本发明涉及机车车辆检测
技术领域：
：，特别涉及一种轮轨力载荷辨识特征数据模型建立方法及装置。
背景技术：
：：伴随着我国高速铁路的飞速发展，由于列车运行速度和运营里程的增长，为了保证列车运行安全，需要对轮轨系统作用的关键因素-轮轨相互作用力进行识别和监测。目前，测力轮对虽然能够实时检测轮轨力，但其造价成本较高并且维修不便，只能安装在少数综合检测列车上使用。综合检测列车通过车辆动态响应加速度系统和测力轮对等先进检测设备分别对车辆和轮轨系统的状态进行动态检测，采集了大量的轨道-车辆系统动态检测数据，通过分析这些数据，提取出轨道-车辆系统状态的时域和频域特征属性后，使用特征数据建立轮轨力载荷辨识数据模型是辨识轮轨力的一种新途径。轨道-车辆系统是一个动态耦合的相互作用系统，机车车辆在铁路线路上运行时，受轨道不平顺的激扰产生振动；机车车辆的重力和运行中产生的其他载荷通过车轮作用在钢轨上，又引起钢轨的弹性变形和轨道下沉，从而使线路不平顺加剧，其中的轮轨相互作用以力的形式呈现。轮轨力中不仅包含了车辆的动力学性能信息，还包含了车辆运行状态下的轨道-车辆系统耦合动态响应信息。轮轨力可以揭示车辆的运行安全性，通过测量轮轨之间相互作用的垂向和横向力进而可以计算出脱轨系数、轮重减载率、轮轴横向力等指标。这些指标对于评价车辆运行安全与否、研究脱轨机理等起着非常重要的作用。国内外研究者普遍通过建立机理模型解析的方法辨识轮轨作用力，即建立动力学仿真模型，根据已知系统的动态特性和实测的动力响应反算结构所受的动态激励轮轨力。主要使用时域和频域两种方法。时域法是20世纪80年代中期发展起来的一种方法，其主要是基于以卷积的形式出现的激励与系统响应之间的关系，将系统的运动方程进行模态坐标转换，动力方程解耦得到非耦合动力方程，最终逆解出动态荷载的时间历程。但时域内动载荷识别往往存在发散问题，或在有测量噪声和模态参数误差的条件下识别的精度较低。由于时域动载荷识别技术的研究起步较晚，尚有很多问题需要解决。在时域中，系统的输入输出成复杂的卷积关系，给数学处理上带来不便。频域识别技术是将系统的动力学方程转化到频域中，运用已知条件识别未知动载荷，最后将频域中的动载荷进行傅立叶反变换转化成时域动载荷。由于在频域中，系统的输入和输出成简单的线性关系，使复杂的问题简化。但轮轨作用系统中的车辆动态响应和轮轨力之间存在着较强的非线性关系，并且自由度较多、工况复杂，因此建立机理模型后的计算量较大。目前已有的商业软件如多体动力学软件msc、adams的rail模块和ansys等软件的计算速度难以满足工程应用的要求。技术实现要素：为解决现有技术的问题，本发明提出一种轮轨力载荷辨识特征数据模型建立及装置，本技术方案不但能有效减少计算量，而且能更好的描述轮轨系统之间的复杂非线性关系。为实现上述目的，本发明提供了一种轮轨力载荷辨识特征数据模型建立方法，包括：利用基于变参数域和短时高斯线性调频基的自适应信号分解算法提取轨道-车辆系统检测数据的时频特征；使用多节点协同共轭稀疏主成分分析算法对所述轨道-车辆系统检测数据的时频特征进行融合；以多节点特征融合数据作为样本数据集，使用l1/2-sparsepca-elm神经网络机器学习算法建立轮轨力载荷辨识特征数据模型。优选地，还包括：在对所述轨道-车辆系统检测数据的时频特征进行融合处理之前，将所述轨道-车辆系统检测数据按时频特征进行滤波处理。优选地，还包括：对滤波处理后的所述轨道-车辆系统检测数据的时频特征分为训练组和测试组，分别对每组的输入和输出数据进行归一化处理。优选地，所述多节点协同共轭稀疏主成分分析算法表达式为：其中，s和c是两个预先指定的常数；ut为单位正交特征向量[u1,u2…,up]的转置矩阵；u为单位正交特征向量[u1,u2…,up]；σx为协方差矩阵，σx＝e[(x-e(x))(x-e(x))t]，x表示节点的属性特征，x＝(x1,x2,…xp)，p表示节点的属性个数。