基于轻量化多尺度神经网络的ZPW-2000移频信号检测方法

Detection of ZPW-2000 Frequency Shift Signal Based on Lightweight Multi-Scale Neural Network

摘要

针对ZPW-2000移频信号在不平衡牵引电流干扰时低频信号难以检测的问题，提出基于卷积注意力模块的轻量化多尺度神经网络的移频信号低频信息检测方法。首先，根据ZPW-2000移频信号的载频范围，使用不同卷积核大小的多尺度层提取相应载频调制下的移频信号特征；其次，建立线性倒残差模块实现网络轻量化，在保证网络检测准确率的同时减少网络参数，缩短网络检测时长；最后，引入卷积注意力模块，标定通道和空间特征权重，提升网络性能，通过全连接层进行分类，输出18种低频信号的概率分布。结果表明：将含有工频谐波干扰等5类噪声的移频信号输入低频检测模型中进行检测，平均准确率可达99.22%，召回率达到99.21%，综合评价指标值为0.992，检测时间不超过0.249 s。该方法检测效果更优，具有良好的抗干扰能力，可为带内噪声干扰条件下检测ZPW-2000移频信号的低频信息提供重要参考。

Abstract

To address the challenge in detecting low-frequency signals in ZPW-2000 frequency shift signals under unbalanced traction current interference, lightweight multi-scale neural network approach based on a convolutional attention mechanism is proposed for low-frequency signal detection. First, multi-scale layers with different convolutional kernel sizes are employed to extract frequency-shift signal features across various carrier frequency modulations, based on the carrier frequency range of ZPW-2000 signals. Second, an inverse residual linear bottleneck is introduced to optimize the network's efficiency, reducing parameters and shortening detection time while maintaining high detection accuracy. Finally, the Convolutional Block Attention Module is introduced to calibrate channel and spatial feature weights, thereby enhancing network performance. Classification is performed through a fully connected layer, producing the probability distribution of 18 types of low-frequency signals. Experimental results indicate that when frequency shift signals containing five types of noise, including power-frequency harmonic interference, are input into the low-frequency detection network, the average accuracy reaches 99.22%, the recall rate 99.21%, and the F1 score 0.992, with detection time not exceeding 0.249 seconds. Compared to traditional detection methods, the proposed method excels in detection performance and robust anti-interference capabilities, providing a valuable reference for detecting low-frequency information of ZPW-2000 frequency-shift signals under in-band noise interference conditions.

Graphical abstract

关键词

轻量化卷积神经网络 / 谐波干扰 / 多尺度神经网络 / 信号检测 / ZPW-2000移频信号

Key words

Lightweight convolutional neural network / Harmonic interference / Multi-scale parallel computing Neural network / Signal detection / ZPW-2000 frequency shift signal

牵引供电系统在铁路领域的应用逐年增加，轨道电路系统的工作环境愈加复杂^［1-3］，ZPW-2000移频信号更易受到电磁干扰影响。牵引回流和ZPW-2000轨道电路移频信号共用一个传输通道，由于现场环境影响而产生的不平衡牵引回流及高次谐波可能会对移频信号在有用频带内产生干扰。这种干扰难以直接滤除，可能会影响低频信号的解调，造成信号掉码、误译码的故障产生，进而影响行车许可的判断。因此，高效可靠地解调移频信息成为一个重要课题。

