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或者1,0标签代表该样本所包含的时间段无地铁经过,1标签代表该样本所包含的时间段有地铁经过。
2.如权利要求1所述的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:所述步骤1中,对传感器时间追踪数据集进行预处理,方法为:在短时间内急促抖动的信号做平滑处理,用邻近常规信号强度代替;而针对负样本的构造,采用程序自动标记和人工手动标记两种方式相结合。
3.如权利要求2所述的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:所述程序自动标记负样本的处理过程为:将正样本从数据集中截取后,程序从数据集开始时间0s起,以T时间段为一个滑动时间窗口,每次向右移动T秒,滑动时间窗口内生成的信号强度序列为一个负样本,标签为0;所述人工手动标记方式的处理过程为:将正样本所在的滑动时间窗口T,分别向两侧移动K秒作为滑动窗口的起点,K=T/3,每间隔1秒移动一次,直到该滑动时间窗口全部移除正样本时间段范围为止,此时滑动时间窗口T内的信号强度序列值均为负样本。
4.如权利要求1~3之一所述的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:所述步骤3中,对构建GRU地铁振动信号识别网络结构,利用深层次的网络模型来提升GRU网络的提取特征功能,构建多层GRU循环网络与一层全连接网络结构,在GRU网络中选取Softplus函数作为模型的激活函数,Softplus函数相比ReLU函数更加平滑,同时适当保留小于0的输出值;在超参数优化方面,采取一种学习率自适应的优化算法Adam,所述Adam是扩展式的随机梯度下降算法,利用梯度的一阶矩估计和二阶矩估计对每个参数进行动态的调整。