IFA在知识可增殖神经网络中的应用

独立分量分析(ICA)将混合信号看作是相互独立的源信号的线性组合,近年来引起了神经计算和信号处理领域专家的重视.本文提出一种新的基于独立特征分析的知识可增殖人工神经网络模型,从而进一步完善了ICA的功能、增强了嵌入的独立学习人工神经网络功能的完备性.并且针对知识可增殖人工神经网络的要求提出相应的扩展EM算法,增加了运算速度.     

基于AR模型的变分贝叶斯独立分量分析算法研究

近年来,盲源分离算法由于其良好的去噪效果在信号处理领域得到了广泛应用,但传统独立分量分析方法存在着未考虑噪声干扰及未充分利用已知信息等弊端。提出基于GAR模型的变分贝叶斯独立分量分析算法,将源信号的时间结构与系统噪声进行融合研究,基于GAR模型近似建模语音信号的时间结构特征,应用变分贝叶斯学习方法分离带噪声的语音信号。通过与标准变分贝叶斯独立分量分析算法的仿真对比,证明改进后的算法有较好地实际分离效果,有效解决了ICA算法无法在噪声环境下直接进行盲源分离问题。算法可用于减轻铁路列车司机通信时的听觉疲劳。     

基于VMD-FastICA的齿轮箱故障诊断

针对齿轮箱故障信号微弱且易受周围噪声影响的问题,提出了一种基于变分模态分解(VMD)的独立分量(ICA)算法。该方法首先将采集的信号进行MCKD降噪,将降噪后的信号利用VMD算法分解为多个不同的本征模态分量(IMF),然后依据快速谱峭度图和相关系数选取有效的IMF分量进行重构信号,对于重构信号利用FastICA再次进行降噪处理,根据FastICA降噪后得到的故障特征分量,可以有效地识别故障。结果表明:该方法可以更清晰、准确地提取出故障特征频率和找出故障发生的位置。     

基于EEMD模糊熵和GA-SVM的牵引网故障诊断研究

牵引网发生故障时，如何快速诊断故障对维护铁路的正常运输秩序有极大影响，针对这一问题，提出一种基于EEMD模糊熵和GA-SVM的故障诊断方法。选取牵引网馈线电压在故障发生时刻后两个周期的故障分量波形作为原始故障信号，首先，对其进行EEMD分解得到一系列的本征模态函数(IMF)分量，选取IMF1～IMF3分量并计算其模糊熵作为表征不同故障类型的特征量；然后，为对故障类型进行诊断，建立多分类支持向量机(SVM)模型，将特征量输入至SVM模型中进行训练和识别；同时，为使模型的性能达到最佳，采用遗传算法(GA)对模型进行优化。测试结果表明，该方法能够有效地对5种典型牵引网故障进行诊断，且准确率达到了96%,验证了该方法的可行性。     

高速铁路桥梁混凝土高墩温度模式及极值研究

桥梁的变形控制是高速铁路安全运营的基础,而高墩的温度模式及温度极值是影响桥梁变形的重要参数。由于现有规范没有明确的桥墩温度模式及温度极值的计算方法,研究具有高可靠性的高铁桥梁桥墩温度模式及温度极值预测具有重要意义,有助于准确评估桥梁工程整个服役周期里的安全性和稳定性。以昌赣客运专线上某高墩桥梁为例,研究长期太阳辐射及环境温度作用下高墩结构内部温度分布规律及温度极值情况。根据其39 m高墩温度测点2 a监测数据和大气温度资料,采用Bootstrap方法建立桥墩均匀温度及等效线性温差的最大熵极值模型,并验证模型的有效性和合理性。在此基础上分析桥墩不同温度分量的变化特征,估算在不同重现期下桥墩均匀温度分量及等效线性温差分量的代表值。研究结果表明：桥墩均匀温度分量时程曲线呈现出以年为周期的余弦变化规律,且其均匀温度分量和等效线性温差分量达到极值的时间有所不同;根据最大熵极值模型计算得到50 a重现期及100 a重现期时,桥墩均匀温度分量代表值分别为40.6℃和41.1℃,等效线性温差分量代表值分别为6.1℃和6.5℃;该方法克服了在小样本时难以准确预测极值的缺点,能够因地制宜地建立桥墩温度分量...     

变电站遥视系统中运动目标检测

根据无人值守变电站的实际要求,将智能视频监控技术引入到变电站的遥视系统中,实现了运动目标的自动检测.介绍了独立分量分析的基本理论和算法,并用快速独立分量分析(FastICA)方法对运动目标检测进行了试验,试验结果表明这是一种鲁棒性较强的运动目标检测方法.     

