典型文献
基于机器学习的轨道电路状态判断
文献摘要：
为准确判断轨道电路的状态,保障轨道交通的安全运行,研究无监督学习中的高斯混合模型(Gaussian mixed model,GMM)、有监督学习中的反向传播神经网络(back propagation neural network,BPNN)模型与逻辑回归(logistic regression,LR)分类模型等3种典型机器学习算法在轨道电路状态判断中的应用.将轨道电路分为占用状态和空闲状态,应用3种算法实现状态分类任务,并在实际测得的数据集上对比3种算法的分类性能.测试结果表明:3种算法均能实现轨道电路状态的准确分类.与BPNN模型和LR分类模型相比,GMM无需训练过程,可降低人工成本.
文献关键词：
轨道电路;状态分类;GMM;BPNN;LR分类模型
中图分类号：
作者姓名：
初广前;李璐;张嘉驰;钱佳瑶
作者机构：
山东交通学院 轨道交通学院,山东 济南 250357
文献出处：
引用格式：
[1]初广前;李璐;张嘉驰;钱佳瑶-.基于机器学习的轨道电路状态判断)[J].山东交通学院学报,2022(04):18-25
A类：
B类：
基于机器学习,轨道电路,电路状态,断轨,无监督学习,高斯混合模型,Gaussian,mixed,model,GMM,有监督学习,反向传播神经网络,back,propagation,neural,network,BPNN,逻辑回归,logistic,regression,LR,分类模型,机器学习算法,在轨,空闲状态,算法实现,状态分类,分类任务,分类性能,训练过程,人工成本
AB值：
0.398364
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
