-
公开(公告)号：CN113255225B
公开(公告)日：2022-09-20
申请号：CN202110617467.0
申请日：2021-05-28
Applicant: 北京理工大学
Abstract: 本发明涉及少样本元提升学习的列车运动状态估计方法，属于计算机与信息科学技术领域。主要为解决现有的列车运动状态建模方法无论是物理模型或是机器学习模型，均存在高成本建模问题，难以针对特定列车实现模型在线持续自适应以精确仿真，存在系统性仿真误差，而且难以满足列车自动驾驶系统的实时仿真等应用需求问题。本发明首先基于元数据采用元梯度提升学习算法建立模型，然后面向新任务，基于少量数据采用任务梯度提升学习算法，完成任务模型学习，实现对新列车的快速低成本精确仿真。结果表明本发明能较为准确的估计的列车运动状态，既减少了模型的训练成本，又提高了列车运动状态估计的精确度。
-
公开(公告)号：CN115056825A
公开(公告)日：2022-09-16
申请号：CN202210536855.0
申请日：2022-05-17
Applicant: 北京理工大学
IPC: B61L27/04
Abstract: 本发明涉及自适应性能的列车加速方法，属于计算机与信息科学技术领域。本发明首先对含噪的列车运行数据建立目标列车性能估计模型，拟合级位序列和速度与加速度之间的函数关系；然后依次查询不同速度区间下各级位对应加速度值，建立加速度随级位和速度变化的关系表，称为列车专属性能表；最后将加速度范围约束引入专属性能表，逐车生成与目标车辆相适配的推荐速度。本发明利用车辆专属性能表，对推荐加速度范围进行约束，生成与受控列车匹配的自适应性能推荐速度，减少级位切换频率，提高自动驾驶平稳性及节能水平。
-
公开(公告)号：CN113255225A
公开(公告)日：2021-08-13
申请号：CN202110617467.0
申请日：2021-05-28
Applicant: 北京理工大学
Abstract: 本发明涉及少样本元提升学习的列车运动状态估计方法，属于计算机与信息科学技术领域。主要为解决现有的列车运动状态建模方法无论是物理模型或是机器学习模型，均存在高成本建模问题，难以针对特定列车实现模型在线持续自适应以精确仿真，存在系统性仿真误差，而且难以满足列车自动驾驶系统的实时仿真等应用需求问题。本发明首先基于元数据采用元梯度提升学习算法建立模型，然后面向新任务，基于少量数据采用任务梯度提升学习算法，完成任务模型学习，实现对新列车的快速低成本精确仿真。结果表明本发明能较为准确的估计的列车运动状态，既减少了模型的训练成本，又提高了列车运动状态估计的精确度。
-
公开(公告)号：CN110070184A
公开(公告)日：2019-07-30
申请号：CN201910225742.7
申请日：2019-03-25
Applicant: 北京理工大学
IPC: G06N20/00
Abstract: 本发明提出了一种融合样本损失及优化速度约束的数据采样方法，属于计算机与信息科学技术领域。该方法包括：初始化模型参数并且预定义样本训练比例；计算每次迭代过程中每个样本的损失并排序，以此来更新步速参数；同时考虑样本损失和优化速度，来更新自步参数，继而更新模型参数。由于本发明提供的数据采样方法融合了样本损失和优化速度约束，既可以将噪声数据剔除，又能将开始表现不好但是优化速度快的数据选择出来，提高了模型的鲁棒性。
-
公开(公告)号：CN106941007A
公开(公告)日：2017-07-11
申请号：CN201710334631.0
申请日：2017-05-12
Applicant: 北京理工大学
CPC classification number: G10L25/03 , G10L15/06 , G10L15/063 , G10L25/45 , G10L25/51
Abstract: 本发明涉及一种音频事件模型合成信道自适应方法，属于计算机与信息科学技术领域。本发明首先对待识别音频进行预处理和特征提取，包括对音频的量化采样、预加重和加窗，并对音频的底层特征参数进行提取和特征帧序列切分，得到音频特征段向量；然后进行音频事件模型合成训练，构建通用背景模型及音频事件原始模型；最后进行音频事件模型合成使用，选择性的对音频事件模型进行自适应，并完成事件判定和识别。本发明在不同信道失配情况下，均可明显提升音频事件识别性能，自适应后的识别准确率和召回率接近信道匹配情况，有效实现了模型域信道自适应。
-
Patent Agency Ranking
公开(公告)号：CN115056829B
公开(公告)日：2024-09-20
申请号：CN202210533015.9
申请日：2022-05-16
Applicant: 北京理工大学
IPC: B61L27/60 , G06N3/0464 , G06N3/08 , G06F18/2135