优选地，所述使用l1/2-sparsepca-elm神经网络机器学习算法建立轮轨力载荷辨识特征数据模型的步骤包括：确定隐层神经元的个数初值；根据所述隐层神经元的个数初值获得隐层神经元间的输入权系数矩阵和隐层神经元阈值矩阵；根据输入权系数矩阵和隐层神经元阈值矩阵确定隐层神经元激活函数；将所述训练组和测试组中的多节点特征融合数据代入神经网络输入层，通过输入权系数矩阵、隐层神经元阈值矩阵和隐层神经元激活函数获得隐含层神经元的输出矩阵；利用所述隐含层神经元的输出矩阵，根据l1/2正则化阈值迭代算法获得所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解，按照所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解中非0元素的个数重新确定所述隐层神经元的个数；利用输入权系数矩阵、隐层神经元阈值矩阵、所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解进行交叉验证，判断所述轮轨力载荷辨识特征数据模型是否满足工程应用需求；如果满足，则利用输入权系数矩阵、隐层神经元阈值矩阵、所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解以及按照连接权值矩阵的最优解中非0元素的个数重新确定的隐层神经元的个数建立基于多节点l1/2-sparsepca-elm神经网络的轮轨力载荷辨识特征数据模型；否则，对所述轨道-车辆系统检测数据的时频特征重新划分训练组和测试组，重新选定输入权系数矩阵、隐层神经元阈值矩阵、所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解，直至建立的轮轨力载荷辨识特征数据模型满足工程应用要求为止。为实现上述目的，本发明还提供了一种轮轨力载荷辨识特征数据模型建立装置，包括：特征提取单元，用于利用基于变参数域和短时高斯线性调频基的自适应信号分解算法提取轨道-车辆系统检测数据的时频特征；融合数据单元，用于使用多节点协同共轭稀疏主成分分析算法对所述轨道-车辆系统检测数据的时频特征进行融合；模型建立单元，用于以多节点特征融合数据作为样本数据集，使用l1/2-sparsepca-elm神经网络机器学习算法建立轮轨力载荷辨识特征数据模型。优选地，还包括：滤波单元，用于在对所述轨道-车辆系统检测数据的时频特征进行融合处理之前，将所述轨道-车辆系统检测数据按时频特征进行滤波处理。优选地，还包括：归一化处理单元，用于对滤波处理后的所述轨道-车辆系统检测数据的时频特征分为训练组和测试组，分别对每组的输入和输出数据进行归一化处理。优选地，所述融合数据单元采用的多节点协同共轭稀疏主成分分析算法的表达式为：其中，s和c是两个预先指定的常数；ut为单位正交特征向量[u1,u2…,up]的转置矩阵；u为单位正交特征向量[u1,u2…,up]；σx为协方差矩阵，σx＝e[(x-e(x))(x-e(x))t]，x表示节点的属性特征，x＝(x1,x2,…xp)，p表示节点的属性个数。优选地，所述模型建立单元包括：隐层神经元个数初值确定模块，用于确定隐层神经元的个数初值；第一模型参数确定模块，用于根据所述隐层神经元的个数初值获得隐层神经元间的输入权系数矩阵和隐层神经元阈值矩阵；隐层神经元激活函数确定模块，用于根据输入权系数矩阵和隐层神经元阈值矩阵确定隐层神经元激活函数；第二模型参数确定模块，用于将所述训练组和测试组中的多节点特征融合数据代入神经网络输入层，通过输入权系数矩阵、隐层神经元阈值矩阵和隐层神经元激活函数获得隐含层神经元的输出矩阵；第三模型参数确定模块，用于利用所述隐含层神经元的输出矩阵，根据l1/2正则化阈值迭代算法获得所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解，按照所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解中非0元素的个数重新确定所述隐层神经元的个数；轮轨力载荷辨识特征数据模型建立模块，用于利用输入权系数矩阵、隐层神经元阈值矩阵、所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解进行交叉验证，判断所述轮轨力载荷辨识特征数据模型是否满足工程应用需求；如果满足，则利用输入权系数矩阵、隐层神经元阈值矩阵、所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解以及按照连接权值矩阵的最优解中非0元素的个数重新确定的隐层神经元的个数建立基于多节点l1/2-sparsepca-elm神经网络的轮轨力载荷辨识特征数据模型；否则，对所述轨道-车辆系统检测数据的时频特征重新划分训练组和测试组，重新选定输入权系数矩阵、隐层神经元阈值矩阵、所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解，直至建立的轮轨力载荷辨识特征数据模型满足工程应用要求为止。