1.一种多融合特征回声状态网络的钢轨裂纹定量估计方法，具体步骤如下，其特征在于：

步骤1：获取钢轨裂纹金属磁记忆信号，搭建钢轨裂纹金属磁记忆检测测试设备，通过测试设备检测钢轨裂纹的金属磁记忆信号；

步骤2：模拟金属磁记忆信号检测时的干扰环境，在步骤1检测的钢轨裂纹金属磁记忆信号基础上添加高斯白噪声，信噪比范围控制在20～30dB；

步骤3：提取金属磁记忆信号的慢特征：对金属磁记忆信号进行中值滤波处理，在滤波后数据的基础上提取金属磁记忆信号的慢特征；

步骤4：提取金属磁记忆信号的VMD中心频率特征：对金属磁记忆信号进行变分模态分解，信号被分解为各个模态分量和对应的中心频率，将变分模态分解得到的中心频率作为钢轨裂纹定量估计特征；

步骤5：训练多特征融合的钢轨裂纹回声状态网络：将提取的慢特征和VMD中心频率特征作为网络输入，钢轨裂纹参数作为网络输出，训练回声状态网络；

步骤6：获得基于慢特征和VMD特征的多特征融合回声状态网络定量估计模型，将网络模型嵌入到上位机中，并实际应用，计算钢轨裂纹的深度值。

2.根据权利要求1所述的一种多融合特征回声状态网络的钢轨裂纹定量估计方法，其特征在于：步骤2中模拟金属磁记忆信号检测时干扰环境的过程可以表示为：添加的高斯白噪声为加性噪声，将高斯白噪声直接叠加在信号上即可，信噪比定义如下：

SNRdb＝10log10(Ps/Pn)            (1)式中，Ps是金属磁记忆信号功率，Pn表示噪声功率。

3.根据权利要求1所述的一种多融合特征回声状态网络的钢轨裂纹定量估计方法，其特征在于：步骤3中提取金属磁记忆信号慢特征的过程可以表示为：设钢轨裂纹金属磁记忆信号为x(t)，慢特征变量为si(t)，i是信号维数，将慢特征算法的优化问题转化为：

式中，<…>表示对时间取平均，是慢特征一阶导数，对特征变量进行线性转换可得：式中，gi(x)是慢特征算法中的映射函数，wi是负载矩阵，经过对金属磁记忆信号的百花处理，奇异值分解等操作后求得负载矩阵，最终求得金属磁记忆信号的慢特征si。

4.根据权利要求1所述的一种多融合特征回声状态网络的钢轨裂纹定量估计方法，其特征在于：步骤4中提取金属磁记忆信号VMD中心频率特征的过程可以表示为：将钢轨裂纹金属磁记忆信号x(t)经过经验模态分解得到k个IMF分量uk(t)，并将uk(t)设为下列形式：

其中， 是相位，Ak(t)是包络线，设中心频率为ωk(t)：同时设变分约束问题：

其中， 是uk(t)对t的偏导，δ(t)是单位脉冲函数，*是卷积运算符号，VMD算法经过迭代更新最终求得ωk(t)。

5.根据权利要求1所述的一种多融合特征回声状态网络的钢轨裂纹定量估计方法，其特征在于：步骤5中训练多特征融合钢轨裂纹回声状态网络的具体描述为：步骤5.1初始化回声状态网络，不同钢轨裂纹样本的慢特征和VMD中心频率特征组成样本D(i)和钢轨裂纹深度E(i)组成训练样本u(i)＝{D(i),E(i)}，将训练样本特征D(i)通过in back

输入连接权值矩阵W 进入储备池，E(i)经过反馈连接权值W 进入储备池，并根据下式的顺序采集系统状态和输出状态：

in back

x(i+1)＝f(W D(i+1)+Wx(i)+W E(i))        (7)out out

E(i+1)＝f (W D(i+1),x(i+1),E(i))         (8)out

其中，x(i)是初始值为0的系统参数，f(·)为储备池节点的激励函数，f (·)为储备out

池输出单元的激励函数，W表示储备池内部神经元的连接权值矩阵，W 表示输出值矩阵；

out

步骤5.2计算输出值矩阵W ：其中，K是输入层的神经元个数，N是储备池神经元的个数，L是输出层神经元个数，表示正则化因子，|||·|||表示欧式距离；

步骤5.3将样本数据代入回声状态网络模型中，经过迭代求解，输出网络的各个参数值，获得训练完成的钢轨裂纹定量估计回声状态网络。