磨巧梅

文章針對(duì)鋼軌裂紋聲發(fā)射信號(hào)特性人工提取效率低的問題，應(yīng)用CNN與BiLSTM手段進(jìn)行鋼軌裂紋聲發(fā)射信號(hào)提取的研究，通過預(yù)處理采集的實(shí)際鋼軌裂紋聲發(fā)射信號(hào)，對(duì)其特征信息進(jìn)行提取及分類，分別構(gòu)建基于一維CNN、二維CNN鋼軌裂紋檢測(cè)模型，證明前者效果優(yōu)于后者。根據(jù)鋼軌裂紋信號(hào)擁有時(shí)序的特性，構(gòu)建不同遞歸網(wǎng)絡(luò)鋼軌裂紋檢測(cè)模型，并對(duì)比RNN與LSTM模型檢測(cè)鋼軌裂紋的性能，優(yōu)化BiLSTM鋼軌裂紋檢測(cè)模型的方法證明能夠應(yīng)用于鋼軌裂紋的檢測(cè)。

鋼軌裂紋;聲發(fā)射信號(hào);BiLSTM;一維CNN

U216.4A371304

0 引言

近年來，高速鐵路的發(fā)展已成為全球發(fā)展的一個(gè)重要趨勢(shì)。我國(guó)在鐵路里程數(shù)上取得了全球第一的成績(jī)，創(chuàng)下全球最高列車時(shí)速的傲人紀(jì)錄，令世界嘆服。隨著速度的一次次提升，人們更加注重列車運(yùn)行的安全性。在高速列車運(yùn)行過程中，容易形成輪軌間長(zhǎng)期的反復(fù)接觸，使得鋼軌受重載擠壓力大于普通鋼軌，造成鋼軌出現(xiàn)裂紋的幾率變大。鋼軌裂紋容易出現(xiàn)擴(kuò)展，若不及時(shí)進(jìn)行檢測(cè)并采取防治措施，繼續(xù)在承受強(qiáng)大外力的作用下使用，就會(huì)形成鋼軌斷裂，發(fā)生安全事故。因此，及時(shí)對(duì)鋼軌裂紋進(jìn)行檢測(cè)成為了鐵路安全運(yùn)營(yíng)中最重要的一步[1]。

國(guó)外針對(duì)鋼軌裂紋的研究相比國(guó)內(nèi)要早，美國(guó)某公司早在1928年就利用磁感應(yīng)[2]對(duì)鋼軌裂紋進(jìn)行檢測(cè)，成為了當(dāng)今最早使用鐵路檢測(cè)技術(shù)的國(guó)家。隨著鋼軌裂紋檢測(cè)技術(shù)的深入研究和深度學(xué)習(xí)，其運(yùn)用在故障檢測(cè)中的次數(shù)增多，研究學(xué)者們提出一種深度卷積網(wǎng)絡(luò)[3]（深度CNN），對(duì)鋼軌裂紋進(jìn)行檢測(cè)，為此利用深度學(xué)習(xí)對(duì)鋼軌裂紋聲發(fā)射技術(shù)的研究便慢慢興起。接著美國(guó)學(xué)者用二維信號(hào)表示鋼軌裂紋聲發(fā)射信號(hào)[4]，并基于卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了很好的分類。國(guó)內(nèi)對(duì)鋼軌裂紋檢測(cè)技術(shù)于1951年開始探索，由國(guó)內(nèi)鐵路部門開展，鐵路部門用超聲波技術(shù)對(duì)鋼軌裂紋進(jìn)行檢測(cè)，最常用的檢測(cè)技術(shù)是超聲檢測(cè)與渦流檢測(cè)。但這兩種檢測(cè)方式不能實(shí)現(xiàn)實(shí)時(shí)的軌道探測(cè)，所以我國(guó)大多通過結(jié)合手推式軌道檢測(cè)與全自動(dòng)檢測(cè)技術(shù)作為主要的探測(cè)方式進(jìn)行探測(cè)，這種情況反映出國(guó)內(nèi)對(duì)聲發(fā)射鋼軌裂紋檢測(cè)技術(shù)的深度學(xué)習(xí)和研究較少。為此，國(guó)內(nèi)學(xué)者利用卷積神經(jīng)網(wǎng)絡(luò)識(shí)別鋼軌裂紋所處階段，并選取多次網(wǎng)絡(luò)輸出共同判斷檢測(cè)結(jié)果[5]。中國(guó)科技技術(shù)大學(xué)[6]建立了基于BP神經(jīng)網(wǎng)絡(luò)的模型，并采用深度神經(jīng)網(wǎng)絡(luò)，建立一套智能監(jiān)測(cè)模型。

