基于机器学习的轨道电路状态判断

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。