16、轨道交通ATO系统优化与专利文本分类新方法

轨道交通ATO系统优化与专利文本分类新方法

1. 轨道交通ATO系统优化

在轨道交通ATO系统的研究中，发现七阶多项式函数的拟合效果最佳，理想铁路速度 - 距离的拟合目标曲线能为后续研究提供重要参考。

在多目标优化模型的实验分析与验证方面，通过程序分析可知，随着遗传代数的增加，每一代的最佳个体适应值显著降低，在第80代之后目标值趋于稳定。这表明遗传算法的多目标评估是有效的。同时，各单目标性能的评估结果也证明，所有个体都落在允许误差范围内，完全符合既定数学模型的要求。

ATO系统的多目标最优控制策略结合了多目标优化、数学模型、遗传算法、层次分析法、余弦相似度、MATLAB编程以及ATO系统的结构和控制特点，设计出一套多目标优化控制策略模型，用于指导列车自动驾驶，实现行驶过程中各种性能的控制优化。

2. 专利文本分类现状与挑战

传统的专利分类依赖人工，这要求工作人员具备较强的专业背景，且效率低下。同时，细分类别之间的高度相似性也极大地影响了分类的准确性。因此，需要自动分类方法来加快专利分类速度并提高准确性。

随着人工智能技术的发展，深度学习模型在文本分类中得到了广泛应用。但现有的模型存在一些问题，例如CNN网络难以充分利用文本的全局结构和上下文依赖信息，LSTM对短语级信息不够敏感。

3. 短语 - 上下文融合特征（PCFF）模型

3.1 PCFF模型结构

PCFF模型主要分为四层：
- 文本输入层：使用预训练语言模型将输入的专利文本数据向量化。
- 特征提取层：由短语特征提取和上下文特征提取组成。CNN提取局部短语特征，BiLSTM