綜上國(guó)內(nèi)外研究發(fā)現(xiàn)，將聲發(fā)射信號(hào)利用于鋼軌裂紋信號(hào)的檢測(cè)是可行的，但由于其特征信息提取的復(fù)雜性，研究如何在沒有標(biāo)簽數(shù)據(jù)下進(jìn)行網(wǎng)絡(luò)訓(xùn)練成為一項(xiàng)重點(diǎn)任務(wù)。因此，本文對(duì)鋼軌裂紋檢測(cè)方法進(jìn)行進(jìn)一步研究：提取與分類預(yù)處理的鋼軌裂紋數(shù)據(jù)信息，分別基于一維CNN和二維CNN建立檢測(cè)模型，證明CNN適合處理鋼軌裂紋信號(hào);建立監(jiān)督學(xué)習(xí)研究?jī)?nèi)容，利用不同遞歸神經(jīng)網(wǎng)絡(luò)對(duì)鋼軌裂紋進(jìn)行識(shí)別，獲得最佳檢測(cè)效果BiLSTM;對(duì)鋼軌裂紋檢測(cè)模型進(jìn)行優(yōu)化，得到能夠?qū)崿F(xiàn)鋼軌裂紋檢測(cè)的方法。

1 鋼軌裂紋檢測(cè)

本節(jié)詳細(xì)介紹了鋼軌裂紋聲發(fā)射信號(hào)的采集及預(yù)處理過程，并引用此數(shù)據(jù)構(gòu)造分幀樣本集，將樣本集通過時(shí)域、頻域與時(shí)頻域提取特征信息和分類，最后對(duì)樣本進(jìn)行端到端的訓(xùn)練，比較分別嘗試用一維CNN、二維CNN構(gòu)建鋼軌裂紋檢測(cè)模型的效果。

1.1 聲發(fā)射信號(hào)采集及預(yù)處理

鋼軌裂紋進(jìn)行檢測(cè)時(shí)需保持鋼軌裂紋信號(hào)的質(zhì)量，才能構(gòu)造裂紋信號(hào)與噪聲信號(hào)的分幀樣本集，但實(shí)際高速鐵路情況復(fù)雜，獲得的數(shù)據(jù)有多種干擾信號(hào)。因此，想要提供更優(yōu)質(zhì)的鋼軌裂紋聲發(fā)射信號(hào)給后續(xù)實(shí)驗(yàn)，就需要搭建實(shí)驗(yàn)室系統(tǒng)才能滿足要求，而不能直接使用采集到的鋼軌裂紋信號(hào)。

（1）數(shù)據(jù)采集：實(shí)驗(yàn)所采用的數(shù)據(jù)源于某試驗(yàn)場(chǎng)與實(shí)驗(yàn)室，在試驗(yàn)場(chǎng)地鋼軌上施加裂紋信號(hào)，當(dāng)列車經(jīng)過實(shí)驗(yàn)系統(tǒng)時(shí)采集數(shù)據(jù)，將得到的鋼軌裂紋數(shù)據(jù)進(jìn)行檢測(cè)研究。本實(shí)驗(yàn)系統(tǒng)裝置分為模擬裂紋信號(hào)的產(chǎn)生與鋼軌裂紋信號(hào)采集兩部分，由這兩部分組成的實(shí)驗(yàn)系統(tǒng)裝置可得到模擬裂紋信號(hào)時(shí)域圖、模擬裂紋信號(hào)小波圖，通過觀察小波圖又可獲得裂紋持續(xù)時(shí)間及模擬裂紋信號(hào)頻率范圍，為下一步實(shí)際鐵路工況下進(jìn)行實(shí)驗(yàn)做準(zhǔn)備工作。隨后觀察整趟列車聲發(fā)射信號(hào)幅值-時(shí)間圖，得到最大幅值為90 mv，信噪比為-28 db，該數(shù)據(jù)使模擬裂紋信號(hào)完全被覆蓋，且噪聲不斷增加衰減為檢測(cè)帶來巨大困難，所以需要對(duì)數(shù)據(jù)進(jìn)行去噪處理。

