[发明专利]一种基于Hilbert曲线编码实现地铁振动信号降噪训练的方法

权利要求书

1.一种基于Hilbert曲线编码实现地铁振动信号降噪训练的方法，其特征在于：该方法包括以下步骤：

S1、利用光栅阵列传感器收集一批信噪比低于15dB的列车通过时激励产生的结构振动信号x_i，将包含有效振动信息的序列长度处理为4^k长，其中k为大于0的整数；将该序列长度信号记为标签集U；

S2、利用光栅阵列传感器收集一批非列车通过而激励产生的机构振动信号，将该信号作为噪声信号，记为v_j；

S3、将v_j与x_i进行叠加，得到模拟的实际工程中光栅阵列传感器收集到含有噪声干扰情况下列车通过时激发的振动信号将生成的组成数据集T；

S4、利用Hilbert曲线对数据集对标签集U和数据集T中的信号进行编码，编码后的标签集U和数据集T分别记为DU和DT；

S5、计算DU和DT的平均值μ和标准差σ，并根据μ和σ对DU和DT进行零一均值规范化处理，记处理后的数据集分别为BDU和BDT；

S6、从BDU和BDT中分别抽取q₁％的数据组成训练集，将剩余的q₂％数据作为测试集；同时通过十折交叉验证法将训练集中的q₃％划分出来作为验证集；

S7、利用残差卷积块和批量标准化块搭建卷积神经网络训练模型，以BDU作为BDT的标签来优化卷积神经网络训练模型参数，在网络各层采用ReLU激活函数；

S8、设置卷积神经网络训练模型的学习率为c，训练的次数为s；

S9、定义卷积神经网络训练模型的损失值：以BDT中数据y作为卷积神经网络训练模型的输入样本，BDT对应的标签t为BDU中的数据；设卷积神经网络训练模型的输出值为R(y)，该卷积神经网络训练模型的损失值即为R(y)与y-t的均方差；

S10、在卷积神经网络训练模型的训练过程中，每m步更新学习率，完成一轮训练后，根据十折交叉验证法更新验证集，进行重复训练，最终选取在测试集上损失值最小的卷积神经网络训练模型作为最终的降噪网络模型。

2.根据权利要求1所述的基于Hilbert曲线编码实现地铁振动信号降噪训练的方法，其特征在于：S4中所述编码具体为：

利用下式展开针对一维振动信号的矩阵扫描：

式(1)中，和为式(2)和式(3)对式(4)的矩阵进行矩阵变换，公式如下：

记2ⁿ阶的Hilbert曲线的扫描矩阵为其中已知计算Hilbert曲线扫描矩阵的递推公式如式(1)；

对长度为N的振动信号进行Hilbert曲线编码，根据式(1)得到L×L维度的Hilbert表现矩阵H_L，其中需要保证L＝2^k且N＝L²；按照Hilbert表现矩阵对应的索引值将长度为N的振动信号的点一对一地映射到维度为L×L的矩阵P中；

根据获取的Hilbert表现矩阵H_L对数据集T和标签集U分别编码，得到DU和DT。

3.根据权利要求1所述的基于Hilbert曲线编码实现地铁振动信号降噪训练的方法，其特征在于：S5中所述零一均值规范化处理具体为：

式中，x_i^*表示DU和DT中的数据。

4.根据权利要求1所述的基于Hilbert曲线编码实现地铁振动信号降噪训练的方法，其特征在于：所述的q₁＝80，q₂＝20，q₃＝10。