基于多传感器的无人机铁路巡检的定位方法及定位系统技术方案

本发明专利技术实施例提供一种基于多传感器的无人机铁路巡检的定位方法及定位系统，属于无人机铁路巡检技术领域。所述定位方法包括获取多个传感器监测到的特征集合；根据所述特征集合获取特征数据并形成训练数据集合；构建门控降噪自编码器、BiGRU神经网络模型和多头自注意力机制模型。本发明专利技术通过对多个传感器监测到的特征集合进行处理，并获得正则特征数据，将该训练数据集合依次沿着门控降噪自编码器、BiGRU神经网络模型以及多头自注意力机制模型中进行训练，以获得预测结果，并根据预测结果不断优化模型。本发明专利技术能够自适应地判别出蕴含更多重要信息的传感器，进而大幅提升预测精度，且能够在部分传感器故障时正常工作。且能够在部分传感器故障时正常工作。且能够在部分传感器故障时正常工作。

【技术实现步骤摘要】
基于多传感器的无人机铁路巡检的定位方法及定位系统


[0001]本专利技术涉及无人机铁路巡检
，具体地涉及一种基于多传感器的无人机铁路巡检的定位方法及定位系统。

技术介绍

[0002]铁路是我国国民经济的大动脉，铁路运输长期以来在我国运输中起着举足轻重的作用。因此铁路安全作为关系到国家和人民生命财产的大事，一直受到国家和铁道部的重视。
[0003]目前，受大风天气等的影响，铁路上以及铁路接触网上常会出现异物，铁路以及接触网上的异物会对铁路的正常安全运行以及供电造成影响，因此需要定时清理铁路异物，以保障铁路的安全运行以及正常供电。
[0004]传统的铁路异物巡检方法为人工巡检和巡检车巡检，费时费力且难度极大。无人机因其便利性，很快便被应用于铁路异物的检测工作中。现有的无人机的异物巡检方法没有考虑多传感器之间的相互影响关系，进而使得无人机对异物位置等信息的预测精度的低；且在恶劣环境中，其中一个或多个传感器的数据受到瞬时干扰的情况下，无法进行正常的巡检定位。
[0005]本申请专利技术人在实现本专利技术的过程中发现，现有技术的上述方案具有预测精度低且易受恶劣环境影响的缺陷。

