基于SAHDE-RVM的铁路短期风速预测研究

针对铁路短期风速预测方法中人工神经网络(ANN)易陷入局部最小值、支持向量机(SVM)核函数选择困难等缺陷,提出采用一种基于自适应混合差分进化相关向量机(SAHDE-RVM)对铁路短期风速进行预测研究。首先,改进自适应差分进化算法,引入模拟退火算法对种群的当前最优个体进行二次寻优,形成自适应混合差分进化算法,然后将自适应混合差分进化算法与相关向量机结合,建立自适应混合差分进化相关向量机模型,最后利用本文模型对国内某两段不同铁路沿线实测风速数据进行预测,预测结果表明,本文模型的预测指标均优于传统差分进化算法(DE)参数寻优的相关向量机模型及最小二乘支持向量机(LS-SVM)模型,具有更加出色的预测性能。     

基于PSO-SVM的轨道交通车站安全态势预测研究

提出一种基于PSO-SVM算法的安全态势预测模型,用于城市轨道交通车站安全态势预测研究。首先介绍支持向量机(SVM)和粒子群优化算法(PSO)的基本概念,以高斯径向基函数为核函数建立支持向量机安全态势预测模型,然后应用粒子群算法优化模型参数,得到优化的预测模型,再以某车站为例进行仿真实验,结果表明利用PSO-SVM算法预测车站安全态势值具有可行性。该预测方法对车站安全运营和乘客安全出行具有一定指导意义。     

基于粒子群优化支持向量机的斜拉桥主梁损伤识别研究

为了能够更加准确地判断结构损伤位置和程度,本文提出了基于粒子群优化支持向量机(PSO-SVM)方法对斜拉桥主梁进行损伤识别的新方法。该方法以最敏感索张力指标作为损伤识别指标,利用粒子群(PSO)算法寻找支持向量机(SVM)最优参数,建立SVM预测模型,以不同位置、不同损伤程度下最敏感索的张力指标作为SVM的训练和测试输入,由SVM的输出确定损伤位置。通过对实验室的模型斜拉桥的主梁损伤进行了仿真验证,结果表明:采用PSO算法很好地解决了采用SVM方法进行损伤识别时的参数选择随机性难题,实现了对SVM模型参数的自动优化,基于PSO-SVM的损伤识别方法对斜拉桥主梁不同程度的损伤均有很高的识别率。     

基于粒子群支持向量机的轨道电路故障诊断

支持向量机（SVM）是一种解决小样本分类问题的最佳理论算法，它的核函数的参数选择非常重要，直接影响着故障诊断的准确率。本文将粒子群算法（PSO）用于支持向量机的参数优化，提出基于粒子群支持向量机的故障诊断模型，并将其运用于轨道电路中。通过对比MATLAB仿真结果得出:经过粒子群寻优得到的参数比随机选取的参数更优，所建立的PSO-SVM模型的故障诊断准确率高于普通的SVM模型。     

基于Mallat小波分解与改进GWO-SVM的道岔故障诊断

为顺应道岔故障诊断向智能化和自动化的发展趋势,以S700K转辙机功率曲线为例,提出一种改进型灰狼优化算法(GWO)与支持向量机(SVM)相结合的故障诊断方法。在8种故障模式和正常模式所对应的功率曲线实施5层Mallat小波分解,得到各层近似系数和细节系数,并计算各层系数的平方和;利用主成分分析法对系数平方和组成的向量集进行降维,得到特征向量集;改进型灰狼优化算法优化支持向量机参数,并用优化好的支持向量机进行故障预测。研究结果表明:该方法能有效提高道岔故障诊断的准确率。     

基于波形特征提取和FA-Grid SVM的MVB故障诊断

列车通信网络的故障诊断一直是列车健康管理的难点,文章针对列车MVB(多功能车辆总线)网络,提出了一种基于波形特征提取和联合萤火虫网格寻优支持向量机(FA-Grid Support Vector Machines, FA-Grid SVM)相结合的故障诊断方法。通过提取MVB总线物理波形的时域特征,作为支持向量机的样本,构建MVB故障数据集;基于SVM较优参数点基本集中于同一区域这一现象,提出FA-Grid两步寻优的参数优化模型。试验结果表明,与传统网格寻优和遗传算法(GA)相比,提出的FA-Grid寻优模型时间复杂度低,分类效率高,能够准确地对MVB故障进行诊断。     

基于支持向量机的边坡稳定性识别研究

考虑到边坡岩体稳定性问题存在高度的非线性,建立了基于支持向量机的边坡岩体稳定性的判别模型,它是一种基于统计学习理论的识别方法,这种模型非常适合用于对小样本的学习,且训练后的支持向量机判别模型具有很好的推广性能.采用工程实例进行分析,结果表明,基于支持向量机的边坡岩体的稳定性识别模型具有较高的准确率,且操作简便.     