高铁沿线大风预测技术研究

风速预测是风致灾害预警的关键技术。针对高铁大风预测中延迟性和误报的问题,提出一种基于完整集合经验模态分解(CEEMDAN)和长短期记忆神经网络(LSTM)的组合预测模型对高铁沿线风速进行预测。为了减少预测模型的复杂度和提高模型预测精度,原始风速数据用CEEMDAN分解并利用样本熵(SE)理论将分解出的分量按照样本熵近似值重组成趋势、细节、随机三分量后用长短期记忆神经网络建立预测模型。以高铁沿线某段风速气象数据为例,实验结果表明,与其他预测方法相比,本方法可有效降低预测延迟性和提高预测精度,准确追踪风速的波动性和非线性非平稳的变化,性能更加优越。在高速铁路沿线大风预测中能够发挥良好的适用性,减少大风预警的误报或不报等情况的发生。     

V/x型牵引变压器匝间短路识别方法研究

V/x型牵引变压器匝间短路是威胁重载货运专线牵引供电系统运行安全的重要因素,欲实现匝间故障的快速、准确识别,必须建立高效的模态特征提取方法。组合经验模态分解(EMD)和能量权重原理的多尺度能量熵识别方法,可从差动电流信号中准确提取牵引变压器匝间的动态特征信息。该方法首先对差动电流信号进行EMD分解,以获得若干固有模态函数(IMF)分量;然后计算差动电流信号和各个IMF分量的能量权重;最后构建基于能量权重的多尺度能量熵,并以熵值作为识别匝间短路的特征矢量。实验案例证明,该方法不仅能快速准确识别出变压器匝间短路,而且具有原理清晰、模式空间划分简单的优点。     

基于折扣证据理论的应答器系统风险评估

针对应答器系统风险评估过程中存在较大模糊性和主观性等问题,提出基于熵权法和折扣证据理论的风险评估模型。识别评估对象的风险因素,判定各风险因素的风险等级,采用熵权法确定风险因素权重;利用模糊数学理论确定专家评语基本信度分配(BPA)函数,并运用折扣系数法修正证据理论,合成专家意见得到各风险因素的BPA函数;通过加权平均函数实现风险综合评判,依据最大隶属度原则确定风险等级。利用该评估模型对应答器系统进行风险评估,验证模型的可行性和有效性。     

基于改进LMD和MED的滚动轴承故障诊断研究

针对轨边声学轴承信号有用特征微弱、易被强噪声掩盖的问题,设计实现了一种将最小熵解卷积与改进局域均值分解相结合的方法,达到信号降噪与故障诊断目的。利用三次Hermite插值改善LMD并提高LMD分解精度。将采集到的强噪信号进行MED降噪,再利用改进LMD算法进行分解,使多分量信号分解成单分量信号,并计算各分量的峭度值,挑选出峭度值最大的分量,最后利用包络谱分析,提取滚动轴承的故障特征。计算信号的峰值信噪比(PSNR,Peak Signal to Noise Ratio),将其作为降噪指标,体现方法的降噪性能。实验结果表明,设计的方法应用于轴承故障诊断,能将信号信噪比提高5.13 dB,能精准定位并提取轴承缺陷位置和信号特征,具有较好降噪和信息分辨能力。     

轨道交通高架车站钢结构与混凝土结构协同分析

基于成都轨道交通高架车站钢结构雨棚方案比选和结构设计,围绕高架车站站台钢结构雨棚与下部混凝土结构考虑协同作用对比分析。通过对不同高架车站下部混凝土结构和相同上部钢结构,采用有限元软件MIDAS建立整体和独立模型,对结构分别采用反应谱分析、屈曲分析进行对比计算。找出结构整体模型计算在周期模态、最大层间位移、最大层间位移角、柱底反力、屈曲临界荷载等方面与下部混凝土结构独立计算存在的差异。分析结果表明,高架车站独立模型计算的周期均小于整体模型计算;两种模型的层间位移和柱底反力均存在差异,其中单墩柱整体模型计算不能忽视;整体模型比独立模型计算的屈曲临界荷载值大。     

基于季节分解和SARIMA-GARCH模型的铁路月度客运量预测方法

首先,根据铁路月度客运量时序图呈现的趋势性、周期性和随机波动性,运用季节分解法将其分解为趋势循环分量、季节因子分量和不规则分量,直观量化地表征出所蕴含的特征信息。接着,引入季节时间序列模型(SARIMA)对平稳化和单整检验后的月度客运量序列的趋势性和季节性进行建模,通过季节差分序列的相关图筛选确定出最佳模型阶数,得到SARIMA基础预测模型。然后,为提高模型对波动性的刻画精度,消除异方差影响,再对基础模型的回归残差进行ARCH检验,构建出广义自回归条件异方差(GARCH)模型,并检验所建SARIMA-GARCH融合模型的稳定性。最后,将融合模型与常规SARIMA、ARIMA和NAR动态神经网络模型的短期预测值进行精度对比验证,并对其中长期预测性能做测试分析。结果表明,SARIMA-GARCH模型短期预测性能优于SARIMA、ARIMA和NAR动态神经网络模型。     

