标题：铁路路基病害的智能识别
作者：杜攀峰
期刊：铁道学报

概要：

“本文通过整理和总结同济大学和上海铁路局完成 的沪宁线段路基检测的实际资料,提取了各种路基病害的特征值,使用学习向量量化神经网络对这些特征值进行训练,得到划分各种病害的分类判决规则,从而 能够对探地雷达检测资料进行自动分析,智能地识别各种路基病害.”

为什么要做这项工作：

1.“目前还没有 一种电磁波理论能反演出这种被严重歪曲且介质条件 复杂的雷达信号.”
2. 铁路路基病害出现的地方 其实就是界面混杂的地方,信号的能量越大表示界面 分层越明显,信号的方差越大表示界面越紊乱,连续的 界面形成层面,层面位置的间断是病害的发源点,考虑 到信号沿深度方向的衰减可以分段求取,因此分段能 量、方差和层面位置是识别路基病害的数量依据.
3. 但 是由于铁路路基的介质各地不一,病害发育状况和程 度也不尽相同,存在着地域性,这给数据的量化带来不 便,利用神经网络的学习能力,给出当地少量实测数据 和人为判定结果,就能自动得到病害的分类原则

学习向量量化网络：“胜者为王”

LVQ 网络的结构如图 3 所示,由输入层、竞争层 和输出层神经元组成。
输入层有 n 个神经元接受输入 向量,与竞争层之间完全连接;
竞争层有 m 个神经元, 分为若干组并呈一维线阵排列;
输出层每个神经元只与竞争层中的一组神经元连接,连接权值固定为 1。
在 LVQ 网络的训练过程中,输入层和竞争层之间的 连接权值被逐渐调整为聚类中心。当一个输入样本被 送至 LVQ 网络时,竞争层的神经元通过胜者为王竞 争学习规则产生获胜神经元,容许其输出为 1,而其他 神经元输出均为 0。与获胜神经元所在组相连接的输 出神经元其输出也为 1,而其他神经元输出为 0 ,从而 给出当前输入样本的模式类。

网络的训练与测试：

选取如下数据: 正常路基 100 道,道床翻浆冒泥 50 道, 基床翻浆冒泥 25 道,隐含翻浆冒泥 25 道,下沉病害 50 道,道砟陷槽 20 道。

将这些数据按式(1 )～ 式(3 )计算其特征值,并归一化处理后,作为样本输入 LV Q 网络。每道样本由 21 个特征值组成,所以网络的输入 层神经元为 21,设竞争层神经元为 42,==输出层神经元 为 6,==输出层模式类表示为: 正常路基[ 1　0　0　0 　0 　0] , 　道床翻冒[0 　1　0　0　0 　0] ,隐含翻冒[ 0　 0　1 　0　0　0] ,基床翻冒[ 0 　0　0　1 　0　0] ,下沉 [ 0　0　0　0　1　0] ,道砟陷槽[ 0 　0　0　0 　0　1] 。 设定学习速率为 0. 01,最大训练步数 10 000,期望误 差小于 0. 1,随着运算步数的增加,竞争层神经元的权 重向量发生改变,直到误差满足给定要求才停止。

总结：结合专家规则，选取特征。进一步通过统计验证特征。最后利用神经网络进行分类，结合实测数据进行验证。准确率比较高。
是一个比较完整的探地雷达智能检测的案例。