卷积神经网络在轨道交通中的应用

在城市轨道交通领域，项目正式运营前需要对各子系统进行细致的系统级测试。传统的系统测试方法是，测试人员根据需求编写的测试案例，逐项逐条地根据测试步骤，点击计算机中的应用程序界面，进行操作。这其中存在大量的类似应用场景，且往往需要重复一些繁琐的界面操作。这不仅耗费了测试人员大量的时间，且存在人对场景界面的误操作情况。

国内外的卷积神经网络算法研究已经取得了很多重要的成果，现阶段的应用领域主要集中在无人驾驶 [1]、自然语言处理 [2] 和图像识别 [3] 等，且研究的改进方法主要包括 ：图像特征融合技术 [4]、图像预处理技术 [5]、算法结构改进技术 [6] 等。针对城市轨道交通领域系统测试的深度学习 [7] 方面的技术研究非常少，而且由于城市轨道交通系统测试有其自身的特殊性，往往需要针对特定的测试场景进行算法的优化处理和卷积核优化技术方面的研究。

因此，本文引入图像识别技术，通过构建分层 压缩卷积神经网络模型并采用了一种卷积核优化技术，自动模拟测试人员对图形界面的操作过程，把 测试人员的主要精力从繁琐的图形界面操作中释放 出来，提高城市轨道交通信号系统测试质量和测试 效率，具有较高的实用价值。

有深度学习领域的从业者可以讨论交流：

基于卷积神经网络优化算法的列车智能测试系统技术研究，铁路计算机应用，2019.05,1/7 CNKI: http://cnki.sris.com.tw/kcms/detail/detail.aspx?QueryID=6&CurRec=1&DbCode=CJFD&dbname=CJFDLAST2019&filename=TLJS201905002