近年来，国内外研究人员基于信号处理技术和深度学习算法提出了一些信号抗干扰和信号解调的方法。王迎晨^［4］设计了无源二阶高通滤波器，对钢轨中不平衡牵引电流产生的机理以及谐波对车载接收线圈造成电压差波动的干扰原因进行分析，以治理高次谐波干扰导致的铁路设备受扰问题。康耀军^［5］采用基于周期测频法的ZPW-2000移频信号检测仪，使用变分模态分解与希尔伯特变换相结合的移频信号处理方法检测含谐波干扰的ZPW-2000移频信号。刑玉龙等^［6］提出了全卷积神经网络从时域层面对包含内单频噪声的机车信号进行降噪。吴一飞^［7］搭建了长短时记忆全卷积神经网络模型在混合噪声下有效提取出移频信号。Liu等^［8］通过提取频域特征输入至粒子群优化深度置信网络（Deep Belief Network，DBN），实现以分类的方式对国产移频信号的低频信息进行解调。Wang等^［9］建立了基于压缩与激励注意力机制的多尺度卷积神经网络与GRU融合的轴承故障诊断模型，使用不同大小的卷积核提取轴承故障信息。雷春丽等^［10］结合一种改进的通道注意力机制和多尺度卷积神经网络构建多尺度动态卷积神经网络，并使用空洞可分离卷积改进网络减少数据运算量。杨世武等^［11］提出了改进的去噪声卷积神经网络并引入深度可分离卷积对网络进行轻量化，减少网络的运行时长。ZPW-2000移频信号有8种载频，单一尺度卷积核的堆叠不利于提取出全部类别的频率特性，多尺度卷积核满足移频信号的载频特性，其在特征提取中的应用能够有效提升检测任务的准确率^［12-13］。总体而言，移频信号技术在抗干扰方面取得了显著成果，但带内噪声的完全滤除仍然是一个挑战，存在将低频信号错误解调的可能性。

本研究提出1种基于卷积注意力模块的轻量化多尺度卷积神经网络（Convolutional Block Attention Module-Lightweight Multi-Scale Convolutional Neural Network，CBAM-LMSCNN）低频信息检测方法，该方法利用多尺度卷积（Multi-Scale Convolutional，MSC）提取在不同载频调制和噪声条件下的移频信号特征，借鉴MobileNetV2网络模型架构设计了倒残差线性瓶颈模块（Inverse Residual Linear Bottleneck，IRLB），并融入卷积注意力模块（Convolutional Block Attention Module，CBAM），将复杂的解码问题转化为更易于处理的分类问题，有效提高了低频信号的检测准确性。

1 ZPW-2000移频信号工作及干扰原理

1.1　ZPW-2000移频信号工作原理

ZPW-2000移频信号由发送器产生，经轨旁设备传输至钢轨。当列车进入区段时，该移频信号通过机车信号接收线圈以电磁感应方式从钢轨电流中可靠地捕获差模信号进行解调，提取其中的低频信息。这一解调后的信息被传输至车载计算机，作为生成目标距离控制曲线的关键数据来源。该移频信号采用连续相位移频键控的方式调制移频信号^［14］，其时频域表达式为

f(t)=A_{\mathrm{0}}\mathrm{c}\mathrm{o}\mathrm{s}\left[\mathrm{2}\mathrm{\pi }{f}_{\mathrm{0}}t+g(t)\right]（1）

其中，

式中：f(t)为ZPW-2000移频信号，A；A_{\mathrm{0}}为幅值，A；f_{\mathrm{0}}为载频，Hz；g(t)为连续相位，rad；f_{\mathrm{d}}为低频，取值为\mathrm{10.3}+\mathrm{1.1}n Hz；\mathrm{\Delta }f为频偏，取值为±11 Hz；n为低频序号，取值为0~17；t为信号生成时间，s。在ZPW-2000系列轨道电路设置中，f_{\mathrm{0}}分为上行和下行2类，其中上行的载频型号为2000-1，2000-2，2600-1和2600-2；下行载频型号为1700-1，1700-2，2300-1和2300-2。

1.2　牵引供电系统干扰机理

由于牵引供电系统与ZPW-2000移频轨道电路系统并行设置于列车运行线路上，在电气化区段运行时，列车通过受电弓从接触网引入牵引电流，并在为机车供电后，通过轨道返回至牵引变电所，形成牵引回流。此回流与ZPW-2000移频信号共用传输通道，机车上的双路感应线圈采用冗余设计，能够从钢轨电流中提取差模信号，并消除由牵引回流引起的共模电流干扰，确保移频信号的有效接收。然而，由于轨道阻抗和轮轨接触阻抗的不平衡^［15］，导致两条钢轨上的牵引回流存在差异，从而产生不平衡牵引电流。结合现场复杂的电磁干扰环境，牵引供电系统对移频轨道电路系统的干扰主要来源于：不平衡牵引电流产生的谐波干扰；工频基波漂移导致的带内谐波漂移；列车在过分相区或升降弓操作时产生的冲击电流所引入的瞬态宽频干扰；信号传输通道中存在的背景噪声^［16-18］。牵引供电系统对移频信号带来的干扰见表1。ZPW-2000移频信号低频调制频率检测误差需控制在不大于0.03 Hz的范围内。由于牵引供电系统的干扰频带与移频信号的有用频带重叠，导致直接使用滤波器滤除干扰存在难度，这可能会影响低频信号的准确解调，进而引发信号掉码或误译码等故障。