上述技术方案具有如下有益效果：本技术方案使用轴箱、构架、车体加速度传感器获得输入数据，这些传感器安装方便而且便于维护，可以克服常规测力轮对安装、维护繁琐等诸多缺点；并且相对于使用测力轮对直接检测方式的价格较低，可以配备在更多的运营列车上进行日常检测，保障列车安全运行，具有广阔的应用前景。另外，本技术方案使用数据建模方法实时的辨识出轮轨力，进而评估轨道-车辆系统相互作用的安全状态，是现有的基于轨道几何状态检测的轨道质量评判标准的重要补充，有利于综合分析轨道-车辆系统状态和指导高速铁路轨道养护维修工作。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本技术方案的原理示意图；图2为本发明实施例提出的一种轮轨力载荷辨识特征数据模型建立方法流程图；图3为本实施例的渐变矩形窗截取信号示意图；图4为本实施例的车辆动态响应加速度数据时频特征cpst-agcd分布图之一；图5为本实施例的车辆动态响应加速度数据时频特征cpst-agcd分布图之二；图6为本实施例的轮轨力数据时频特征cpst-agcd分布图之一；图7为本实施例的轮轨力数据时频特征cpst-agcd分布图之二；图8为本实施例的多节点轮轨力载荷辨识数据建模思想示意图；图9a为本实施例的协同共轭稀疏主成分分析算法的第1主成分结果示意图；图9b为本实施例的协同共轭稀疏主成分分析算法的第2主成分结果示意图；图9c为本实施例的协同共轭稀疏主成分分析算法的第3主成分结果示意图；图9d为本实施例的协同共轭稀疏主成分分析算法的第4主成分结果示意图；图9e为本实施例的协同共轭稀疏主成分分析算法的第5主成分结果示意图；图9f为本实施例的协同共轭稀疏主成分分析算法的第6主成分结果示意图；图10为本实施例的多节点l1/2-spca-elm神经网络数据模型对实测轮轨力的辨识结果示意图；图11为本实施例的多节点l1/2-spca-elm神经网络数据模型对仿真轮轨力的辨识结果示意图；图12为本发明实施例提供的一种轮轨力载荷辨识特征数据模型建立装置框图之一；图13为本发明实施例提供的一种轮轨力载荷辨识特征数据模型建立装置框图之二；图14为本发明实施例提供的一种轮轨力载荷辨识特征数据模型建立装置框图之三；图15为本发明实施例的轮轨力载荷辨识特征数据模型建立装置中模型建立单元功能框图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。本技术方案的工作原理为：国内外虽然在轮轨力辨识方面开展了大量的研究工作，但是如何利用车辆动态响应加速度建立数据模型辨识轮轨力还未见相关文献报道和专利说明。若直接利用车辆动态响应加速度数据建立数据模型辨识轮轨力，会碰到两个问题：(1)车辆动态响应和轮轨力在频域中不对应：由于检测设备采用的传感器频响范围宽、采样频率高，因此车辆动态响应和轮轨力在频域中可划分为低频分量和高频分量，并且包含着噪声干扰，所以要对原始数据进行时频特征提取及滤波处理之后才可以建立数据模型；(2)车辆动态响应和轮轨力存在延迟效应：对轮轨系统作用的机理进行分析可知，某一位置节点处的轮轨力和当前位置节点以及此前多个位置节点的车辆动态响应相关，因此需要引入多节点思想融合时频分析提取出的特征数据建立数据模型。针对目前存在的问题，提出一种基于多节点l1/2-spasepca-elm神经网络的轮轨力载荷辨识特征数据融合建模方法，相对机理建模辨识轮轨力的方法，数据建模法不但能有效减少计算量，而且能更好的描述轮轨系统之间的复杂非线性关系，具有稳定性好、泛化能力强、训练速度快、辨识精度高等优点。