基于深度学习的铁路信号传输节点异常干扰预测

摘要：针对铁路信号传输过程中频率波动导致的预测误差问题，文章设计了一种基于深度学习的异常干扰预测方法。该方法全面获取节点干扰数据，利用数据处理技术提取关键特征，反映信号异常情况。基于深度学习算法，文章构建了干扰信号异常检测框架，自动学习和识别异常模式。通过实时数据输入，该框架能迅速输出预测结果，准确预测异常干扰。实验证明，该方法平均预测误差距离为50.5 kHz，相比对照组降低85 kHz以上，实现了对铁路信号传输节点异常干扰的精准预测，为铁路安全稳定运行提供了有力保障。

关键词：深度学习模型；铁路信号；传输节点；异常干扰预测；时域偏度

中图分类号：TP399 文献标志码：A

0 引言

随着铁路交通的快速发展，铁路信号系统作为保障列车安全、高效运行的关键环节，其稳定性和可靠性显得尤为重要。在实际铁路信号传输节点异常干扰预测中，贾志超［1］研究了无线电通信过程中干扰信号的来源、特性及传播规律。该方法通过增益分析，精确识别并定位干扰信号，有效提高了干扰信号查找的准确性和效率。芦伟东［2］通过对实际铁路信号数据的分析，构建了合适的ARIMA模型并成功应用于异常干扰信号的预测。然而，该模型在实际运行过程中仍存在一些问题，导致信号传输质量下降甚至中断，给铁路运营带来安全隐患。因此，本文提出基于深度学习的铁路信号传输节点异常干扰预测方法。

1 获取铁路信号传输节点干扰数据

本文采用频谱分析仪［3］对铁路信号传输节点的干扰数据进行精确采集，实时捕捉并分析信号发送设备发出的高频无线电信号X（t）在传输过程中受到的各类干扰。获取的铁路信号传输节点干扰数据为：

Y（t）=X（t）+N（t）+Z（t）（1）

式中：N（t）表示在信号传输过程中引入的干扰信号，Z（t）表示传输过程中的噪声信号，t表示信号传输时间。

针对原始数据中掺杂的噪声信号，本文采用小波阈值去噪法滤除噪声，得到去噪后的信号如式（2）所示。

Y′（t）=IDWTW，W≥λ

0，W<λ（2）

式中：IDWT表示小波逆变换，W表示含噪信号的小波系数，λ表示阈值。

将大于阈值的小波系数保留下来，再进行反变换，得到清晰的信号。

2 提取铁路信号传输节点干扰数据异常特征

构建铁路信号传输节点干扰数据的观测矩阵，考虑到傅里叶基函数的特性，本文选取了能够反映数据高频分量和长期平稳分量的参数作为基准［5］，从而形成了特定的基准函数。小波逆变换得到的去噪处理的铁路信号传输节点干扰数据，这r7dzUTTtp9apq6++kYeMT0Q4IlQJFvYA4icMpQLCDcQ=些数据与基准函数共同构成了观察矩阵的构建基础。为了确保特征提取结果的准确性，本文分别针对不同特征展开提取，主要包含以下几种：

2.1 时域内的偏度

在时域分析中，偏度是一个重要的统计量，用于衡量数据分布的偏斜程度。针对铁路信号传输节点干扰数据，提取其在不同时域波形下的偏度特征。计算公式为：

S=n∑ni=1（xi-x）3（n-1）（n-2）σ3（3）

式中：n表示数据点的数量，xi表示每个数据点，x表示数据的均值，σ表示数据的标准差。偏度值大于观察矩阵表示铁路信号传输节点干扰数据异常右偏，小于观察矩阵表示铁路信号传输节点干扰数据异常左偏，接近观察矩阵则表示铁路信号传输节点干扰数据分布相对对称。