2 轻量化多尺度卷积神经网络

将ZPW-2000移频信号的18种低频信号进行分类，通过分类识别方法将解码问题转化为分类问题，有效地提取信号的低频调制信息。鉴于该移频信号在最不利的条件下的检测完成时间不超过2 s，这对检测算法的实时性提出了较高的要求。因此，缩短检测时长是提升检测模型实用性的关键。尽管堆叠神经网络层数可提高检测准确率，但也会导致运算时间随着参数量的增加而延长。为解决这一问题，设计了IRLB模块，结合MSC并行运算，并引入基于CBAM模块，采用交叉熵函数作为损失函数，构建CBAM-LMSCNN网络。

2.1　多尺度神经网络

由于ZPW-2000移频信号采样率通常为固定值，并且其载频频率范围为1 698.7~2 601.4 Hz，传统的单一尺度卷积核无法完全准确的提取出全类别的频率特性^［19］，因此，选用多尺度卷积神经网络（Multi-Scale Convolutional Neural Network，MSCNN）结构，该结构由多个不同尺度卷积核并行运算^［20］，能够有效提取数据中不同载频的信号频域特征，从而提高频率特性提取的准确性和全面性，结构如图1所示。MSCNN通过并行连接不同大小卷积核形成多尺度层，实现对不同载频调制下移频信号的特征提取。

根据奈奎斯特定理，选取ZPW-2000移频信号的采样频率为12 000 Hz。在该采样频率下，当信号以最低载频1 698.7 Hz进行调制时，每个周期平均包含约7个采样点；而以最高载频2 601.4 Hz进行调制时，每个周期平均包含约4个采样点。基于采样点的数量确定MSC网络层的卷积核大小分别为1×4，1×5和1×7，每个MSC层由这3种卷积核并行运算以提取不同载频的移频信号特征，并将结果合并为单一特征。通过多个MSC层叠加，增强特征提取能力，之后将特征连接至全连接层以进行分类。其中，1×7的卷积核用于提取低载频的信号特征，1×4的卷积核用于提取高载频的信号特征，1×5的卷积核用于提取中间载频的移频信号特征。这种MSC层的并行计算策略能够全面捕捉不同载频的信号特征，显著增强了模型对频率变化的敏感性，进而提升信号检测的准确性和鲁棒性。

2.2　网络结构

CBAM-LMSCNN网络结构图如图2所示，该网络主要包括4个部分：MSC层、IRLB模块、CBAM模块和全连接决策层。将含噪声移频信号输入至轻量化卷积神经网络中，在MSC层使用1×1的卷积核对输入移频信号特征进行通道升维，根据ZPW-2000移频信号的频域特性，选取3种卷积核并行提取信号特征，将每种卷积核提取出的信号特征合并输入至IRLB模块中。其次为减少运算量，IRLB模块在扩张层使用逐点卷积升维，1×5的深度卷积用于提取特征，随后在压缩层使用逐点卷积降维，实现模型的轻量化，保证网络检测准确率的同时减少网络参数、缩短网络检测时长。引入CBAM模块标定通道和空间特征权重，对通道和空间维度特征的具体位置赋予权重，提升网络性能，通过全连接层进行分类，最终输出18种低频信号的概率分布。