详细的技术方案如图1所示，本方案包括三部分：第一部分计算车辆动态响应加速度和轮轨力数据的时频分布，利用基于变参数域和短时高斯线性调频基的自适应信号分解算法提取数据的时频特征；在此基础上第二部分使用稀疏主成分分析融合多节点的特征数据以消除数据的相关性并降低维度，为第三部分提供训练数据集；第三部分根据融合后的多节点特征数据，使用l1/2-spasepca-elm算法建立数据模型辨识轮轨力。基于上述分析，如图2所示，为本发明实施例提出的一种轮轨力载荷辨识特征数据模型建立方法，包括：步骤201)：利用基于变参数域和短时高斯线性调频基的自适应信号分解算法提取轨道-车辆系统检测数据的时频特征；在本步骤中，使用基于变参数域和短时高斯线性调频基的自适应信号分解算法对轨道-车辆系统检测数据的时频特征属性进行分析和提取，包括：实测车体、构架、轴箱的横向、垂向振动加速度和横向、垂向轮轨力数据。基于变参数域和短时高斯线性调频基的自适应信号分解算法的步骤可描述如下：(1)m＝0，将待分析的信号s(t)赋给sm(t)准备分解；(2)对信号sm(t)做短时傅里叶变换，得到能量峰值点(tm,ωm)。此时可能搜索到多个能量相等的峰值点，任选一个峰值点作为信号的能量峰值点；(3)以该峰值点作为时频中心，用小的初始矩形窗在时频面截取stft片段，考虑到stft时频分析方法特点，初始矩形窗的长度一般不小于33个数据采集点，同时一般不大于1024个数据点；(4)仍以该峰值点作为时频中心，加宽矩形窗，重新截取stft片段，每次加宽的宽度可以取初始矩形窗宽度或初始矩形窗宽度的一半。当矩形窗截取信号到达信号长度边界时停止，如图3所示。(5)对第j个被截取的片段，用如下公式求其时间带宽tj和频率带宽bj，j＝0,1,2…；式中：为第j个被截取片段的能量。这里的待分解信号为能量有限信号。(6)观察时间带宽tj的变化，当时间带宽在某个区间内稳定时，得到tstable和bstable。通过稳定的时宽和频率带宽构成的heisenberg盒计算出稳定的αstable和βstable值如下：式中：g为稳定的时间带宽tstable和时间尺度因子αstable间的函数，h为稳定的时间带宽tstable和稳定的频率带宽bstable与调频率βstable间的函数；(7)以该次搜索的能量峰值点(tm,ωm)作为时频中心，在求出的αstable和βstable附近5％的范围内生成k个基函数hmk(αmk,tm,ωm,βmk)，k∈1,2…k，计算内积，将使内积取最大值的一组参数作为该步分解中最佳匹配的高斯线性调频基hm(αm,tm,ωm,βm)的一组参数。(8)从信号sm(t)中除去sm(t)在hm(t)的投影，得到残余信号sm+1(t)，计算残余信号的能量，当残余信号能量小于某一设定值时停止分解，不满足时重复上述步骤继续分解。如图4所示，为本实施例的车辆动态响应加速度数据时频特征cpst-agcd分布图之一；如图5所示，为本实施例的车辆动态响应加速度数据时频特征cpst-agcd分布图之二；如图6所示，为本实施例的轮轨力数据时频特征cpst-agcd分布图之一；如图7所示，为本实施例的轮轨力数据时频特征cpst-agcd分布图之二。车辆振动响应加速度和轮轨力数据在时频面上存在特征对应的关联关系，因此提取对应特征作为建立数据模型的训练数据集，可有效去除噪声干扰。步骤202)：使用多节点协同共轭稀疏主成分分析算法对所述轨道-车辆系统检测数据的时频特征进行融合；在建立轮轨力载荷辨识数据模型之前，希望尽可能多的采集相关检测数据，以期望能对轮轨力载荷辨识问题有相对完整的认识和把握。虽然这些检测数据能够较为全面和准确地描述轨道-车辆系统的动态相互作用情况，但应用在实际数据建模过程时，这些检测数据不一定真正能够发挥预期的作用，还有可能会给数据建模带来维数灾难、大量数据计算、变量之间的相关性、共线性等问题。这些数据中的变量之间信息高度重叠与相关会给统计学习方法的成功应用带来诸多困难。例如在回归问题中，诸多解释变量间存在着较强的相关性，即高度多重共线性，则会给回归方程的参数估计带来诸多困难，导致回归方程参数不准确甚至得到的数据模型不可用等问题。为了解决上述问题，就要减少变量的个数，同时又希望尽量保留原始变量中的信息。为此，需要使用一种更为有效的解决方法，既能约减参与数据建模的变量个数，同时又不会导致信息的大量丢失。