（2）數(shù)據(jù)去噪：模擬裂紋信號(hào)擁有其自身的頻譜特點(diǎn)，根據(jù)頻譜特點(diǎn)觀察環(huán)境噪聲與裂紋信號(hào)的小波圖，得到應(yīng)選用200～800 kHz內(nèi)的數(shù)據(jù)進(jìn)行研究。使數(shù)據(jù)能夠固定頻率、帶的信號(hào)及去除范圍外的信號(hào)。本節(jié)選用FIR濾波器作為帶通濾波器進(jìn)行計(jì)算，F(xiàn)IR濾波器函數(shù)如式（1）所示。通過觀察濾波器函數(shù)計(jì)算后頻率內(nèi)帶通濾波器去噪后的信號(hào)圖可以發(fā)現(xiàn)，整段信號(hào)峰值由90 mv降至24 mv，信噪比由-28 db升高至16.5 db，證明了帶通濾波器的效果。

H（z）=a（z）b（z）=∑N-1n=0h（n）z-n（1）

（3）樣本采集設(shè)計(jì)：本文需選取鋼軌裂紋信號(hào)與不同類型的噪聲構(gòu)建鋼軌裂紋檢測(cè)實(shí)驗(yàn)的數(shù)據(jù)集，才能提取鋼軌裂紋的特征信息及提供后續(xù)訓(xùn)練、測(cè)試鋼軌裂紋檢驗(yàn)的算法。本節(jié)對(duì)裂紋信號(hào)與5類噪聲進(jìn)行數(shù)據(jù)分幀，單個(gè)樣本長(zhǎng)度選取量為1 024個(gè)，最后得到48 681個(gè)樣本，并采用獨(dú)熱編碼進(jìn)行分類標(biāo)記，如表1所示。

1.2 鋼軌裂紋特征提取

基于時(shí)域、頻域與時(shí)頻域的特征分析可發(fā)現(xiàn)，需要設(shè)計(jì)一分類器將三者合在一起才能實(shí)現(xiàn)區(qū)分噪聲與裂紋信號(hào)。因此，本文采用具有很好的非線性擬合能力、可以擬合不同的函數(shù)及適應(yīng)于多分類任務(wù)的BP網(wǎng)絡(luò)進(jìn)行任務(wù)的多分類。各類噪聲以裂紋信號(hào)在BP網(wǎng)絡(luò)中的準(zhǔn)確率如表2所示。

由表2可以發(fā)現(xiàn)，BP網(wǎng)絡(luò)信號(hào)能很好地識(shí)別常規(guī)噪聲，但面對(duì)裂紋信號(hào)時(shí)信號(hào)精度會(huì)下降，表明鋼軌裂紋與噪聲特征提取與各種噪聲的干擾有關(guān)，側(cè)面反映出現(xiàn)有技術(shù)在解決鋼軌裂紋檢測(cè)方面不能很好地體現(xiàn)出其優(yōu)異之處，因此，需通過提升鋼軌裂紋檢測(cè)的精度來實(shí)現(xiàn)鋼軌裂紋有效特征信息的提取。

1.3 CNN模型搭建及實(shí)驗(yàn)對(duì)比與分析

CNN與現(xiàn)有人工設(shè)計(jì)提取方法不同，因?yàn)镃NN可以實(shí)現(xiàn)特征的自動(dòng)化提取[7]，及一維特性是鋼軌裂紋信號(hào)特有的表現(xiàn)方式這一特點(diǎn)，所以采用一維CNN對(duì)其進(jìn)行處理所得結(jié)果的解釋性更強(qiáng)。本節(jié)將采用一維CNN來構(gòu)建鋼軌裂紋模型與二維CNN構(gòu)建模型進(jìn)行對(duì)比，分析兩種方法的檢測(cè)效果。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

一維CNN鋼軌裂紋檢測(cè)模型樣本尺寸數(shù)據(jù)為1 024×1，數(shù)據(jù)集包括裂紋信號(hào)和5種噪聲，共6類信號(hào)，所以輸入層尺寸數(shù)據(jù)為1 024×1，輸出層尺寸數(shù)據(jù)為6×1。一維CNN模型如圖2所示。為了適應(yīng)二維CNN構(gòu)建，需將一維樣本尺寸1 024×1的維度更換為二維矩陣32×32后再進(jìn)行數(shù)據(jù)的輸入，二維CNN數(shù)據(jù)集包括裂紋信號(hào)和5種噪聲，共6類信號(hào)，輸出層為6×1。二維CNN模型如圖3所示。