技术实现思路

[0006]本专利技术实施例的目的是提供一种基于多传感器的无人机铁路巡检的定位方法及定位系统，该基于多传感器的无人机铁路巡检的定位方法及定位系统具体预测精度高且抗干扰能力强。
[0007]为了实现上述目的，本专利技术实施例提供一种基于多传感器的无人机铁路巡检的定位方法，包括：
[0008]获取多个传感器监测到的特征集合；
[0009]根据所述特征集合获取特征数据并形成训练数据集合；
[0010]构建门控降噪自编码器、BiGRU神经网络模型和多头自注意力机制模型；
[0011]预处理所述训练数据集合中的特征数据以获得正则特征数据；
[0012]将所述正则特征数据输入至所述门控降噪自编码器中，以获得可用特征；
[0013]将所述可用特征输入至所述BiGRU神经网络模型中进行训练，以获得信息汇聚值；
[0014]将所述信息汇聚值输入至所述多头自注意力机制模型中，以获得预测结果；
[0015]根据所述预测结果修正所有参数。
[0016]可选地，预处理所述训练数据集合中的特征数据以获得正则特征数据包括：
[0017]根据公式(1)获取每个所述特征数据对应的标准特征数据，
[0018][0019]其中，为第i个所述标准特征数据，i为整数编号，i∈{1，2，
…
，I}，I为所述训练数据集合中特征数据的数量，X为所述训练数据集合，X＝{x1，x2，
…
，x
I
}，x
i
为所述训练数据集合中第i个特征数据，max()为取最大值操作，max()为取最小值操作；
[0020]根据公式(2)获取每个所述标准特征数据的正则特征数据，
[0021][0022]其中，为标准特征数据集合，X
L
为所述正则特征数据集合，s为所述传感器的序号，且s∈{1，2，
…
S}，β
s
为第s个传感器的权重，λ为可调惩罚系数，φ
s
为第s个传感器的学习参数，φ为S个传感器的学习参数的和，即φ＝φ1+φ2+
…
+φ
S
。
[0023]可选地，将所述正则特征数据输入至所述门控降噪自编码器中，以获得可用特征包括：
[0024]获得滑动窗口的大小；
[0025]根据所述滑动窗口的大小构造二维训练样本；
[0026]将所述二维训练样本添加高斯噪声以形成训练样本数据；
[0027]根据公式(3)计算所述训练样本数据中每个样本数据特征的隐藏特征值，
[0028][0029]其中，n为特征序号，n∈{1，2
…
，N}，N为所述训练样本数据中样本数据特征的数量，σ为sigmoid激活函数，为第n个所述样本数据特征的编码误差系数，为第n个所述样本数据特征的编码偏置系数，t为时间步，t∈{1，2，
…
T}，T为所述滑动窗口的最大值，为第t个时间步下第n个添加高斯噪声的样本数据特征，为第t个时间步下第n个样本数据特征的所述隐藏特征值；
[0030]根据公式(4)计算每个所述样本数据特征的重构数据特征，
[0031][0032]其中，为第t个时间步下第n个样本数据特征的所述重构数据特征，为第n个样本数据特征的解码误差系数，为样本数据特征的解码偏置系数。
[0033]可选地，将所述正则特征数据输入至所述门控降噪自编码器中，以获得可用特征还包括：
[0034]根据公式(5)计算损失函数，
[0035][0036]其中，L
pre
为损失函数值，ω为惩罚项，为所述重构数据特征的集合，
为预测标签，Y为真实标签；
[0037]根据所述损失函数修正对应的所述编码误差系数、所述编码偏置系数、所述解码误差系数以及所述解码偏置系数。
[0038]可选地，将所述正则特征数据输入至所述门控降噪自编码器中，以获得可用特征还包括：
[0039]根据公式(6)计算门控信息，
[0040][0041]其中，LeakyReLU()为激活函数，g
t
为所述门控信息，W
gt
为预设门控权重，b
gt
为预设门控偏置；
[0042]根据公式(7)计算待过滤信息，
[0043]v
t
＝tanh(W
ot
g
t
+b
ot
)，
ꢀꢀ
(7)
[0044]其中，v
t
为所述待过滤信息，W
ot
为预设过滤权重，b
ot
为预设过滤偏置，tanh为激活函数；
[0045]根据公式(8)计算可用特征，
[0046][0047]其中，为所述可用特征。
[0048]可选地，将所述可用特征输入至所述BiGRU神经网络模型中进行训练，以获得信息汇聚值包括：
[0049]根据公式(9)计算更新门值，
[0050][0051]其中，为所述更新门值，为所述更新门值的输入变换矩阵，为所述更新门值的隐藏变换矩阵，为所述更新门值的偏置，a为BiGRU的前向或后向，取值1或
‑
1，a＝1时为前向，a＝
‑
1时为后向，在a＝1时为上一时刻的隐藏特征值，在a＝1时为下一时刻隐藏特征值；
[0052]根据公式(10)计算重置门值，
[0053][0054]其中，为所述重置门值，为所述重置门值的输入变换矩阵，为所述重置门值的隐藏变换矩阵，为所述重置门值的偏置；
[0055]根据公式(11)计算当前时刻的需过滤信息，
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多传感器的无人机铁路巡检的定位方法，其特征在于，包括：获取多个传感器监测到的特征集合；根据所述特征集合获取特征数据并形成训练数据集合；构建门控降噪自编码器、BiGRU神经网络模型和多头自注意力机制模型；预处理所述训练数据集合中的特征数据以获得正则特征数据；将所述正则特征数据输入至所述门控降噪自编码器中，以获得可用特征；将所述可用特征输入至所述BiGRU神经网络模型中进行训练，以获得信息汇聚值；将所述信息汇聚值输入至所述多头自注意力机制模型中，以获得预测结果；根据所述预测结果修正所有参数。2.根据权利要求1所述的定位方法，其特征在于，预处理所述训练数据集合中的特征数据以获得正则特征数据包括：根据公式(1)获取每个所述特征数据对应的标准特征数据，其中，为第i个所述标准特征数据，i为整数编号，i∈{1，2，
…
，I}，I为所述训练数据集合中特征数据的数量，X为所述训练数据集合，X＝{x1，x2，
…
，x
I
}，x
i
为所述训练数据集合中第i个特征数据，max()为取最大值操作，max()为取最小值操作；根据公式(2)获取每个所述标准特征数据的正则特征数据，其中，为标准特征数据集合，X
L
为所述正则特征数据集合，s为所述传感器的序号，且s∈{1，2，
…
S}，β
s
为第s个传感器的权重，λ为可调惩罚系数，φ
s
为第s个传感器的学习参数，φ为S个传感器的学习参数的和，即φ＝φ1+φ2+
…
+φ
S
。3.根据权利要求2所述的定位方法，其特征在于，将所述正则特征数据输入至所述门控降噪自编码器中，以获得可用特征包括：获得滑动窗口的大小；根据所述滑动窗口的大小构造二维训练样本；将所述二维训练样本添加高斯噪声以形成训练样本数据；根据公式(3)计算所述训练样本数据中每个样本数据特征的隐藏特征值，其中，n为特征序号，n∈{1，2
…
，N}，N为所述训练样本数据中样本数据特征的数量，σ为sigmoid激活函数，为第n个所述样本数据特征的编码误差系数，为第n个所述样本数据特征的编码偏置系数，t为时间步，t∈{1，2，
…
T}，T为所述滑动窗口的最大值，为第t个时间步下第n个添加高斯噪声的样本数据特征，为第t个时间步下第n个样本数据特征的所述隐藏特征值；根据公式(4)计算每个所述样本数据特征的重构数据特征，
其中，为第t个时间步下第n个样本数据特征的所述重构数据特征，为第n个样本数据特征的解码误差系数，为样本数据特征的解码偏置系数。4.根据权利要求3所述的定位方法，其特征在于，将所述正则特征数据输入至所述门控降噪自编码器中，以获得可用特征还包括：根据公式(5)计算损失函数，其中，L
pre
为损失函数值，ω为惩罚项，为所述重构数据特征的集合，为所述重构数据特征的集合，为预测标签，Y为真实标签；根据所述损失函数修正对应的所述编码误差系数、所述编码偏置系数、所述解码误差系数以及所述解码偏置系数。5.根据权利要求3所述的定位方法，其特征在于，将所述正则特征数据输入至所述门控降噪自编码器中，以获得可用特征还包括：根据公式(6)计算门控信息，其中，LeakyReLU()为激活函数，g
t
为所述门控信息，W
gt
为预设门控权重，b
gt
为预设门控偏置；根据公式(7)计算待过滤信息，v
t
＝tanh(W
ot
g
t
+b
ot
)，
ꢀꢀꢀꢀ
(7)其中，v

【专利技术属性】
技术研发人员：姚啸宇，谈为智，邹姗邑，张雨佳，郭君，张任驰，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：