稀疏主成分分析正是这样一种既可以有效的降低变量维数，又能保留原始数据中的主要信息并且还具有可解释性的特征数据融合方法。在数据建模和处理回归问题的传统方法中，经常使用单节点的思想建立数据模型，即数据模型的输入样本和输出样本是一一对应的。例如：模型的每一组输入样本都是在某一位置处经过时频特征提取后的车体、构架、左右轴箱垂向和横向加速度组成的8维数据，模型的每一组输出样本也是在相同位置处经过时频特征提取后得到的垂向与横向轮轨力，在训练数据模型的过程中，这些样本是一一对应的。但是对于轮轨力载荷辨识问题，根据已有的轮轨相互作用机理和测力轮对的测量原理等先验知识可知轨道不平顺有波长范围，车辆动态响应也有延迟作用，所以测力轮对在某一位置处测量出的轮轨力不仅仅是由当前位置的轨道不平顺和车辆加速度引起的，还与当前位置之前邻近的几个节点的状态密切相关。因此引入了多节点的思想建立轮轨力载荷辨识数据模型，如图8所示。在建立多节点轮轨力载荷辨识数据模型时，使用当前位置所在节点和之前邻近的wide个节点位置的车辆动态响应特征数据组合成一组样本，作为数据模型的输入，此时输入数据维数为wide*8，模型的输出仍是当前位置的轮轨力。由于高维输入数据存在着相关性和多重共线性，所以需要使用稀疏主成分分析的方法进行特征数据的融合，消除其中的相关性和多重共线性等干扰，同时降低输入数据的维数，为建立轮轨力载荷辨识数据模型提供有效的特征数据。稀疏主成分分析方法在主成分分析法上增加了稀疏性，主成分分析采用数据降维的方法，找出几个少数的综合变量代替原来的多个变量，使这些少数的综合变量彼此之间互不相关而且能尽可能的保留原变量中的信息。通常，数学上的处理方法是把原变量做线性组合。原变量中的信息可以用方差度量，方差越大，保留的信息就越多。记第一个线性组合得到的综合变量为y1，具有最大方差var(y1)，称为第一主成分；若第一主成分不足以代表原来的p个变量的信息，就再选取第二个线性组合y2，称其为第二主成分，依此类推，主成分分析法的数学表示如下。实际数据x＝(x1,x2,…xp)中有p个随机变量，其协方差矩阵σx如下：σx＝e[(x-e(x))(x-e(x))t](4)式中，x表示节点的属性特征；设协方差矩阵σx的特征值为λ1≥λ2…≥λp≥0，对应单位正交特征向量[u1,u2…,up]：式中：uk＝(u1k,u2k…,upk)t,k＝1,2,…,p则x对应的第k个主成分为：yk＝ukx＝u1kx1+u2kx2+…+upkxp(6)主成分有如下两个性质：即：新指标y1,y2,…yj…yk能充分反映原来的指标集合中的信息而且相互独立，降低了数据的维数，消除了原始数据变量中的相关性和共线性的干扰。基于传统的主成分分析方法，引入合理的稀疏性约束获得稀疏的载荷向量，是稀疏主成分分析的主要问题。引入l0限制条件后，稀疏主成分分析的形式如下：式中：前两个约束条件表示载荷向量uk具有单位长度并且相互正交，最后一个约束条件增加了l0稀疏性限制，t0是一个常数。但上述问题是一个np-hard的问题，无法直接求解，只能使用松弛算法等方法得到近似解。因此，使用协同共轭稀疏主成分分析法通过迭代搜索确定共轭变量，这些共轭变量可以使稀疏主成分分析问题中的目标函数得到最大程度上的增加，并根据目标函数增加逐步更新共轭变量的系数，该算法的表达式如下：式中：s和c是两个预先指定的常数。ut为单位正交特征向量[u1,u2…,up]的转置矩阵；u为单位正交特征向量[u1,u2…,up]；σx为协方差矩阵，σx＝e[(x-e(x))(x-e(x))t]，x表示节点的属性特征，x＝(x1,x2,…xp)，p表示节点的属性个数。协同共轭稀疏主成分分析算法提出了一种计算稀疏主成分分析全部解路径的可行的方法，对于轨道-车辆系统检测数据特征融合有很好的应用效果，融合效果如图9a、图9b、图9c、图9d、图9e、图9f所示。从稀疏主成分分析得到的结果中可以看出，在轨道-车辆系统检测数据中，车体垂向加速度和轴箱垂向加速度与轮轨力之间的关系更为密切。因此，融合之后的特征数据在建立轮轨力载荷辨识数据模型中也将发挥更重要的作用。步骤203)：以多节点特征融合数据作为样本数据集，使用l1/2-sparsepca-elm神经网络机器学习算法建立轮轨力载荷辨识特征数据模型。