CN119442080A 基于多模态数据融合的地铁隧道渗漏水监控方法及系统 （山东大学）

司基于多模态数据融合的地铁隧道渗漏水监尤其涉及一种基于多模态数据融合的地铁隧道神经网络分别对数据集以及时空关联特征进行2通过数据融合算法对提取到的特征参数进行融合分析，评估渗漏水的位置和严重程结合地铁隧道的时空信息，利用动态时间规整方法对最优特征子集进行时空关联分利用卷积神经网络及循环神经网络对多源传感器时间序列数据和时空关联特征特征2.如权利要求1所述的一种基于多模态数据融合的地铁隧道渗漏水监控方法，其特征各种传感器之间协调工作，某一传感器检测到3.如权利要求2所述的一种基于多模态数据融合的地铁隧道渗漏水监控方法，其特征所述图像传感器安装在隧道的内部区域，用于基于光学或红外成像技所述温度传感器设置在隧道的顶部、墙壁和/或地面上，用于采集物体表面的温度数所述化学传感器设置在隧道内部墙壁和/或地面上，用于通过化学反应监测水质变化4.如权利要求2所述的一种基于多模态数据融合的地铁隧道渗漏水监控方法，其特征5.如权利要求1所述的一种基于多模态数据融合的地铁隧道渗漏水监控方法，其特征36.如权利要求1所述的一种基于多模态数据融合的地铁隧道渗漏水监控方法，其特征将融合分析的结果传输至地铁运营管理中心或相关部门，根在实施修复与整治措施过程中，传感器继续监控渗漏水病害7.如权利要求1所述的一种基于多模态数据融合的地铁隧道渗漏水监控方法，其特征将融合后的高层特征输入自编码器中进行异常检测，将异结合高层特征融合后的综合特征以及渗漏水风险等级，利所述多模态数据采集子系统用于获取地铁隧道内的多源传感器时间序所述数据融合分析子系统包括特征提取模块和融合所述特征提取模块用于对多源传感器时间序列数据进行特征提取，提取出所述融合分析模块用于通过数据融合算法对提取到的特征参数进行结合地铁隧道的时空信息，利用动态时间规整方法对最优特征子集进行时空关联分利用卷积神经网络及循环神经网络对多源传感器时间序列数据和时空关联特征特征权利要求1_7任一项所述的一种基于多模态数据融合的地铁隧道渗漏水监控方法中的步特征在于，所述处理器执行所述程序时实现如权利要求1_7任一项所述的一种基于多模态4[0002]本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技络也在持续扩展。地铁隧道的安全运营对于保障城市交通的流畅与乘客的安全至关重要。[0014]利用卷积神经网络及循环神经网络对多源传感器时间序列数据和时空关联特征5[0024]利用卷积神经网络及循环神经网络对多源传感器时间序列数据和时空关联特征执行时实现如本发明第一方面所述的一种基于多模态数据融合的地铁隧道渗漏水监控方多模态数据融合的地铁隧道渗漏水监控方法[0031]3、本发明生成的数据分析报告可以为地铁运营管理中心或相关部门提供准确的6[0034]图1为第一个实施例的一种基于多模态数据融合的地铁隧道渗漏水监控方法流程[0040]如图1所示，本实施例公开了一种基于多模态数据融合的地铁隧道渗漏水监控方78Max归一化将不同特征转换到相同的量纲和[0078]从初步融合后的特征集中选择最具代表性的特征，以减少冗余信息和计算复杂Y＝{y1n}训练支持向量机[0089](2)计算两个时间序列之间的欧氏距离矩阵D，矩阵元素D(i，j)表示时间序列Xi9卷积神经网络(CNN)和循环神经网络(RNN)相结合的+b(l)[0107](1)从多模态数据中提取的高层特征向量h(f)作为输入；使用全连接层(Fully[0115]计算编码器与解码器之间的重构误差将其作为异常检测的依据，[0121]利用高层特征融合后的综合特征h(c)和分类结果y，结合传感器位置L进行位置推[0136]其中，为给定风险等级yi的情况下，传感器特征的条件概率；[0148]在实施修复与整治措施过程中，传感器继续监控渗漏水[0155]数据融合分析子系统2包括特征提取模块和融合分析模块；特征提取模块用于对[0160]智能预警子系统智能预警模块、修复与整治措施发布模块以及修复效果展示模公开实施例1所述的一种基于多模态数据融合的地铁隧道渗漏水监控述处理器执行所述程序时