利用增加神经网络层数的方式提升低频信息识别准确率的方法会导致运算量显著增加。为解决这一问题，引入MobilenetV2网络，并在其后集成了线性IRLB模块。该模块融合了深度可分离卷积和IRLB结构的原理^［21］，以减少参数量和计算复杂度，同时保持检测精度，且显著缩短了检测时长，满足了移频信号实时检测的需求。其采用深度卷积和逐点卷积^［22］的分离策略，借鉴Resnet的残差连接网络结构，用深度卷积代替标准卷积，形成了“升维—卷积—降维”的瓶颈结构，详细结构如图3所示。首先，采用1×1逐点卷积进行升维，扩大通道数，确保有用信息得到充分计算。之后通过1×5深度卷积进行特征提取，这种设计在减少网络运算量的同时，能够有效捕捉信号的关键特征。最后，再次使用1×1卷积进行降维，使输出特征向量的通道数与原始输入相匹配。考虑到研究对象为一维时序信号，与图像信号有本质区别，故对MobileNetV2网络中的3×3深度卷积参数进行调整^［23］，将二维卷积核替换为一维卷积核，以适应一维信号的特征。此外，为了减少信息丢失并保持特征的完整性，在模型的末端采用Linear线性激活函数，替代传统的ReLU激活函数^［24］。

在MSCNN中特征提取不仅需关注通道特征权重，也需要考虑位置特征的权重，因此在全连接层之前引入CBAM模块^［25］。该模块将通道注意力模块（Channel Attention Module，CAM）和空间注意力模块（Spatial Attention Module，SAM）相融合，在输入特征中构建空间维度和通道维度的特征依赖关系，实现通道维度和空间维度有用信息权重的动态调整，这种融合机制使得网络能够同时关注信号的目标空间属性和具体位置信息，从而增强特征表示能力，提升网络对移频信号的识别精度。其结构如图4所示。

CAM模块用于提取特征图中与输出目标相关的通道信息，增强有用特征的权重，削弱无关特征的影响。在CAM模块中，输入特征向量\mathit{F}经最大池化和平均池化并行操作得到2组空间特征向量，2者通过共享全连接层来学习每个通道的注意力权重后，将特征向量相加经激活函数得到通道注意力权重向量 M_c。其结构如图5所示。

SAM模块用于提取空间位置的关键特征，着重关注输入特征的空间位置关系，细化空间位置的局部特征。在SAM模块中，通道域特征向量{\mathit{F}}^{\text{'}}为 M_c与 F 相乘所得，其沿通道维度执行最大池化和平均池化操作，提取空间特征，然后将输出沿通道维度拼接，通过7×7大小的卷积层计算得到特征向量，经激活函数得到空间注意力权重向量 M_S，其结构如图6所示。

3 试验与分析

3.1　数据集建立

从机车主机单元中读取部分移频信号作为数据集，并将其输入至记录器数据分析软件以评估低频解码的性能。为提高数据集的多样性，对移频信号进行数据扩充。依据《铁路信号维修规则》^［26］，结合现场数据中牵引供电系统对轨道电路移频信号的干扰原理，模拟了牵引供电系统对轨道电路移频信号的干扰效应，并据此仿真生成了含噪声的移频信号。在仿真列车运行过程中，特别考虑了牵引供电系统可能引起的工频谐波干扰、工频谐波漂移干扰、瞬态宽频干扰、背景噪声以及混合噪声。具体方式为：首先通过软件仿真方法，将8种载频和18种低频信号进行组合，产生无噪移频信号样本；然后对这些无噪信号随机叠加5类不同的噪声，确保每个载频和低频组合下的信号都覆盖了各类噪声；最终在每种低频和载频组合下，每类数据扩充至100条用于训练，总计14 400条数据作为CBAM-LMSCNN模型的输入，并以4∶1的比例划分训练集和测试集，数据集规模见表2。

3.2　评判指标

为验证模型的性能，选择准确率P、召回率R、误码率E_RR和综合评价指标F₁来评估模型对于工频谐波干扰、工频谐波漂移干扰、瞬态宽频干扰、背景噪声以及混合噪声这5种噪声的检测能力。

准确率P定义为在模型预测为正类的所有样本中，实际为正类样本的比例，即真正类样本数与被预测为正类的样本总数之比，其表达式为

P=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{P}}}（3）

式中：T_{\mathrm{P}}为真正类样本数，即正类样本被正确分类的数量；F_{\mathrm{P}}为假正类样本数，即负类样本被误分为正类的数量。

召回率R是指在所有实际为正类的样本中，被模型正确预测为正类的比例，即真正类与实际正类样本总数之比，其表达式为

R=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{N}}}（4）

式中：F_{\mathrm{N}}为假负类样本数，即正类样本被误分为负类的数量。

误码率E_RR是指被分类器错误分类的数据占所有数据的比例，其表达式为

E_{\mathrm{R}\mathrm{R}}=\frac{F_{\mathrm{P}}+F_{\mathrm{N}}}{T_{\mathrm{P}}+F_{\mathrm{P}}}（5）