在使用基于变参数域和短时高斯线性调频基自适应信号分解算法提取了轨道-车辆系统检测数据的时频特征、通过稀疏主成分分析的方法进行了多节点特征数据融合后，得到了无相关性并且包含了多节点特征数据完整信息的有效数据集用于建立数据模型。以多节点特征融合数据作为训练和测试样本数据集，使用l1/2-sparsepca-elm神经网络机器学习算法建立轮轨力载荷辨识数据模型。建立数据模型的具体步骤如下：step1：使用基于变参数域和短时高斯线性调频基的自适应信号分解算法对轨道-车辆系统检测数据进行时频特征提取与分析后对数据进行滤波处理，形成特征数据。step2：将特征数据分为训练组和测试组，分别对每组的输入和输出数据进行归一化处理，消除因数量级不同带来的干扰。step3：引入多节点的思想，根据试验结果，wide的大小一般设为6，使用基于多节点稀疏主成分分析的方法对归一化后的特征数据进行融合处理，降低多节点特征数据的维数并消除数据中存在的相关性和共线性干扰。step4：确定隐层神经元的个数初值；其中，用较大的隐层神经元个数作为初值，可与训练集样本数相同，当训练数据集样本数很大时，可以选择一个远远大于输入数据维数的值作为隐层神经元节点个数初值。step5：根据所述隐层神经元的个数初值获得隐层神经元间的输入权系数矩阵和隐层神经元阈值矩阵；step6：根据输入权系数矩阵和隐层神经元阈值矩阵确定隐层神经元激活函数；step7：将所述训练组和测试组中的多节点特征融合数据代入神经网络输入层，通过输入权系数矩阵、隐层神经元阈值矩阵和隐层神经元激活函数获得隐含层神经元的输出矩阵；step8：利用所述隐含层神经元的输出矩阵，根据l1/2正则化阈值迭代算法获得所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解，按照所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解中非0元素的个数重新确定所述隐层神经元的个数；step9：利用输入权系数矩阵、隐层神经元阈值矩阵、所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解进行交叉验证，判断所述轮轨力载荷辨识特征数据模型是否满足工程应用需求；如果满足，则利用输入权系数矩阵、隐层神经元阈值矩阵、所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解以及按照连接权值矩阵的最优解中非0元素的个数重新确定的隐层神经元的个数建立基于多节点l1/2-sparsepca-elm神经网络的轮轨力载荷辨识特征数据模型；否则，对所述轨道-车辆系统检测数据的时频特征重新划分训练组和测试组，重新选定输入权系数矩阵、隐层神经元阈值矩阵、所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解，直至建立的轮轨力载荷辨识特征数据模型满足工程应用要求为止。使用实测数据和仿真数据验证基于多节点l1/2-sparsepca-elm神经网络方法建立的轮轨力载荷辨识数据模型，结果如图10、11所示，这种数据建模方法在整体统计意义上对实测和仿真轮轨力有很好的辨识效果。此外，基于数据建模的轮轨力载荷辨识方法为混合建模的研究指出了一个新的方向。即：对某种车型和某条线路，先使用机理建模方法得到少量具有代表性的仿真数据集，再通过数据建模方法建立数据模型，可以快速辨识出整条线路的轮轨力，并且具有无需使用测力轮对的实测轮轨力数据进行训练的优势。本发明实施例还提供一种计算机可读程序，其中当在电子设备中执行所述程序时，所述程序使得计算机在所述电子设备中执行如图2所述的方法。本发明实施例还提供一种存储有计算机可读程序的存储介质，其中所述计算机可读程序使得计算机在电子设备中执行如图2所述的方法。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一般计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。应当注意，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。