為了更好地驗(yàn)證模型的有效性，本實(shí)驗(yàn)基于Tensorflow框架[8]運(yùn)用Python語言和計(jì)算機(jī)應(yīng)用完成網(wǎng)絡(luò)模型的構(gòu)建，從中選取樣本的信號(hào)，并選取7/10作為樣本進(jìn)行訓(xùn)練，其余3/10檢測(cè)網(wǎng)絡(luò)性能，學(xué)習(xí)率設(shè)定0.001。整個(gè)CNN的檢測(cè)效果可以通過誤差的收斂曲線很好地反映，因此通過對(duì)比一維CNN與二維CNN建立模型的損失函數(shù)和準(zhǔn)確率曲線，可以評(píng)估兩類模型的鋼軌裂紋檢測(cè)效果。損傷函數(shù)如圖4所示。準(zhǔn)確率曲線如圖5所示。

由圖4和圖5可以看出，一維CNN模型損失函數(shù)下降快，且最終收斂時(shí)損失函數(shù)值也明顯小于二維CNN模型，最終準(zhǔn)確率為84.51%，要高于BP分類器的準(zhǔn)確率，可以看出一維CNN檢測(cè)性能要優(yōu)于二維CNN。

2 BiLSTM的鋼軌裂紋檢測(cè)

鋼軌裂紋聲發(fā)射信號(hào)是一種具有上下聯(lián)系的時(shí)序信號(hào)，為此基于RNN與LSTM的遞歸網(wǎng)絡(luò)來捕捉鋼軌裂紋時(shí)序信號(hào)[9]，將準(zhǔn)確率進(jìn)行對(duì)比分析，得到適合的測(cè)試方法。

2.1 構(gòu)建網(wǎng)絡(luò)模型

根據(jù)遞歸神經(jīng)網(wǎng)絡(luò)可以很好地解決鋼軌裂紋時(shí)序信號(hào)檢測(cè)的問題這一理論[10]，構(gòu)建RNN、LSTM、BiLSTM三種遞歸網(wǎng)絡(luò)，并對(duì)比鋼軌裂紋信號(hào)檢測(cè)的效果。選取前文鋼軌裂紋輸入的6類信號(hào)，選擇幀長(zhǎng)128，幀移32，網(wǎng)絡(luò)輸入128×1來減少循環(huán)網(wǎng)絡(luò)神經(jīng)結(jié)構(gòu)。構(gòu)建RNN模型結(jié)構(gòu)如圖6所示;構(gòu)建LSTM模型結(jié)構(gòu)如圖7所示;構(gòu)建BiLSTM模型結(jié)構(gòu)如圖8所示。

2.2 實(shí)驗(yàn)數(shù)據(jù)對(duì)比

RNN、LSTM、BiLSTM三種網(wǎng)絡(luò)程序的運(yùn)行配置與鋼軌裂紋特征提取配置一致，設(shè)置7/10進(jìn)行訓(xùn)練，3/10檢測(cè)網(wǎng)絡(luò)性能，學(xué)習(xí)率為0.001。三類模型訓(xùn)練損失函數(shù)如圖9所示;各模型準(zhǔn)確率曲線如圖10所示。由圖9～10可以看出，RNN損失函數(shù)小于另外兩者，但損失值最大。而BiLSTM與LSTM對(duì)比，前者損失函數(shù)值下降最快，且最終損失函數(shù)值要小于后者，所以BiLSTM檢測(cè)性能要比LSTM性能好，準(zhǔn)確率也高于LSTM。三類模型的準(zhǔn)確率隨著迭代次數(shù)的增加逐漸提高，在對(duì)比三類模型后發(fā)現(xiàn)僅有BiLSTM的準(zhǔn)確率在不斷提升，其最終準(zhǔn)確率為87.57%，證明了BiLSTM檢測(cè)效果要優(yōu)于其余兩者。