2.2 包络起伏程度

在深入研究铁路信号传输节点干扰数据时，包络起伏程度的计算是揭示数据动态特性的关键。包络起伏主要由信号波峰的变动情况决定，因此，可以通过计算波峰间的差异和变化趋势来量化这一异常特性。具体的计算式可以基于信号波峰的高度差进行设计。k是波峰的索引，相邻波峰间的高度差h（k）：

h（k）=x（k）-x（k-1）（4）

2.3 瞬态能量

在提取铁路信号传输节点干扰数据的瞬态能量异常特征时，瞬态能量通常与信号的幅度和频率的快速变化相关。因此，通过计算信号的短时能量来量化这一特征。

每帧的瞬态能量E可以通过计算该帧内信号幅度的平方和来得到，公式如下：

E=∑Nn=1|xi（n）|2（5）

式中：N表示每帧信号的长度，xi（n）表示第i帧信号。通过比较不同帧的能量值，可以识别出能量异常的区域，这些区域可能对应于信号中的瞬态干扰。

3 利用深度学习构建干扰信号异常检测框

深度学习模型不仅拥有强大的泛化能力，能应对多样化的干扰信号异常检测场景，还能通过大量数据的训练，持续优化自身性能，从而确保检测结果的准确性和可靠性。本文利用训练好的深度学习模型对新的铁路信号传输节点干扰数据进行异常检测。通过计算输入数据的特征表示与模型学习到的正常信号特征之间的距离或相似度，可以判断该数据是否存在异常。如果存在异常，则进一步利用模型输出的异常类别或概率信息进行标识和处理。

默认初始深度学习模型为干扰信号异常检测框，在设置2∶1纵横比的锚框后，深度学习模型能够更精确地处理干扰信号异常检测的像素点。假设锚框的宽度为w，高度为h，对于每个像素点（x，y），以其为中心，根据锚框的尺寸w和h来定义一个候选区域。这个候选区域的左上角坐标为x-w2，y-h2，右下角坐标为x+w2，y+h2。候选区域的数学公式可表示为：

L=（R，Q）x-w2<R<x+w2

y-h2<Q<y+h2（6）

式中：R表示候选区域横坐标边界，Q表示候选区域纵坐标边界。

将候选区域的横纵坐标边界作为检测框的触发阈值，能够精确地控制检测框的检测范围，确保干扰信号异常特征被有效捕捉。在限定的检测框面积内，本文制定了一套铁路信号传输节点干扰数据异常识别流程，通过对候选区域内信号特征的分析和比对，准确判断是否存在异常。如果存在异常干扰，将及时发出警报并采取相应的措施进行处理。

4 实验

4.1 实验准备

本文选用某铁路信号的实测数据作为实验样本。异常干扰信号仿真参数设置：采样频率1000 Hz，干扰功率-50～-10 dBm，干扰宽带1～10 MHz，初始距离1～10 km，感知时间20 s。捕捉到10个具有显著影响的异常干扰频点，得到30000点有效数据。随机抽取了样本数据中的40点进行预测并将预测结果与实际干扰频点进行了对比，如图1所示。

由图2可知，本文方法异常干扰频点预测值与实际值基本一致，表明该方法的预测准确率达到了95%以上。

4.2 实验结果分析

本文选用贾志超［1］提出的方法、芦伟东［2］提出的方法为对比方法，分别为方法1和方法2。各方法下预测误差距离如表1所示。

从表1中对比数据可以看出，方法1和方法2在预测铁路信号异常干扰时，预测频率与实际频率差值较大，常超120 kHz，平均误差分别为139.3 kHz和135.7 kHz。而本文方法预测误差显著减小，平均仅为50.5 kHz，相比对照组分别降低88.8 kHz和85.2 kHz。这一显著改进证明本文方法能更精准地预测铁路信号传输节点异常干扰，为铁路安全提供有力保障。

5 结语

基于深度学习的铁路信号传输节点异常干扰预测研究，不仅提升了预测精度，更为铁路信号传输的安全稳定提供了坚实的技术支撑。通过深度挖掘数据特征，本文方法有效捕捉了异常干扰信号的细微变化，实现了精准预测。

参考文献

［1］贾志超.基于增益分析的无线电通信干扰信号查找及预测方法［J］.长江信息通信，2023（8）：163-166.

［2］芦伟东.基于ARIMA的干扰信号发射规律预测［J］.中国无线电，2022（6）：65-67.

［3］赵宏泽，魏光辉，杜雪，等.雷达装备二阶互调伪信号干扰效应预测模型［J］.强激光与粒子束，2023（8）：93-101.

［4］鲜娟，张宗琪，谌丽，等.电子通信网络双频突变信号抗干扰预测方法［J］.计算机仿真，2022（8）：403-406，518.

［5］张庆龙，王玉明，程二威，等.导航接收机跟踪环路电磁干扰的预测方法研究［J］.电子与信息学报，2021（12）：3656-3661.

（编辑 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