来源：期刊VIP网 时间：
作者：苏成光;高凯;张岷;张煜;杨飞;程培涛;
单位：陕西省铁道及地下交通工程重点实验室;中铁第一勘察设计院集团有限公司线路运输设计院;西安电子科技大学机电工程学院;中国铁道科学研究院集团有限公司基础设施检测研究所;
摘要：针对阳光、雨雪、设备故障等因素对轨道动检数据产生的干扰难以识别，人工分类效率低且易出现漏检与误检等问题，提出一种基于一维多通道特征融合的轨道动检数据分类算法，对高速铁路轨道动检数据的干扰因素进行智能识别与分类。该算法设计一种用于提取多通道一维数据特征的FE Block模块，引入通道注意力机制提高关键特征的学习效果。在自建高速铁路轨道动检数据干扰因素数据集上的实验结果表明，所提出的RA-Net模型在同时使用Dropout层以及通道注意力模块的情况下得到的网络效果最好，准确率、平均精度、平均召回率、平均F1分数指标均达到最优；该模型在五分类、二分类数据集上准确率分别达到98.86%、99.77%,优于同类方法。
关键词：高速铁路;;轨道动检数据;;干扰因素;;深度学习;;智能分类
基金资助：陕西省重点研发计划(2021ZDLGY02-03)
