基于门控制循环单元的地铁振动信号识别方法技术

一种基于门控制循环单元(GRU)网络模型的地铁振动信号识别方法。该方法包括：通过程序自动标记和人工手动标记两种方式，对传感器时间追踪信号数据进行样本数据构造；采用自编码网络模型对样本数据进行降维处理；构建GRU地铁振动信号识别模型；测试样本分类识别效果。本发明专利技术有效地解决了以往非专业人员无法进行判定识别和工作强度过大的问题，显著地提高了识别正确率和效率。

Metro Vibration Signal Recognition Method Based on Door Control Cycle Unit

A subway vibration signal recognition method based on gate control cycle unit (GRU) network model is presented. The method includes: constructing sample data of sensor time tracking signal by automatic program marking and manual marking; dimensionality reduction of sample data by self-coding network model; building GRU subway vibration signal recognition model; testing the effect of sample classification and recognition. The invention effectively solves the problem that the non-professional personnel can not judge and identify and the work intensity is too large in the past, and remarkably improves the recognition accuracy and efficiency.

【技术实现步骤摘要】
基于门控制循环单元的地铁振动信号识别方法
本专利技术涉及深度学习、特征提取、噪声信号识别等领域，尤其涉及应用门控制循环单元(GatedRecurrentUnit，GRU)对地铁振动信号识别领域。
技术介绍
在人口密集的城市地区，地铁网络是最有效的大规模客运系统。尽管地铁系统具有诸多优势，但也存在各种缺点不能回避。其中之一是地铁在行驶过程中产生的振动与辐射噪声，会对沿线建筑物等环境产生不乐影响。由于地铁网络一般都在较浅的地下，地铁通过车辆引起隧道的振动难以避免传给临近的建筑物。尽管地铁引起的振动在设计时考虑了缓冲距离或者对轨道本省采取了减振措施，通常并不会损坏常见的建筑物，但是当地铁附近存在很高保护要求文物古迹时，则可能会因为地铁振动而带来损坏。此外，对于一些特定的设备或者仪器，也需要引起重视；例如，纳米技术的实验室或者工厂，地铁引起的振动可能会影响设备的正常工作，由此带来不必要的损失。为了研究地铁振动对于环境的影响，使用振动仪器和传感器到现场进行实地测量，带回实验室从整个振动测量信号中提取地铁振动信号，是一个非常关键的手段。由于测量现场地铁经过具有间歇性，因此通常通过人工的方式判定所本文档来自技高网...

【技术保护点】
1.一种基于门控制循环单元的地铁振动信号识别方法，其特征在于：所述地铁振动信号识别方法包括以下步骤：步骤1，构造训练样本，首先对通过振动传感器采集、多辆列车经过的时间追踪信号数据进行预处理，然后用预处理后的数据构造输入样本数据，将有地铁经过的时间段T内包含的信号强度值作为一个正样本，并标签为1，而将T时间段以外非地铁振动信号背景值作为负样本处理，并标签为0；步骤2，采用自编码网络模型，对步骤1输出的训练样本进行降维处理，构造门控制循环单元神经网络模型所需的样本格式数据；步骤3，应用GRU构建地铁振动信号识别模型，将有车经过地铁振动信号识别问题类比于神经网络中的多分类问题，将降维后的训练集样本输...

【技术特征摘要】
1.一种基于门控制循环单元的地铁振动信号识别方法，其特征在于：所述地铁振动信号识别方法包括以下步骤：步骤1，构造训练样本，首先对通过振动传感器采集、多辆列车经过的时间追踪信号数据进行预处理，然后用预处理后的数据构造输入样本数据，将有地铁经过的时间段T内包含的信号强度值作为一个正样本，并标签为1，而将T时间段以外非地铁振动信号背景值作为负样本处理，并标签为0；步骤2，采用自编码网络模型，对步骤1输出的训练样本进行降维处理，构造门控制循环单元神经网络模型所需的样本格式数据；步骤3，应用GRU构建地铁振动信号识别模型，将有车经过地铁振动信号识别问题类比于神经网络中的多分类问题，将降维后的训练集样本输入到深度学习模型中，训练形成一种识别地铁振动信号的分类器，将采用循环神经网络中的GRU算法构造学习模型；定义2个占位符，X作为输入序列，Y为对应的标签，并将样本序列有地铁经过的最大时间长度设置为Max_length；由于采用批处理操作且X的原始数据是逐个输入网络，故按最大时间长度将X转化成Max_length个数组，每个数组包含Batch_size个元素；将输入序列X首先输入循环神经网络；然后将其结果接入全连接层得到预测序列pred(0,1)，网络的正向传播结束；紧接着采用Softmax交叉熵损失函数来衡量模型预测值pred与真实值Y之间的概率分布距离；通过随时间反向传播算法和梯度下降算法不断调整循环神经网络中的权重参数取值，直到符合停止准则为止；步骤4，地铁振动信号识别将测试集样本数据输入GRU信号识别模型，判别该样本所属的类别；GRU信号识别模型类别为0...

【专利技术属性】
技术研发人员：江颉，张继萍，杨高级，沈敖，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33