基于机器学习的轨道电路状态判断
初广前
李璐
张嘉驰
钱佳瑶
山东交通学院 轨道交通学院,山东 济南 250357
摘要：为准确判断轨道电路的状态,保障轨道交通的安全运行,研究无监督学习中的高斯混合模型(Gaussian mixed model,GMM)、有监督学习中的反向传播神经网络(back propagation neural network,BPNN)模型与逻辑回归(logistic regression,LR)分类模型等3种典型机器学习算法在轨道电路状态判断中的应用.将轨道电路分为占用状态和空闲状态,应用3种算法实现状态分类任务,并在实际测得的数据集上对比3种算法的分类性能.测试结果表明:3种算法均能实现轨道电路状态的准确分类.与BPNN模型和LR分类模型相比,GMM无需训练过程,可降低人工成本.
关键词：轨道电路状态分类GMMBPNNLR分类模型
分类号：U284.2(铁路通信、信号)
资助基金：山东交通学院博士科研基金项目(BS201902037)
论文发表日期：2022-12-30
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：8( 18-25 )
英文信息