道路传感器监测数据异常辨识方法
足尺加速加载试验场具有复杂的路面结构,其中埋设了多种传感器用于监测路面性能的各项指标.由于传感器采集的数据具有高频海量的特点,使用传统方法进行异常数据的辨识效率低且精度差.针对该问题,本文通过特定软件将原始高频采集数据进行可视化,再将得到的可视化后数据进行类别标注,以此作为原始数据集;接下来针对可视化后的数据形状特征突出的特点,本文选择了一种轻量级的卷积神经网络模型GhostNet对传感器监测数据进行异常自动辨识;通过设计各项参数并对该网络模型进行训练,最终在验证集上测试的结果发现:异常数据的辨识率高达99%.通过与常规分类模型ResNet50(残差神经网络)对比,GhostNet网络模型的异常辨识准确率提升了11%,能够在海量道路传感器监测数据中快速辨识异常数据,为道路传感器故障监测提供有力的数据支持.
道路感知、GhostNet、ResNet50、特征提取、异常数据辨识、传感器
31
U455.43;TP391.41;TP273
国家重点研发计划;长安大学博士研究生创新能力培养项目
2022-05-17(万方平台首次上网日期,不代表论文的发表时间)
共7页
338-344