為了進(jìn)一步探索得到最優(yōu)的模型參數(shù)，并提高檢測(cè)準(zhǔn)確率，使其達(dá)到檢測(cè)效果，繼續(xù)對(duì)檢測(cè)模型進(jìn)行優(yōu)化，發(fā)現(xiàn)網(wǎng)絡(luò)層數(shù)與每層隱藏節(jié)點(diǎn)數(shù)為檢測(cè)模型待優(yōu)化的參數(shù)?，F(xiàn)對(duì)三種模型中具有最佳檢測(cè)效果的BiLSTM模型進(jìn)行分析，先構(gòu)造兩層BiLSTM層，再分別選用64、128、256、512作為模型的隱藏節(jié)點(diǎn)，實(shí)驗(yàn)對(duì)比結(jié)果如表3所示。由表3可以看出，節(jié)點(diǎn)512與256對(duì)比，僅提升了0.1%，沒有發(fā)生很大的變化，所以根據(jù)成本，隱藏節(jié)點(diǎn)選用256為最優(yōu)。

其次選用隱藏節(jié)點(diǎn)數(shù)為256，分別對(duì)LSTM與BiLSTM進(jìn)行分析。對(duì)前者網(wǎng)絡(luò)層數(shù)設(shè)置為4層，后者設(shè)置為3層，構(gòu)造網(wǎng)絡(luò)并進(jìn)行訓(xùn)練，比較兩種模型不同層數(shù)對(duì)鋼軌裂紋檢測(cè)準(zhǔn)確率的影響。如表4所示。

由表4可以看出，LSTM準(zhǔn)確率隨網(wǎng)絡(luò)層次數(shù)目的增加，先上升后下降，在4層的時(shí)候準(zhǔn)確率最大，為88.81%，超過4層又下降，所以LSTM選用隱藏節(jié)點(diǎn)256，網(wǎng)絡(luò)層數(shù)4層時(shí)為最佳檢測(cè)效果;BiLSTM準(zhǔn)確率增加到一定程度后繼續(xù)下降，在3層的時(shí)候準(zhǔn)確率最大，為89.15%，僅比2層高了0.23%，而4層時(shí)的準(zhǔn)確率均比2、3層時(shí)準(zhǔn)確率小，且用時(shí)也會(huì)延長(zhǎng)。為此考慮成本與檢測(cè)精度，BiLSTM網(wǎng)絡(luò)層選用隱藏節(jié)點(diǎn)256，網(wǎng)絡(luò)層數(shù)2層時(shí)為最佳檢測(cè)效果。

3 優(yōu)化雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的鋼軌裂紋檢測(cè)模型

3.1 改進(jìn)BiLSTM模型的搭建

相比較BP網(wǎng)絡(luò)分類器，鋼軌裂紋信號(hào)的一維特性能很好地被一維CNN模型適應(yīng)，提取鋼軌裂紋局部特性信號(hào)，但沒考慮到鋼軌裂紋信號(hào)的時(shí)序信息。而BiLSTM考慮了裂紋信號(hào)時(shí)序信息，可以捕捉長(zhǎng)期依賴關(guān)系，擁有比一維CNN更高的準(zhǔn)確度，但提取特性信息的能力較弱。為此通過將兩者結(jié)合，提出一種改進(jìn)的BiLSTM結(jié)構(gòu)，更好地進(jìn)行鋼軌裂紋檢測(cè)，并構(gòu)建全連接層對(duì)鋼軌裂紋檢測(cè)進(jìn)行預(yù)測(cè)。網(wǎng)絡(luò)模型如圖11所示。

3.2 實(shí)驗(yàn)結(jié)果與分析

采用預(yù)處理裂紋聲發(fā)射信號(hào)作為輸入數(shù)據(jù)，根據(jù)與前文相同的計(jì)算方法進(jìn)行計(jì)算，通過數(shù)據(jù)圖分析得到平均準(zhǔn)確率為91.24%，隨后將表現(xiàn)最好的不同模型準(zhǔn)確率進(jìn)行對(duì)比，如表5所示，可以看出，一維CNN與BiLSTM結(jié)合模型的準(zhǔn)確率相比前四者都有提升，且達(dá)到了最高準(zhǔn)確率，為91.24%。將此數(shù)據(jù)導(dǎo)入混淆矩陣進(jìn)行評(píng)估，得到每類信號(hào)準(zhǔn)確率均為90%以上，證明改進(jìn)的BiLSTM模型可以對(duì)復(fù)雜情況下的鋼軌裂紋信號(hào)進(jìn)行檢測(cè)。

