基于深度學(xué)習(xí)的鐵路信號傳輸節(jié)點異常干擾預(yù)測

摘要：針對鐵路信號傳輸過程中頻率波動導(dǎo)致的預(yù)測誤差問題，文章設(shè)計了一種基于深度學(xué)習(xí)的異常干擾預(yù)測方法。該方法全面獲取節(jié)點干擾數(shù)據(jù)，利用數(shù)據(jù)處理技術(shù)提取關(guān)鍵特征，反映信號異常情況?；谏疃葘W(xué)習(xí)算法，文章構(gòu)建了干擾信號異常檢測框架，自動學(xué)習(xí)和識別異常模式。通過實時數(shù)據(jù)輸入，該框架能迅速輸出預(yù)測結(jié)果，準確預(yù)測異常干擾。實驗證明，該方法平均預(yù)測誤差距離為50.5 kHz，相比對照組降低85 kHz以上，實現(xiàn)了對鐵路信號傳輸節(jié)點異常干擾的精準預(yù)測，為鐵路安全穩(wěn)定運行提供了有力保障。

關(guān)鍵詞：深度學(xué)習(xí)模型；鐵路信號；傳輸節(jié)點；異常干擾預(yù)測；時域偏度

中圖分類號：TP399 文獻標志碼：A

0 引言

隨著鐵路交通的快速發(fā)展，鐵路信號系統(tǒng)作為保障列車安全、高效運行的關(guān)鍵環(huán)節(jié)，其穩(wěn)定性和可靠性顯得尤為重要。在實際鐵路信號傳輸節(jié)點異常干擾預(yù)測中，賈志超［1］研究了無線電通信過程中干擾信號的來源、特性及傳播規(guī)律。該方法通過增益分析，精確識別并定位干擾信號，有效提高了干擾信號查找的準確性和效率。蘆偉東［2］通過對實際鐵路信號數(shù)據(jù)的分析，構(gòu)建了合適的ARIMA模型并成功應(yīng)用于異常干擾信號的預(yù)測。然而，該模型在實際運行過程中仍存在一些問題，導(dǎo)致信號傳輸質(zhì)量下降甚至中斷，給鐵路運營帶來安全隱患。因此，本文提出基于深度學(xué)習(xí)的鐵路信號傳輸節(jié)點異常干擾預(yù)測方法。

1 獲取鐵路信號傳輸節(jié)點干擾數(shù)據(jù)

本文采用頻譜分析儀［3］對鐵路信號傳輸節(jié)點的干擾數(shù)據(jù)進行精確采集，實時捕捉并分析信號發(fā)送設(shè)備發(fā)出的高頻無線電信號X（t）在傳輸過程中受到的各類干擾。獲取的鐵路信號傳輸節(jié)點干擾數(shù)據(jù)為：

Y（t）=X（t）+N（t）+Z（t）（1）

式中：N（t）表示在信號傳輸過程中引入的干擾信號，Z（t）表示傳輸過程中的噪聲信號，t表示信號傳輸時間。

針對原始數(shù)據(jù)中摻雜的噪聲信號，本文采用小波閾值去噪法濾除噪聲，得到去噪后的信號如式（2）所示。

Y′（t）=IDWTW，W≥λ

0，W<λ（2）

式中：IDWT表示小波逆變換，W表示含噪信號的小波系數(shù)，λ表示閾值。

將大于閾值的小波系數(shù)保留下來，再進行反變換，得到清晰的信號。

2 提取鐵路信號傳輸節(jié)點干擾數(shù)據(jù)異常特征

構(gòu)建鐵路信號傳輸節(jié)點干擾數(shù)據(jù)的觀測矩陣，考慮到傅里葉基函數(shù)的特性，本文選取了能夠反映數(shù)據(jù)高頻分量和長期平穩(wěn)分量的參數(shù)作為基準［5］，從而形成了特定的基準函數(shù)。小波逆變換得到的去噪處理的鐵路信號傳輸節(jié)點干擾數(shù)據(jù)，這r7dzUTTtp9apq6++kYeMT0Q4IlQJFvYA4icMpQLCDcQ=些數(shù)據(jù)與基準函數(shù)共同構(gòu)成了觀察矩陣的構(gòu)建基礎(chǔ)。為了確保特征提取結(jié)果的準確性，本文分別針對不同特征展開提取，主要包含以下幾種：