滑坡变形的支持向量机非线性组合预测

在分析支持向量机(SVM)用于时间序列预测和非线性组合原理基础上,提出基于支持向量机的非线性组合预测方法。利用4种单项预测方法,包括SVM、径向基函数前向型神经网络(RBF)、反馈型神经网络(El-man)及3层神经网络(ANN),分别进行滑坡变形时序的建模与预测。对4种方法的预测结果再采用线性组合方法(简单平均、方差倒数、改进最优加权系数)和非线性组合方法(SVM、BP神经网络)进行组合预测及方法性能的比较。结果表明,非线性组合的平均相对误差明显低于线性组合方法,且对滑坡这种具有一定程度不确定性的非线性系统,SVM的非线性组合方法有着更理想的预测效果,7步外推预测准确度控制在89.3%以上。而与BP神经网络非线性组合相比,SVM也具有更好的稳健性和泛化性。     

基于网格搜索的PCA-SVM道路交通标志识别

针对现有识别方法对交通标志的识别精度和算法效率不高的问题,提出了一种基于网格搜索的主成分分析-支持向量机(PCA-SVM)道路交通标志识别方法。该方法首先采用主成分分析(PCA)法对交通标志进行降维处理,提取出交通标志的主元特征,然后利用网格搜索法(GS)对支持向量机(SVM)进行参数优化,最后利用参数优化好的支持向量机分类器实现对交通标志的识别。通过实验仿真,并与现有的其他交通标志识别算法进行分析对比,实验结果表明,本文方法在保证较高识别精度的同时,算法效率得到显著提高。     

基于支持向量回归的地铁进站客流短时预测模型

基于准确的未来客流信息对地铁运营的重要性,研究客流预测的方法。选取支持向量机应用领域的一大分支——支持向量回归的方法对地铁进站客流进行短时预测,使用一种改进的粒子群算法进行参数寻优,从而构建客流预测模型。提出的模型以日期类型和所处时刻作为输入,可以提前预测未来一周的每15 min的客流。采取平均绝对百分比误差和均方根误差对模型的预测结果进行评估。使用广州杨箕车站进站客流数据进行实验,通过交叉验证确定验证参数选取的合理性,并将该模型与BP神经网络、KNN算法进行比较,实验表明模型预测结果的精度更高,稳定性更好。     

基于改进最小二乘支持向量机的电力机车牵引电机建模

介绍利用最小二乘支持向量机的回归理论对牵引电机磁化曲线进行拟合,从而建立准确的电力机车牵引电机模型的方法.针对最小二乘支持向量机参数选择耗时长的问题,提出一种基于三步搜索技术的参数选择方法.理论分析及仿真结果表明,该方法可优化选择最小二乘支持向量机的参数,并可提高最小二乘支持向量机的建模速度.将该方法用于电力机车牵引电机建模的参数选择,仿真结果表明,该方法建立的电力机车牵引电机模型精确度高,可用于对电力机车主电路性能及控制策略的研究.     

高速铁路预售期旅客购票量分布预测

在预售前(相隔31 d)预测高速铁路预售期旅客购票量分布是铁路企业精准进行收益管理的前提。基于高速铁路预售模式和旅客售票数据,分析预售期内各预售日旅客购票量的相关性,探究预售期旅客购票量分布的影响因素。综合考虑出发日特征以及旅客购票量分布时序特征的影响,构建了考虑多输出间关联性的最小二乘支持向量回归-卷积长短期记忆网络(MLSSVR-ConvLSTM)模型。以京沪高铁线路中上海虹桥站至北京南站、上海虹桥站至徐州东站、上海虹桥站至无锡东站这3种不同距离OD旅客为例,进行预售期旅客购票量分布预测实例分析。研究结果显示：MLSSVR-ConvLSTM模型预测结果较好地反映了真实的预售期旅客购票量分布的变化趋势,平均绝对百分比误差为6.7%～11.0%,预测效果优于多元线性回归(MLR)、K近邻回归(KN)、极致梯度提升算法(XGBoost)、支持向量回归机(SVM)、多输出最小二乘支持向量回归(MLSSVR)和卷积长短期记忆网络(ConvLSTM)等模型,验证了所提出模型的合理性和有效性。进而表明,在构建预售期旅客购票量分布预测模型时,考虑预售期旅客购票量分布整体性以及各类因素的综合影响可有...     

