（中铁第五勘察设计院集团有限公司，北京 102600）

1 研究现状

深度学习强大的自动特征提取能力，为暂态信号辨识、故障信息的提取提供了新的思路。数据驱动下的新一代人工智能由传统的知识表示转向深度、自主知识学习，不再需要人的过多干预，展现出更加智能的一面。深度学习作为机器学习的一个新的重要的分支，近年来在语音图像识别、目标特征检测、文本处理等领域中取得了跨越性的进展，快速成为人工智能技术的研究热点。深度学习思想最早建立在模拟人脑对声音、图像、文本等信号处理的机理上，以图像为例，首先检测边缘、初始形状，再逐步形成更复杂的视觉形状。深度学习可以理解为多隐含层的神经网络，通过学习一种深层非线性网络结构实现对任意复杂函数的逼近，表征数据的分布式表示。深度学习重点突出网络的深层结构和特征的自动学习，通过组合低层特征形成更加抽象的高层表示，更深的层次使其具有更强的自动提取数据特征的能力。目前，普遍为人所接受的深度学习模型包括卷积神经网络、基于受限玻尔兹曼机的深度信念网络、循环神经网络、基于自动编码器的堆叠自动编码器等。

当前，在高速电气化铁道领域，深度学习的研究与应用已逐步展开，其中应用较为频繁的深度学习网络模型包括：CNN、RNN、DBN和SAE，主要应用的领域包括电力设备（如隔离开关、变压器、断路器等）的故障诊断、电力设备图像辨识、电力系统暂态稳定的评估、电力大数据融合与电能质量扰动的辨识、异常诊断等。……