4 結(jié)語

本文通過真實(shí)情況下采集得到鋼軌裂紋聲發(fā)射信號(hào)，經(jīng)過預(yù)處理后進(jìn)行分類與特征提取，針對(duì)CNN和BiLSTM的鋼軌裂紋檢測(cè)方法進(jìn)行研究，并提出一種基于一維CNN和BiLSTM結(jié)合的有監(jiān)控鋼軌裂紋檢測(cè)模型，優(yōu)化BiLSTM鋼軌裂紋檢測(cè)模型，實(shí)現(xiàn)更好的鋼軌裂紋信號(hào)檢測(cè)。主要結(jié)論如下：

（1）利用預(yù)處理采集的聲發(fā)射信號(hào)構(gòu)建分幀樣本集，提取鋼軌裂紋和5種噪聲的特征，通過BP網(wǎng)絡(luò)設(shè)計(jì)檢測(cè)模型，得到73.62%的準(zhǔn)確率。結(jié)果表明，鋼軌裂紋與噪聲特征提取與各種噪聲的干擾有關(guān)，需通過提升鋼軌裂紋檢測(cè)的精度，才能實(shí)現(xiàn)鋼軌裂紋有效特征信息的提取。

（2）分別構(gòu)建基于一維CNN與二維CNN的鋼軌裂紋檢測(cè)模型，對(duì)比兩種方法，采用一維CNN可以有效地檢測(cè)鋼軌裂紋信息，且準(zhǔn)確率為84.51%。證明了一維CNN效果優(yōu)于二維CNN。

（3）針對(duì)鋼軌裂紋時(shí)序信息，分別構(gòu)建基于RNN、LSTM、BiLSTM的鋼軌裂紋檢測(cè)模型，對(duì)其進(jìn)行檢測(cè)分析與模型的進(jìn)一步優(yōu)化。結(jié)果表明，有且僅有隱藏節(jié)點(diǎn)為256、網(wǎng)絡(luò)層次為2層時(shí)，BiLSTM模型檢測(cè)效果最佳，準(zhǔn)確率為88.92%。

（4）基于一維CNN提取特征信號(hào)的特性及BiLSTM擁有時(shí)序信息與捕捉長(zhǎng)期依賴關(guān)系的特性，得到一維CNN與BiLSTM相結(jié)合的高效率檢測(cè)性能的模型，檢測(cè)準(zhǔn)確率達(dá)到91.24%，能實(shí)現(xiàn)復(fù)雜情況下鋼軌裂紋的檢測(cè)工作。

[1]顧桂梅，賈文晶.鋼軌軌底裂紋紅外熱波無損檢測(cè)數(shù)值模擬分析[J].紅外技術(shù)，2018，40（3）：294-299.

[2]高運(yùn)來.鐵路鋼軌裂紋的在線高速漏磁巡檢[D].南京：南京航空航天大學(xué)，2013.

[3]X.Ding，Q.He，Energy-fluctuated multiscale feature learning with deepconvnet for intelligent spindle bearing fault diagnosis[J].IEEE Transactions on Instrumentation and Measurement，2017，66（8）：1 926-1 935.

[4]于金濤.直升機(jī)復(fù)合材料試件聲發(fā)射信號(hào)處理算法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2012.

[5]韓瑞東.基于卷積網(wǎng)絡(luò)與長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的鋼軌裂紋檢測(cè)方法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2019.

[6]林 楊，高思煜，劉同舜，等.基于深度學(xué)習(xí)的高速銑削刀具磨損狀態(tài)預(yù)測(cè)方法[J].機(jī)械與電子，2017，35（7）：12-17.

[7]顏 荔.基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像飛機(jī)目標(biāo)識(shí)別研究[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2018.

[8]袁群勇.深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練優(yōu)化方法研究[D].廣州：華南理工大學(xué)，2020.

[9]周長(zhǎng)義，孫 偉.基于聲發(fā)射檢測(cè)的鋼軌斷裂實(shí)時(shí)監(jiān)測(cè)及定位方法研究[J].鐵道科學(xué)與工程學(xué)報(bào)，2020，17（1）：232-238.

[10]徐東坡.遞歸神經(jīng)網(wǎng)絡(luò)梯度學(xué)習(xí)算法的收斂性[D].大連：大連理工大學(xué)，2009.

[11]劉禮文，俞 弦.循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）及應(yīng)用研究[J].科技視界，2019（32）：54-55.