基于支持向量机与最小二乘支持向量机的闸片识别及磨耗趋势预测

针对检测动车组闸片剩余厚度的需求,设计闸片图像采集系统,通过高速相机与面阵光源的结合使用完成在线闸片图像的采集。介绍支持向量机(SVM)算法的概念,采用SVM对闸片边缘特征进行识别,进而检测剩余厚度。运用最小二乘支持向量机(LSSVM),将SVM的不等式约束变为等式约束,实现闸片剩余厚度的趋势预测。通过将LSSVM检测结果与现场人工测量结果进行对比,验证方法的可靠性。基于LSSVM算法精准预测闸片磨耗趋势,可提供更好的闸片状态修管理模式。     

一种顾及用户朝向的PSO-LSSVM指纹定位算法

为了解决人体对WiFi信号遮蔽和最小二乘支持向量机参数优化的问题,提出了一种顾及用户朝向的粒子群优化最小二乘支持向量机指纹定位方法。建立全向指纹库,采用粒子群优化算法求出最小二乘支持向量机最优参数,通过最小二乘支持向量机训练出定位模型,将待测点指纹信息输入定位模型中,最终估算出待测点位置坐标。仿真实验结果表明所提算法在定位误差上达到0.72 m,普通的粒子群优化最小二乘支持向量机算法定位误差为0.84 m,提高了室内定位精度,具有实际的应用价值。     

基于改进非等间距灰色模型和PSVM的轨道质量指数预测

有效预测轨道不平顺的发展趋势对铁路的养护和管理具有重要意义。根据轨道不平顺发展的趋势性和随机性,本文提出一种将非等间距灰色模型与粒子群优化支持向量机结合的预测方法。利用改进的非等间距灰色GM(1,1)模型预测轨道质量指数(TQI)序列在未来一段时间内的变化,再利用粒子群优化的支持向量机(PSVM)模型对灰色预测值进行纠正,得到较准确的TQI序列,构建出轨道不平顺变化趋势预测模型。分别对沪昆线上行两段线路的轨道不平顺进行预测,结果表明该组合模型的预测精度较高,相对误差分别低至1.03%和2.74%。     

基于支持向量机的牵引供电系统高阻接地故障诊断方法

提出一种利用牵引供电系统电流信号、基于支持向量机(SVM)的牵引网高阻接地故障诊断方法。针对不同位置接地阻抗故障的电流信号,先采用希尔伯特变换和伯格谱估计提取时频特征量和频谱特征量,再构造SVM二分类器,利用交叉验证法对SVM二分类器进行参数优化,形成一个牵引网高阻接地故障分类器。将特征向量组送入SVM分类器中进行处理,能诊断出牵引网高阻接地故障。仿真验证结果表明,该方法在小样本情况下具有较高的分辨正确率。     

基于EHM理念的铁路机务设备大数据健康管理系统的设计与实现

为更好地进行铁路机务设备工作状态管理,降低维修成本,设计并实现了基于设备健康管理(EHM,Equipment Health Management)理念的铁路机务设备大数据健康管理系统。该系统通过层次分析法、自回归(AR,Autoregressive)模型、支持向量机(SVM,Support Vector Machine)模型,实现了铁路机务设备运行状态实时监测、健康趋势预测分析(准确率到达96.2%)、故障预测分析(准确率到达99.08%)、风险评估预警等功能。系统的运用有效的降低铁路机务设备维修成本,为铁路机务设备的信息化健康管理起到示范作用。     

隧道施工围岩变形预测的智能模型

将支持向量回归(SVR)算法引入隧道施工期围岩变形预测,并采用遗传算法来自动搜索支持向量回归算法的模型参数,形成GA-SVR算法。结合香河隧道的施工变形监测,建立起了公路隧道施工围岩变形预测的GA-SVR智能模型。采用此模型对香河隧道后继开挖的监测时间点进行变形预测,并与实测变形对比,所建立的GA-SVR智能模型预测最大相对误差仅为6.99%,平均预测相对误差仅为1.99%,完全可用于公路隧道施工期的围岩变形预测,并为类似工程提供了借鉴。     

基于粒子群优化最小二乘支持向量机的铁路客运量预测

对于铁路客运量预测的准确度问题,本研究提出了基于粒子群(PSO)优化最小二乘支持向量机(LS-SVM)重要参数的方法。以1995—2013年的铁路客运量历史数据作为训练集,2014—2018年的客运量作为测试集,用LS-SVM进行建模和预测。针对模型中参数难以选择问题,采用PSO全局搜索方法,与神经网络和LS-SVM的预测效果作比较,仿真表明,采用PSO优化LS-SVM对铁路客运量建模与预测效果更好,精度更高。     

高速铁路隧道围岩力学参数反演研究

研究目的:隧道围岩是一种非均质、不连续的地质体,其力学参数的确定直接关系数值模拟结果的准确性。针对隧道围岩力学参数难以有效获取的问题,本文依托阳山高速铁路隧道,采用FLAC~(3D)对隧道施工过程进行数值模拟,并基于遗传算法(GA)优化的支持向量机(SVM),研究高速铁路隧道围岩力学参数反演方法。在此基础上,建立隧道有限差分模型,分析不同台阶长度施工时围岩的变形、应力分布及破坏形态。研究结论:(1)围岩拱顶沉降模拟结果与实测值基本吻合,验证了所建立的隧道围岩力学参数反演模型的可行性;(2)当施工台阶的长度大于6 m时,隧道围岩稳定性急剧降低,不利于人员安全及隧道有序施工;(3)本研究结论可为后续施工提供可靠依据,同时可为隧道施工的稳定性分析提供参考。