Abstract: 本发明涉及多车型连续学习的列车运动状态估计方法，属于计算机与人工智能技术领域。首先通过特征抽取方法确定列车运行数据的基础特征集合，针对每一特征的样本关系构建单层图结构，根据特征关联关系组合单层图为多重图；其次，基于神经气体网络学习多重图的拓扑结构，并使用多车型运行数据对拓扑结构迭代更新；然后，对多重图的层内与层间关系进行数据聚合，并根据多车型知识拓扑结构生成样本的关系编码；最后，通过非线性变换组合基础特征，并与样本的关系编码结合，用于预测列车的运动状态。本发明将单一车型运行数据与多车型知识拓扑相结合，实现在真实运行数据有限的条件下多车型运行数据的连续建模与运动状态估计。
-
公开(公告)号：CN115056825B
公开(公告)日：2024-04-05
申请号：CN202210536855.0
申请日：2022-05-17
Applicant: 北京理工大学
IPC: B61L27/04
Abstract: 本发明涉及自适应性能的列车加速方法，属于计算机与信息科学技术领域。本发明首先对含噪的列车运行数据建立目标列车性能估计模型，拟合级位序列和速度与加速度之间的函数关系；然后依次查询不同速度区间下各级位对应加速度值，建立加速度随级位和速度变化的关系表，称为列车专属性能表；最后将加速度范围约束引入专属性能表，逐车生成与目标车辆相适配的推荐速度。本发明利用车辆专属性能表，对推荐加速度范围进行约束，生成与受控列车匹配的自适应性能推荐速度，减少级位切换频率，提高自动驾驶平稳性及节能水平。
-
公开(公告)号：CN112733448B
公开(公告)日：2023-03-03
申请号：CN202110019417.2
申请日：2021-01-07
Applicant: 北京理工大学 , 通号城市轨道交通技术有限公司
Abstract: 本发明涉及一种可用于实现列车自动驾驶系统参数自学习的双Q表联合代理的建立方法，属于自动驾驶与强化学习领域。主要用于节省现有自动驾驶系统中关键转换参数需要专家逐车调整所消耗的大量人工工作成本，同时实现转换参数随车辆性能变化实时适应。本发明首先建立可正确响应转换参数改变所引发运行效果变化的运行仿真环境；其次，基于Q‑Learning方法，以舒适度和停准率两个条件为训练目标，建立两个参数调整代理分别给出向好的参数调整动作；最后，建立联合策略，协调两个参数调整代理相互配合工作，实现对参数的优化。在某地铁线路实车上实验，结果表明，本发明能达到良好的参数自学习效果，实现了列车参数的自动优化。
-
公开(公告)号：CN112733448A
公开(公告)日：2021-04-30
申请号：CN202110019417.2
申请日：2021-01-07
Applicant: 北京理工大学 , 通号城市轨道交通技术有限公司
Abstract: 本发明涉及一种可用于实现列车自动驾驶系统参数自学习的双Q表联合代理的建立方法，属于自动驾驶与强化学习领域。主要用于节省现有自动驾驶系统中关键转换参数需要专家逐车调整所消耗的大量人工工作成本，同时实现转换参数随车辆性能变化实时适应。本发明首先建立可正确响应转换参数改变所引发运行效果变化的运行仿真环境；其次，基于Q‑Learning方法，以舒适度和停准率两个条件为训练目标，建立两个参数调整代理分别给出向好的参数调整动作；最后，建立联合策略，协调两个参数调整代理相互配合工作，实现对参数的优化。在某地铁线路实车上实验，结果表明，本发明能达到良好的参数自学习效果，实现了列车参数的自动优化。
-
公开(公告)号：CN115062402A
公开(公告)日：2022-09-16
申请号：CN202210536133.5
申请日：2022-05-17
Applicant: 北京理工大学
IPC: G06F30/15 , G06F30/27 , G06F119/10
Abstract: 本发明涉及数据驱动的列车级位加速度提取方法，属于计算机与信息科学技术领域。本发明首先利用噪声与正常样本在训练过程中的不同损失变化模式，优化样本学习顺序。然后将自采样学习分别引入AdaBoost和梯度提升学习提出SSAdaBoost和SSGB稳健学习方法，建立目标列车性能估计模型，挖掘含噪运行数据中的专车性能知识，拟合加速度与速度、级位序列(隐含延时特性)、坡度等特征间的映射函数。最后利用“查询样本”控制级位序列、延时等特征影响，建立性能表，实现对目标特征与标签间量化关系抽取。弥补了现有方法推荐速度的跟踪难度大，控车级位频繁切换产生额外能耗问题。抽取性能与实际性能相似，可用于建立与受控列车匹配的性能约束，提升推荐速度优化效果。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.017 seconds)