P和R之间通常存在权衡关系，为全面评估模型的性能，需综合考虑这2个指标，因此，采用F₁分数作为综合评价指标，其表达式为

F_{\mathrm{1}}=\mathrm{2}\frac{PR}{P+R}（6）

3.3　模型训练

由于ZPW-2000移频信号对低频识别的实时性有很高的要求，在保证模型检测性能的同时，尽可能减少运算量，因此采用MobileNetV2网络以实现低频信号检测模型的轻量化。考虑到研究对象为一维时序信号，与常规图像信号存在显著差异，需要对原始MobileNetV2网络的IRLB模块进行调整，特别是将3×3的深度卷积参数替换为适应一维信号特性的卷积核，以确保模型能够有效捕捉移频信号的特征。

为优化轻量化MSCNN的分类性能，采用控制变量法对IRLB模块的深度卷积核尺寸、学习率和批量值等关键参数进行了系统分析。通过对比不同参数配置下的模型准确率以确定模型最优参数，测试结果如图7所示。由图7可知：当IRLB模块中的深度卷积核尺寸由1×3增加到1×5时，模型在提取移频信号局部特征的同时，表现出较强的抗干扰能力，准确率平稳上升且达到最高点；当卷积核尺寸进一步增加到1×7时，无关信息的干扰效应增强，导致准确率下降；当学习率从0.000 1增加到0.001时，模型收敛速度加快且性能有所增强；当学习率增加到0.005时，模型的收敛速度逐渐开始减缓；当批量取值为8时，模型收敛速度较快且准确率可达到98.96%。

3.4　结果分析

通过以上指标，全面综合评估模型在不同噪声环境下对含噪移频信号的检测效果，从而验证了所提算法的有效性。每类噪声的检测效果见表3，CBAM-LMSCNN算法能够适应各种噪声条件，对移频信号进行有效检测。在工频谐波干扰下，由于其中心频率与移频信号的载频间隔较小，对低频检测结果影响较大，导致其检测准确率在所有测试噪声中最低。由表3可知：CBAM-LMSCNN模型对移频信号低频信息检测的准确率至少可达98.76%；召回率至少为98.72%；综合评价指标F₁至少达到0.986；误码率最高仅为1.24%。

由于18种低频信号涵盖了前方轨道区段的所有可能占用情况，需要对全部类别的低频信息进行检测。将这些低频信号调制的含5种噪声的移频信号输入至CBAM-LMSCNN模型中进行检测，得到检测准确率和检测时长见表4。由表4可知：该模型对于低频的检测准确率可达98.71%；单条信号检测时长最多仅需0.249 s。不仅证明了模型的高效率，也满足了ZPW-2000移频信号在最不利的条件下检测时长不大于2 s的严格要求，从而确保了铁路信号检测的实时性和可靠性。

为验证CBAM-LMSCNN模型在低频信号识别方面的优势，将其与MSCNN，LMSCNN以及引入CAM模块的LMSCNN（CA-LMSCNN）进行对比，对含有5种噪声的18类ZPW-2000移频信号低频信息进行检测，每类信号包含200条数据，检测结果的混淆矩阵如图8所示。

混淆矩阵对角线数值表示预测结果与实际结果一致的被检信号数量，数值越大，则检测效果越好。由图8可知：MSCNN模型对多类低频信号的检测效果不佳，F15—F17的检测错误条数分别高达23，72和65条；引入IRLB模块后，模型对各类低频信息的检测性能均有提高，但对于F3，F9和F17的检测错误条数仍超过10条；引入CAM模块后，对于F3的检测效果有明显提升，但由于缺少空间维度的有用特征权重，导致F4，F10和F17的检测效果仍然不佳；引入CBAM模块后，全部类别的低频信息检测更为精准。

