮轨力载荷辨识特征数据模型建立装置，其特征在于，包括：

特征提取单元，用于利用基于变参数域和短时高斯线性调频基的自适应信号分解算法提取轨道-车辆系统检测数据的时频特征；

融合数据单元，用于使用多节点协同共轭稀疏主成分分析算法对所述轨道-车辆系统检测数据的时频特征进行融合；

模型建立单元，用于以多节点特征融合数据作为样本数据集，使用L_1/2-SparsePCA-ELM神经网络机器学习算法建立轮轨力载荷辨识特征数据模型。