[发明专利]一种高速动车组头型的辅助设计方法

权利要求书

1.一种高速动车组头型的辅助设计方法，其特征在于，其具体步骤为：

S1、建立高速动车组头型图像样本数据集

S11、收集高速动车组各种型号的头型图像数据；

S12、收集给步骤S11中的头型图像数据做标签的标签数据；

S13、对收集到的头型图像数据及标签数据进行噪声滤除，滤除非真实高速动车组车头噪声数据，得到高速动车组头型图像样本数据集；

S2、根据高速动车组头型样本数据集建立用于多分类的训练数据

S21、将车头设计的合理程度评分为1、2、…、M个等级，1为最差，M为最好，形成M分类器；

S22、对收集到的头型图像样本数据集进行“打分”，得到打分数据集，每个样本数据包括输入部分和标注部分；输入部分为某型号高速动车组的头型图像数据，标注部分为该型号高速动车组试验后的实验整体得分；

S23、输入头型图像样本数据集和打分数据集，根据头型和打分生成一系列的M分类类标，得到包含头型图像、M分类类标和权重的训练数据集；

S3、训练深度卷积神经网络模型

随机选取高速动车组头型图像样本集的一份样本数据作为验证数据集，将步骤S2得到的训练数据集和验证数据同时作用于深度卷积神经网络模型，利用训练数据拟合深度卷积神经网络模型，利用验证数据通过图像旋转、图形翻转、随意裁剪防止深度卷积神经网络模型过渡拟合，训练输出深度卷积神经网络模型，使得每一个输出都是M分类器的一个M分类类标；深度卷积神经网络模型经过不断拟合，最终经梯度下降优化算法后达到最优，得到训练好的深度卷积神经网络模型；

S4、选取高速动车组头型图像样本集的一份样本数据作为测试数据集，将测试数据集中的测试样本输入到训练好的深度卷积神经网络模型中，进行多层的卷积、池化操作；

S5、对测试样本进行“打分”，得到测试样本的头型分数，辅助头型设计完成。

2.如权利要求1所述的高速动车组头型的辅助设计方法，其特征在于，步骤S2中，根据头型和打分生成一系列的M分类类标，得到包含头型图像、M分类类标和权重的训练数据集的具体步骤为：把打分机制转换为分数排序用一系列的M分类器处理，对高速动车组头型图像的每一个M分类器构建相应的训练数据，给定有序序列的训练数据其中，X_i为输入数据，所述输入数据包括图像数据和数值数据，Y_i∈[1,k]为打分等级，k＝M为等级总数，N为训练数据的总数；对于第k个M分类器，其M分类类标表示第i个图像样本的有序序列标号y_i是否比k大，定义：当y_i＞k时，M分类类标为1，否则为0；将第k个M分类器的训练数据构造为其中，x_i为输入数据为第i个图像样本的输入数据，为第i个图像样本的权重，采用绝对代价矩阵取值为

3.如权利要求2所述的高速动车组头型的辅助设计方法，其特征在于，步骤S3中，深度卷积神经网络模型训练使用交叉熵损失，交叉熵损失函数为：

式中，l_jk表示第j个训练样本的打分级别是否属于k级，o_jk表示对于第j个训练样本深度卷积神经网络模型的输出打分级别为k级别的概率。

4.如权利要求2所述的高速动车组头型的辅助设计方法，其特征在于，步骤S3中，所述数值数据包括抗空气阻力数据、升力数据、交汇压力波数据、隧道压力波数据和美观性数据。

5.如权利要求1或2或3或4所述的高速动车组头型的辅助设计方法，其特征在于，步骤S11中，收集高速动车组各种型号头型图像数据的方法为：

采用网络爬虫通过社交网络收集高速动车组各种型号的头型图像数据；

基于现有工程实验室高速动车组头型模型，收集各种型号高速动车组头型模型的随机角度截图图像数据。

6.如权利要求5所述的高速动车组头型的辅助设计方法，其特征在于，步骤S4中，输入测试样本时，测试样本选择不带打分标签的头型图像。

7.如权利要求1所述的高速动车组头型的辅助设计方法，其特征在于，步骤S12中，收集给步骤S11中的头型图像数据做标签的标签数据的具体步骤为：

基于现有研发成果收集各车头头型设计的空气阻力、升力、交汇压力波、隧道压力波、美观性五种重要数值型指标；

基于收集的高速动车组头型图像，采用社交用户进行调查问卷投票的方式，在问卷中列举现有车型头型照片，让社交用户投票选出个人认为最美头型，同时收集社交用户的年龄、性别、职业信息，以此作为头型美观性标签；该美观性标签分为10个档次，第1档次美观性最差，数值描述为0.1；第10档次美观性最高，数值描述为1.0；

确定已收集高速动车组头型图像对应的车头型号，并收集该车头已知的空气阻力、升力、交汇压力波、隧道压力波四个物理参数的实验数据，对四个物理参数进行归一化处理，作为标签数据。