为更精确地验证CBAM-LMSCNN低频信号检测模型的检测性能，对含有5种噪声的移频信号进行检测，将模型输出准确率、低频信息的检测时长作为指标进行评价，结果见表5，其中“V”表示在MSCNN的基础上添加了该模块。由表5可知：在MSCNN模型的基础上依次加入IRLB模块以及CBAM模块，准确率分别增加了3.86%和5.70%，检测时长相应缩短了0.189和0.197 s；相较于其他模型，CBAM-LMSCNN在检测准确率和检测时长方面均表现出色，有效满足了ZPW-2000移频信号检测对准确性和实时性的要求。

3.5　对比试验

为验证所提模型对含噪声的移频信号低频信息分类的实时性和准确性，在相同的训练条件下，将其与移频信号检测领域内的几种经典方法进行了比较，包括深度信念网络（Deep Belief Network，DBN）、长短时记忆网络（Long Short-Term Memory，LSTM）以及反向传播神经网络（Backpropagation，BP），对比了每种算法在检测准确率和检测时长等关键指标上的表现，结果见表6。

由表6可知：相比于DBN、LSTM和BP检测模型，所提方法的准确率分别增加1.66%，6.89%和21%，检测时长分别减小0.225，0.285和0.078 s。表明该模型不仅提高了检测的准确率，还显著降低了检测时长，满足移频信号检测的实时性和准确性要求，可以更好地实现移频信号低频信息的检测工作。

3.6　实例验证

为验证CBAM-LMSCNN算法对低频信号检测的有效性，选取了某HXD3型机车信号受牵引电流谐波影响而导致掉码案例进行分析。在绿灯运行状态下，由于未能有效抑制在移频信号有用频带附近产生的两个奇次谐波，导致信号译码时无法正确鉴频，从而将绿码错误输出为无码，普速铁路掉码故障移频信号频谱图如图9所示。由图9可知：由于1 650 Hz和1 750 Hz的信号谐波幅值较大，难以通过鉴频的方法准确识别低频信号，进而引发了绿码（低频信号为F2，11.4 Hz）变为无码的掉码故障。将含噪声的移频信号输入CBAM-LMSCNN模型进行检测，其检测混淆矩阵如图10所示。由图10可知：该模型可成功识别出低频信号为F2。

针对高速铁路动车在不平衡牵引电流谐波漂移干扰下出现的信号检测问题，选取了特定工频±1%漂移下的33和35次谐波，其频率分别为1 666.5和1 732.5 Hz。高速铁路掉码故障移频信号频谱如图11所示。由图11可知：这些干扰频率落入移频信号的有用频带内，导致黄码（低频信号为F7，16.9 Hz）无法正确鉴频，进而引发掉码故障。将含噪声的移频信号输入至CBAM-LMSCNN模型，其检测混淆矩阵如图12所示。由图12可知：该模型可成功识别出低频信号为F7。

4 结论

（1）本研究所提方法能够有效地在5种不同的带内干扰环境下检测ZPW-2000移频信号的低频信息，检测时长不超过0.249 s，平均准确率达到99.22%，满足了铁路现场的实际需求。

（2）CBAM-LMSCNN检测模型在MSCNN的基础上融合了CBAM模块以及IRLB模块，在降低计算时长的同时增加了对移频信号特征的提取能力，依次加入IRLB和CBAM模块后，使得模型对低频信号检测的准确率分别增加了3.86%和5.70%，检测时长分别缩短了0.189和0.197 s。

（3）与DBN，LSTM和BP等算法相比，该模型在检测精确度方面分别提升了1.66%，6.89%和21.00%，拥有更好的检测精度，且检测时长分别减少0.225，0.285和0.078 s，在检测速度方面更具优势。

参考文献

[1] 代萌.基于协同优化策略和人工蜂群算法的轨道电路邻线干扰防护研究［J］.中国铁道科学，2024，45（1）：178-189.

[2] DAI Meng. Interference Protection Research of Adjacent Lines Based on Collaborative Optimization Strategy and Artificial Bee Colony Algorithm ［J］. China Railway Science， 2024， 45 （1）： 178-189. in Chinese

[3] LIU C， YANG S W， CUI Y， et al. An Improved Quantitative Assessment Method on Hazardous Interference of Power Lines to the Signal Cable in High-Speed Railway ［J］. IET Electrical Systems in Transportation， 2022， 12 （1）： 65-78.

