(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110542901.3 (22)申请日 2021.05.19 (65)同一申请的已公布的文献号 申请公布号 CN 113297790 A (43)申请公布日 2021.08.24 (73)专利权人 哈尔滨工业大 学 地址 150001 黑龙江省哈尔滨市南岗区西 大直街92号 (72)发明人 王晨岳　黄永　高竞泽　李惠　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 专利代理师 孙莉莉 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 7/00(2006.01) G06F 111/08(2020.01) 审查员 游婧 (54)发明名称 一种基于稀疏贝叶斯宽度学习的高铁轨道 响应预测方法 (57)摘要 本发明提出一种基于稀疏贝叶斯宽度学习 的高铁轨道响应预测方法， 所述方法包括对输入 的温度场变量进行线性和非线性特征提取、 对隐 含层神经元节 点输出层权值的最大后验估计、 结 构响应输 出结果的预测， 并初步评估轨道结构状 态等。 本发 明采用稀 疏贝叶斯宽度学习方法对高 铁轨道监测系统数据进行相关关系挖掘， 通过对 反映数据变量间关系的权值w的稀 疏求解可以有 效地避免回归 预测的过拟合问题， 并且 具有较高 的预测精度、 高效的计算速度和宽松的设备硬件 要求， 从而能够实现对大量监测数据中隐含的温 度荷载与结构应变相关关系的挖掘， 通过及时发 现监测数据模型的演变作为判别轨道结构服役 状态异常的依据。 权利要求书2页 说明书6页 附图2页 CN 113297790 B 2022.05.10 CN 113297790 B 1.一种基于稀疏贝叶斯宽度学习的高铁轨道响应预测方法， 其特征在于： 具体包括以 下步骤： 步骤一、 建立包含高铁轨道监测系统得到的温度和结构响应的大数据集， 按时间顺序 划分训练集和测试集， 所述训练集共N组数据， 所述测试集共L组数据， 用于高铁轨道响应预 测和状态评估； 步骤二、 建立输入变量温度和输出结构响应变量的宽度学习方法网络架构， 基于零均 值高斯分布随机 生成神经网络特征节点的输入层权 值矩阵Si和偏置矩阵Λi， 对训练集输入 的 使用 和 映射到高维空间Zi(x)＝φ(XSi+Λi)， 每个特征映 射矩阵包含T个特征节点， φ(.)表示 从输入变量x中抽象出特征映射矩阵的函数变换， 称为 激活函数， 取φ(x)＝x， M表示训练集每组数据的维度， 从而构建m组特征映射矩阵Z(x)＝ [Z1， Z2，…， Zm]； 同样地， 基于零均值高斯分布随机生成增强节点的权值矩阵B和偏置矩阵 Ψ， 且 n表示生成的增强节点 数， 构建增强节 点矩阵H(x)＝ ψ(ZB+Ψ)， 这里的ψ(.)也是激活函数， 表示 从特征映射矩阵中 抽象出增强节点矩阵的函数变换， 取 步骤三、 运行稀疏贝叶斯学习方法， 计算每个节点各自的输出层权值w的后验概率分 布， 即在已知输出层y的情况下取到各种输出层权值的概率， 获得输出层权值后验分布概率 最大值即为在当前参数 条件下输出层权值 w取到的值； 步骤四、 代入测试集温度场数据x*按照步骤二生成特征映射矩阵和增强节点矩阵[Z*， H*]， 由步骤三得到的输出层权值w后 验概率分布最大值计算获得预测的结构响应y， 将 结构 响应y的预测值与实测值进 行对比， 如果结构状态正常， 两者 吻合； 否则， 结构响应的预测结 果与实测结果产生明显的偏离， 表明结构温度与响应的预测关系将发生显著变化， 将此作 为判定结构状态 异常的依据； 在步骤三中， 输出层权值 w的后验概 率分布采用下式计算： 为高斯分布； 其中： α ＝[α1， α2， ...， αiT+j]和σ2表示超参数， 其最大后验估计MAP值为αMP和 通过下式估 计： 权　利　要　求　书 1/2 页 2 CN 113297790 B 2其中， i表示当前特征节点数， j表示当前增强节点数， 将以上∑w、 μw、 αMP和 的估计表 达式进行迭代直至 收敛即可获得输出层权值w的后验概率分布最大值， 由于其后验满足高 斯分布， 因此概 率分布最大值对应的即为高斯分布的均值 μw； 所述步骤四具体为： 步骤4.1、 步骤三中得到的输出层权值w反映了训练集温度场与结构响应的关系， 代入 测试集温度场数据x*， 由生成的反映输入数据特征的矩阵[Z*， H*]， 得到结构响应预测的后 验概率分布为： 其中， 表示预测的不确定性， 是高斯分布的方差； 预测得到的结构响应y的后验概 率分布最大值， 即为高斯分布均值 步骤4.2、 对比预测得到的结构响应y和实测值y*， 若二者基本吻合， 说明结构温度场与 结构响应间的关系未发生改变， 结构状态正常； 否则结构状态异常， 变量关系发生偏离； 所 述基本吻合通过利用预测均值和不确定性进 行评估， 若实测值位于预测值两倍标准差区间 范围内则认为两者基本吻合。 2.根据权利要求1所述的方法， 其特 征在于： 所述 步骤二具体为： 步骤2.1、 基于 宽度学习网络架构下的回归问题能够统一写为： 其中， wi表示第i个特征节点的输 出层权值， wj表示第j个增强节点的输 出层权值； Si， Λi 和Bj， Ψj分别表示第i个特征映射矩阵和第j个增强节点矩阵从零均值高斯分布中随机 生成 的输入层权 值矩阵与偏置矩阵； φi(.)和 ψj(.)分别为对应生成特征节点和增强节点的激活 函数； 步骤2.2、 对于训练集全部N组数据， 确定生成i个特征节点和 j个增强节点， 利用零均 值 高斯分布随机生成的输入层权值和偏置得到以下反映输入数据特 征的矩阵： [Z， H]＝[φ1(S1， Λ1； X)…φi(Si， Λi； X) ψ1(B1， Ψ1； Z)…ψj(Bj， Ψj； Z)]； 步骤2.3、 针对于步骤2.1中回归问题的矩阵形式y＝[Z， H]w， 通过求输入层的特征矩阵 的[Z， H]广义逆 能够实现对输出层权值w的求解， 在稀疏贝叶斯宽度学习方法中， 通过稀疏 方法求解输出层权值 w。权　利　要　求　书 2/2 页 3 CN 113297790 B 3