2.1 時域內(nèi)的偏度

在時域分析中，偏度是一個重要的統(tǒng)計量，用于衡量數(shù)據(jù)分布的偏斜程度。針對鐵路信號傳輸節(jié)點干擾數(shù)據(jù)，提取其在不同時域波形下的偏度特征。計算公式為：

S=n∑ni=1（xi-x）3（n-1）（n-2）σ3（3）

式中：n表示數(shù)據(jù)點的數(shù)量，xi表示每個數(shù)據(jù)點，x表示數(shù)據(jù)的均值，σ表示數(shù)據(jù)的標準差。偏度值大于觀察矩陣表示鐵路信號傳輸節(jié)點干擾數(shù)據(jù)異常右偏，小于觀察矩陣表示鐵路信號傳輸節(jié)點干擾數(shù)據(jù)異常左偏，接近觀察矩陣則表示鐵路信號傳輸節(jié)點干擾數(shù)據(jù)分布相對對稱。

2.2 包絡(luò)起伏程度

在深入研究鐵路信號傳輸節(jié)點干擾數(shù)據(jù)時，包絡(luò)起伏程度的計算是揭示數(shù)據(jù)動態(tài)特性的關(guān)鍵。包絡(luò)起伏主要由信號波峰的變動情況決定，因此，可以通過計算波峰間的差異和變化趨勢來量化這一異常特性。具體的計算式可以基于信號波峰的高度差進行設(shè)計。k是波峰的索引，相鄰波峰間的高度差h（k）：

h（k）=x（k）-x（k-1）（4）

2.3 瞬態(tài)能量

在提取鐵路信號傳輸節(jié)點干擾數(shù)據(jù)的瞬態(tài)能量異常特征時，瞬態(tài)能量通常與信號的幅度和頻率的快速變化相關(guān)。因此，通過計算信號的短時能量來量化這一特征。

每幀的瞬態(tài)能量E可以通過計算該幀內(nèi)信號幅度的平方和來得到，公式如下：

E=∑Nn=1|xi（n）|2（5）

式中：N表示每幀信號的長度，xi（n）表示第i幀信號。通過比較不同幀的能量值，可以識別出能量異常的區(qū)域，這些區(qū)域可能對應(yīng)于信號中的瞬態(tài)干擾。

3 利用深度學(xué)習(xí)構(gòu)建干擾信號異常檢測框

深度學(xué)習(xí)模型不僅擁有強大的泛化能力，能應(yīng)對多樣化的干擾信號異常檢測場景，還能通過大量數(shù)據(jù)的訓(xùn)練，持續(xù)優(yōu)化自身性能，從而確保檢測結(jié)果的準確性和可靠性。本文利用訓(xùn)練好的深度學(xué)習(xí)模型對新的鐵路信號傳輸節(jié)點干擾數(shù)據(jù)進行異常檢測。通過計算輸入數(shù)據(jù)的特征表示與模型學(xué)習(xí)到的正常信號特征之間的距離或相似度，可以判斷該數(shù)據(jù)是否存在異常。如果存在異常，則進一步利用模型輸出的異常類別或概率信息進行標識和處理。

默認初始深度學(xué)習(xí)模型為干擾信號異常檢測框，在設(shè)置2∶1縱橫比的錨框后，深度學(xué)習(xí)模型能夠更精確地處理干擾信號異常檢測的像素點。假設(shè)錨框的寬度為w，高度為h，對于每個像素點（x，y），以其為中心，根據(jù)錨框的尺寸w和h來定義一個候選區(qū)域。這個候選區(qū)域的左上角坐標為x-w2，y-h2，右下角坐標為x+w2，y+h2。候選區(qū)域的數(shù)學(xué)公式可表示為：

L=（R，Q）x-w2<R<x+w2

y-h2<Q<y+h2（6）

式中：R表示候選區(qū)域橫坐標邊界，Q表示候選區(qū)域縱坐標邊界。

將候選區(qū)域的橫縱坐標邊界作為檢測框的觸發(fā)閾值，能夠精確地控制檢測框的檢測范圍，確保干擾信號異常特征被有效捕捉。在限定的檢測框面積內(nèi)，本文制定了一套鐵路信號傳輸節(jié)點干擾數(shù)據(jù)異常識別流程，通過對候選區(qū)域內(nèi)信號特征的分析和比對，準確判斷是否存在異常。如果存在異常干擾，將及時發(fā)出警報并采取相應(yīng)的措施進行處理。