[4] 李智宇，郑昇，徐宗奇，等.高速条件下ZPW-2000A无绝缘轨道电路耦合干扰分析及对策［J］.中国铁道科学，2010，31（3）：99-106.

[5] LI Zhiyu， ZHENG Sheng， XU Zongqi， et al. Analysis on the Coupling Disturbance of ZPW-2000A Jointless Track Circuit under High Speed Condition and Countermeasures ［J］. China Railway Science， 2010， 31 （3）： 99-106. in Chinese

[6] 王迎晨.牵引供电系统高次谐波传播特性与抑制研究［D］.北京：北京交通大学，2021.

[7] WANG Yingchen. Study on Propagation Characteristics and Suppression of Hight-Order Harmonics in Traction Power Supply System ［D］. Beijing： Beijing Jiaotong University， 2021. in Chinese

[8] 康耀军.ZPW-2000区间信号收发仪设计与谐波干扰分析研究［D］.兰州：兰州交通大学，2022.

[9] KANG Yaojun. Design of ZPW-2000 Interval Signal Transceiver and Analysis of Harmonic Interference of ZPW-2000 Interval Signal ［D］. Lanzhou： Lanzhou Jiaotong University， 2022. in Chinese

[10] 邢玉龙，王剑，赵会兵，等.基于全卷积神经网络的机车信号降噪［J］.西南交通大学学报，2021，56（2）：444-450.

[11] XING Yulong， WANG Jian， ZHAO Huibing， et al. Cab Signal Denoising Process Based on Fully Convolutional Networks ［J］. Journal of Southwest Jiaotong University， 2021， 56 （2）： 444-450. in Chinese

[12] 吴一飞.基于深度学习的机车信号降噪研究与设计［D］.北京：北京交通大学，2022.

[13] WU Yifei. The Research and Design of Cab Signal Denoising Process Based on Deep Learning ［D］. Beijing： Beijing Jiaotong University， 2022. in Chinese

[14] LIU S X， YANG S W， LIU C， et al. Research on Anti-Interference Algorithm for Cab Signal Demodulation Based on Deep Learning ［C］// 2020 16th International Conference on Control， Automation， Robotics and Vision （ICARCV）. Shenzhen， China. New York： IEEE Press， 2020： 248-254

[15] WANG T， TANG Y F， LEI N， et al. An Improved MSCNN and GRU Model for Rolling Bearing Fault Diagnosis ［J］. Journal of Mechanical Engineering， 2023， 69 （5/6）： 261-274.

[16] 雷春丽，史佳硕，马淑珍，等.强噪声环境下基于MSDCNN的滚动轴承故障诊断方法［J/OL］.北京航空航天大学学报：1-13［2024-05-16］.

[17] LEI Chunli， SHI Jiashuo. Based on MSDCNN in Strong Noise Environment Rolling Bearing Fault Diagnosis Method ［J/OL］. Journal of Beijing University of Aeronautics and Astronautics： 1-13 ［2024-05-16］. 10.13700/j.bh.1001-5965.2023.0456. in Chinese

[18] 杨世武，楚少童，刘淑贤，等.基于改进DnCNN的机车信号抗干扰算法［J］.北京交通大学学报，2022，46（2）：73-81.

[19] YANG Shiwu， CHU Shaotong， LIU Shuxian， et al. Anti-Interference Algorithm for Cab Signalling Based on Improved DnCNN ［J］. Journal of Beijing Jiaotong University， 2022， 46 （2）： 73-81. in Chinese

[20] JIANG G Q， HE H B， YAN J， et al. Multiscale Convolutional Neural Networks for Fault Diagnosis of Wind Turbine Gearbox ［J］. IEEE Transactions on Industrial Electronics， 2019， 66 （4）： 3196-3207.

[21] GAO H， ZHAO S， LI H Y， et al. Basic Taste Sensation Recognition from EEG Based on Multiscale Convolutional Neural Network with Residual Learning ［J］. IEEE Transactions on Instrumentation and Measurement， 2023， 72： 2515810.