如图12所示，为本发明实施例提供的一种轮轨力载荷辨识特征数据模型建立装置框图之一。包括：特征提取单元1，用于利用基于变参数域和短时高斯线性调频基的自适应信号分解算法提取轨道-车辆系统检测数据的时频特征；融合数据单元2，用于使用多节点协同共轭稀疏主成分分析算法对所述轨道-车辆系统检测数据的时频特征进行融合；其中，所述融合数据单元2采用的多节点协同共轭稀疏主成分分析算法的表达式为：其中，s和c是两个预先指定的常数；ut为单位正交特征向量[u1,u2…,up]的转置矩阵；u为单位正交特征向量[u1,u2…,up]；σx为协方差矩阵，σx＝e[(x-e(x))(x-e(x))t]，x表示节点的属性特征，x＝(x1,x2,…xp)，p表示节点的属性个数。模型建立单元3，用于以多节点特征融合数据作为样本数据集，使用l1/2-sparsepca-elm神经网络机器学习算法建立轮轨力载荷辨识特征数据模型。如图13所示，为本发明实施例提供的一种轮轨力载荷辨识特征数据模型建立装置框图之二。在图12的基础上，还包括：滤波单元1’，用于在对所述轨道-车辆系统检测数据的时频特征进行融合处理之前，将所述轨道-车辆系统检测数据按时频特征进行滤波处理。如图14所示，为本发明实施例提供的一种轮轨力载荷辨识特征数据模型建立装置框图之三。在图13的基础上，还包括：归一化处理单元1”，用于对滤波处理后的所述轨道-车辆系统检测数据的时频特征分为训练组和测试组，分别对每组的输入和输出数据进行归一化处理。如图15所示，为本发明实施例的轮轨力载荷辨识特征数据模型建立装置中模型建立单元功能框图。包括：隐层神经元个数初值确定模块31，用于确定隐层神经元的个数初值；第一模型参数确定模块32，用于根据所述隐层神经元的个数初值获得隐层神经元间的输入权系数矩阵和隐层神经元阈值矩阵；隐层神经元激活函数确定模块33，用于根据输入权系数矩阵和隐层神经元阈值矩阵确定隐层神经元激活函数；第二模型参数确定模块34，用于将所述训练组和测试组中的多节点特征融合数据代入神经网络输入层，通过输入权系数矩阵、隐层神经元阈值矩阵和隐层神经元激活函数获得隐含层神经元的输出矩阵；第三模型参数确定模块35，用于利用所述隐含层神经元的输出矩阵，根据l1/2正则化阈值迭代算法获得所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解，按照所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解中非0元素的个数重新确定所述隐层神经元的个数；轮轨力载荷辨识特征数据模型建立模块36，用于利用输入权系数矩阵、隐层神经元阈值矩阵、所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解进行交叉验证，判断所述轮轨力载荷辨识特征数据模型是否满足工程应用需求；如果满足，则利用输入权系数矩阵、隐层神经元阈值矩阵、所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解以及按照连接权值矩阵的最优解中非0元素的个数重新确定的隐层神经元的个数建立基于多节点l1/2-sparsepca-elm神经网络的轮轨力载荷辨识特征数据模型；否则，对所述轨道-车辆系统检测数据的时频特征重新划分训练组和测试组，重新选定输入权系数矩阵、隐层神经元阈值矩阵、所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解，直至建立的轮轨力载荷辨识特征数据模型满足工程应用要求为止。本领域技术人员还可以了解到本发明实施例列出的各种功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。此外，尽管在上文详细描述中提及了装置的若干单元，但是这种划分仅仅并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。同样，上文描述的一个单元的特征和功能也可以进一步划分为由多个单元来具体化。以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12当前第1页12