4 實驗

4.1 實驗準備

本文選用某鐵路信號的實測數(shù)據(jù)作為實驗樣本。異常干擾信號仿真參數(shù)設(shè)置：采樣頻率1000 Hz，干擾功率-50～-10 dBm，干擾寬帶1～10 MHz，初始距離1～10 km，感知時間20 s。捕捉到10個具有顯著影響的異常干擾頻點，得到30000點有效數(shù)據(jù)。隨機抽取了樣本數(shù)據(jù)中的40點進行預(yù)測并將預(yù)測結(jié)果與實際干擾頻點進行了對比，如圖1所示。

由圖2可知，本文方法異常干擾頻點預(yù)測值與實際值基本一致，表明該方法的預(yù)測準確率達到了95%以上。

4.2 實驗結(jié)果分析

本文選用賈志超［1］提出的方法、蘆偉東［2］提出的方法為對比方法，分別為方法1和方法2。各方法下預(yù)測誤差距離如表1所示。

從表1中對比數(shù)據(jù)可以看出，方法1和方法2在預(yù)測鐵路信號異常干擾時，預(yù)測頻率與實際頻率差值較大，常超120 kHz，平均誤差分別為139.3 kHz和135.7 kHz。而本文方法預(yù)測誤差顯著減小，平均僅為50.5 kHz，相比對照組分別降低88.8 kHz和85.2 kHz。這一顯著改進證明本文方法能更精準地預(yù)測鐵路信號傳輸節(jié)點異常干擾，為鐵路安全提供有力保障。

5 結(jié)語

基于深度學(xué)習(xí)的鐵路信號傳輸節(jié)點異常干擾預(yù)測研究，不僅提升了預(yù)測精度，更為鐵路信號傳輸?shù)陌踩€(wěn)定提供了堅實的技術(shù)支撐。通過深度挖掘數(shù)據(jù)特征，本文方法有效捕捉了異常干擾信號的細微變化，實現(xiàn)了精準預(yù)測。

參考文獻

［1］賈志超.基于增益分析的無線電通信干擾信號查找及預(yù)測方法［J］.長江信息通信，2023（8）：163-166.

［2］蘆偉東.基于ARIMA的干擾信號發(fā)射規(guī)律預(yù)測［J］.中國無線電，2022（6）：65-67.

［3］趙宏澤，魏光輝，杜雪，等.雷達裝備二階互調(diào)偽信號干擾效應(yīng)預(yù)測模型［J］.強激光與粒子束，2023（8）：93-101.

［4］鮮娟，張宗琪，諶麗，等.電子通信網(wǎng)絡(luò)雙頻突變信號抗干擾預(yù)測方法［J］.計算機仿真，2022（8）：403-406，518.

［5］張慶龍，王玉明，程二威，等.導(dǎo)航接收機跟蹤環(huán)路電磁干擾的預(yù)測方法研究［J］.電子與信息學(xué)報，2021（12）：3656-3661.

（編輯 王雪芬）

Abnormal interference prediction of railway signal transmission nodes based on deep learning

ZHU Dehua

（Shuohuang Railway Development Co.， Ltd.， Yuanping 034100， China）

Abstract： In response to the prediction error caused by frequency fluctuations in railway signal transmission， this article proposes a deep learning based anomaly interference prediction method. This method comprehensively obtains node interference data， extracts key features using data processing techniques， and reflects signal anomalies. Based on deep learning algorithms， construct an interference signal anomaly detection framework to automatically learn and recognize abnormal patterns. Through real-time data input， the framework can quickly output prediction results and accurately predict abnormal interference. Experimental results have shown that the average prediction error distance of this method is 50.5 kHz， which is more than 85 kHz lower than the control group. It achieves accurate prediction of abnormal interference in railway signal transmission nodes and provides strong guarantees for the safe and stable operation of railways.

Key words： deep learning model; railway signal; transmission node; abnormal interference prediction; time domain skewness