[22] 轩春霞，王小敏，杨扬，等.基于稀疏分解的轨道移频信号去噪算法研究［J］.计算机测量与控制，2014，22（9）：2870-2874.

[23] XUAN Chunxia， WANG Xiaomin， YANG Yang， et al. Denoising Algorithm for Track Circuit Frequency-Shift Signal Based on Sparse Decomposition ［J］. Computer Measurement & Control， 2014， 22 （9）： 2870-2874. in Chinese

[24] 李国庆.高铁牵引电流对ZPW-2000站内轨道电路影响的研究［D］.兰州：兰州交通大学，2016.

[25] LI Guoqing. Study on the Influence of Traction Current of High-Speed Rail on Track Circuit in ZPW-2000 Station Track Circuit ［D］. Lanzhou： Lanzhou Jiaotong University， 2016. in Chinese

[26] 杨世武，李奕霖，陈海康，等.基于高速铁路典型车站牵引供电系统仿真模型的降低绝缘节两端电位差方案［J］.中国铁道科学，2016，37（2）：70-77.

[27] YANG Shiwu， LI Yilin， CHEN Haikang， et al. Solution to Reduction of Potential Difference on both Ends of Insulation Joint Based on Simulation Model of Traction Power Supply System in Typical Station of High Speed Railway ［J］. China Railway Science， 2016， 37 （2）： 70-77. in Chinese

[28] LIU C， YANG S W， CUI Y， et al. Quantitative Analysis on Coupling of Traction Current into Cab Signaling in Electrified Railways ［J］. Railway Engineering Science， 2020， 28 （3）： 275-289.

[29] 田建兆，杨世武，崔勇，等.高铁牵引电流瞬态干扰对铁路信号的影响分析［J］.铁路计算机应用，2016，25（4）：1-5.

[30] TIAN Jianzhao， YANG Shiwu， CUI Yong， et al. Influence Analysis of Traction Current Transient Interference of High-Speed Railway on Railway Signal ［J］. Railway Computer Application， 2016， 25 （4）： 1-5. in Chinese

[31] HAN S， OH S， JEONG J. Bearing Fault Diagnosis Based on Multiscale Convolutional Neural Network Using Data Augmentation ［J］. Journal of Sensors， 2021， 2021 （1）： 6699637.

[32] XU Q H， JIANG H， ZHANG X F， et al. Multiscale Convolutional Neural Network Based on Channel Space Attention for Gearbox Compound Fault Diagnosis ［J］. Sensors， 2023， 23 （8）： 3827.

[33] HOWARD A， ZHMOGINOV A， CHEN L C， et al. Inverted Residuals and Linear Bottlenecks： Mobile Networks for Classification， Detection and Segmentation ［C］// 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City， UT， USA. New York： IEEE Press， 2018： 4510-4520.

[34] SANDLER M， HOWARD A， ZHU M L， et al. MobileNetV2： Inverted Residuals and Linear Bottlenecks ［C］// 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City， UT， USA. New York： IEEE Press， 2018： 4510-4520.

[35] CHOLLET F. Xception： Deep Learning with Depthwise Separable Convolutions ［C］// 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Honolulu， HI， USA. New York： IEEE Press， 2017： 1800-1807.

[36] GULZAR Y. Fruit Image Classification Model Based on MobileNetV2 with Deep Transfer Learning Technique ［J］. Sustainability， 2023， 15 （3）： 1906.

[37] WOO S， PARK J， LEE J Y， et al. CBAM： Convolutional Block Attention Module ［C］// European Conference on Computer Vision. Munich， Germany. Cham： Springer， 2018： 3-19.

[38] 中华人民共和国铁道部. 铁道信号电气设备电磁兼容性试验及其限值： TB/T 3073—2003 ［S］. 北京： 中国铁道出版社， 2003.

[39] Ministry of Railways of the People's Republic of China. Electromagnetic Compatibility Testing and Limits for Railway Electrical Signaling Apparatus TB/T 3073—2003 ［S］. Beijing： China Railway Publishing House， 2003.

基金资助

中国国家铁路集团有限公司科技研究开发计划课题(N2022G012)