科研之友
微信
新浪微博
Facebook
分享链接
摘要
无绝缘轨道电路的故障具有复杂性与随机性，采用单一的模型进行故障诊断，其性能评价指标难以提高。而采用集成学习方式，则存在各基学习器结构、参数设计盲目，集成模型中各基学习器组合权重难以分配的问题。针对以上问题，提出一种改进麻雀算法和Q-Learning优化集成学习的轨道电路故障诊断新方法，该方法有机地将集成学习与计算智能和强化学习相结合，充分挖掘轨道电路故障特征，提高性能评价指标。首先，使用卷积神经网络、长短期记忆网络和多层感知器深度学习模型，以及支持向量机和随机森林传统机器学习模型，共同构成集成学习基学习器，解决单一学习模型的不足，不同基学习器的使用保证集成学习的多样性。从自动化机器学习角度出发，采用改进麻雀算法优化该集成学习模型的结构和参数，克服其结构和参数难以确定的问题。在此之上，引入强化学习Q-learning对集成模型中各基学习器组合权重进行优化，智能地确定集成学习各基学习器的组合权重。最后，将集成学习模型的预测结果与真实结果比较后得到误差，再采用BP神经网络对预测结果进行补偿修正，进一步提高轨道电路的故障诊断性能评价指标。仿真结果表明，利用所提方法进一步改善了轨道电路故障诊断的准确度、精确度、召回率和F1值等性能评价指标。
- 出版日期2023
- 单位重庆交通大学
