采用分类学习的电气化机车受电弓拉弧检测方法

针对高铁等电气化机车受电弓拉弧实时监控中的高虚警对机车运行带来的干扰问题,提出了一种分类学习的实时拉弧检测和报警方法。该方法首先通过梯度投影快速确定受电弓所在区域,然后在受电弓区域寻找潜在拉弧区域,接着提取区域内边缘梯度直方图,并用分类学习方法判断其是否存在拉弧,最后采用多帧平滑滤波方法确定长持续受电弓拉弧。实验结果表明,采用多帧平滑滤波的方法相对于单帧拉弧检测方法能提升正确检测率约8%,同时降低虚警约32%。     

基于深度学习的高铁受电装置安全状态快速检测方法

针对因受电弓形变、脱离而影响高铁运行安全的问题,提出了一种快速而且准确的检测高铁受电弓的方法,能够对高铁受电弓严重形变、脱离等情况进行及时预警。该方法首先利用在高铁受电弓前的摄像头捕捉到的10 000余张图片作为训练样本,并利用这些训练样本对自定义的深度学习卷积神经网络进行离线训练,生成预测模型,然后在高铁运行过程中利用训练好的模型和改进后的YOLOv2算法对摄像头的实时监控图像进行在线检测,最后检测程序将返回检测结果,对受电弓缺失、严重形变等现象进行预警。采用该方法在CPU平台以55帧/s的检测速度对受电弓进行实时检测,平均准确率达到93.1%。     

基于二次Lasso回归的纵向驾驶员模型研究

为了更好地模拟实际驾驶员行为，提出基于二次回归和 Lasso回归方法的纵向驾 驶员回归模型. 通过采集纵向驾驶行为数据，提取可能影响驾驶行为的状态参数，进而建立二 次回归驾驶员模型；面向多参数回归模型中的多重共线问题，采用Lasso回归方法进行状态参 数筛选；结合筛选数据建立二次回归驾驶员模型. 为了验证模型的有效性，与PI驾驶员模型和 一次 Lasso回归驾驶员模型进行仿真对比 . 仿真结果表明，相较于其他两种模型，所建立的驾 驶员模型具备良好的工况跟随效果，同时能较好地反映实际驾驶行为特征.