模糊熵在地铁车辆平轮故障诊断中的应用研究

为实现地铁车辆走行部关键部件的不解体检测诊断,采用过车轨道振动来分析车辆平轮故障。试验采集了正常情况、剥离故障及擦伤故障等3种工况下的振动信号。首先对信号进行集合经验模态分解;然后,用相关系数法筛选分解产生的本征模态函数分量,再计算主分量的模糊熵熵值作为故障特征向量;最后,输入到由遗传算法优化的支持向量机分类器进行故障识别。试验结果表明,该方法可以实现地铁车辆平轮故障的准确识别。     

基于EWT-MCKD的机车轮对轴承故障诊断

针对机车轮对轴承在实际运行过程中故障特征难以提取的问题,提出经验小波变换(Empirical Wavelet Transform,EWT)和最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)相结合的滚动轴承故障特征提取方法.对原始信号进行傅里叶变换得到Fourier频谱图,根据频谱中的极大值将Fourier频谱图进行分段得到若干模态分量,以无量纲的裕度指标作为评价指标,再采用最大相关峭度解卷积对裕度因子最大的模态分量进行降噪处理.通过分析其包络谱中的频率成分来实现故障诊断.研究结果表明:所提方法对不同故障类型的轮对轴承进行诊断,可以准确有效的识别轮对轴承故障类型,具有一定的工程实用价值.     

熵权-双基点法在枢纽方案比选中的应用

为了科学有效地评价各引入枢纽方案的优劣,提出了基于信息熵理论的熵权-双基点评价模型。该模型采用"语言逻辑尺"量化定性指标,通过Min-Max法对原始数据进行标准化处理,以评价指标信息熵值为基础确定指标熵权,最后采用双基点法确定每个方案与最优、最劣方案的距离,以最大贴近度为原则确定铁路引入枢纽的最佳方案。根据实例分析可知,采用熵权-双基点法对铁路引入枢纽方案进行比选,能有效降低主观因素对权重分析的影响,可较好地将定性指标和定量指标进行统一,以便有效地对影响方案的诸多因素进行分析,体现决策思路与实际要求。     

轨道交通车辆转向架牵引电机滚动轴承可靠性研究

为保障轨道交通车辆转向架牵引电机滚动轴承安全、平稳、可靠地运行,提出一种基于IMF-PCA(本征模态分量-主成份分析)和WPHM(威布尔比例故障模型)相结合的轨道车辆转向架牵引电机滚动轴承(以下简称"电机轴承")可靠性评估方法。将实测采集的振动信号利用自相关系数对IMF中起主导的信息成分进行辨别,对于不同信息成分占主导的IMF分量,利用PCA将其分解为有用信息和虚假分量或噪声组成的一系列主分量。采取不同的筛选剔除方法对IMF进行筛选,将筛选保留的IMF进行重构,得到纯净、敏感的振动信号,并从中提取出能反映电机轴承状态的特征指标,将优选出的特征指标进行特征信息的加权融合。将这个融合后的特征指标作为WPHM的协变量,建立可靠性评估模型,从而实现电机轴承运行可靠性的有效评估。     

基于多尺度时频图与卷积神经网络的车轮故障智能诊断

铁道车辆车轮故障的产生,不仅会增大列车的振动和噪声使乘坐舒适性下降,而且会加速车辆及轨道零部件的损伤,严重时还会引发事故,因此对车轮服役状态的实时监测对保证列车安全运营具有重要意义。针对现有铁道车辆车轮故障诊断方法存在自适应能力弱、准确率低等不足,提出一种基于多尺度时频图与卷积神经网络(CNN)相结合的车轮故障智能诊断方法,该方法利用车轮所在轴箱垂向振动加速度来间接识别车轮服役状态。1)首先采用形态学滤波器对车辆轴箱振动加速度信号进行滤波降噪,然后采用完全噪声辅助聚合经验模态分解(CEEMDAN)将滤波后的信号自适应地分解为若干固有模态函数(IMF),选取能量熵增量相对较大的三阶分量作为信号的主分量。2)分别求各主分量的Wigner-Ville分布(WVD),然后叠加转化为多尺度时频图。3)对经典的LeNet-5模型进行结构改进和网络参数优化,构建适合车轮故障诊断的CNN模型,来学习提取车轮在不同工况下的时频图特征,并对时频图进行分类,将特征学习提取与故障分类融为一体,一定程度上实现了端到端的车轮故障诊断。经仿真试验和现场试验验证表明：所提出的方法对于车速、故障类型和故障程度都有很好的...     

一种基于最大熵原理的汉语实体提取方法

采用最大熵原理实现汉语实体提取。在信息处理中信息提取具有越有越重要的作用，其中实体提取是一个重要研究方向，文中首先介绍了实体的基本概念，实体提取的一般方法以及性能评价指标。然后基于最大熵原理对汉语实体提娶阙随机过程模型。实验结果表明，最大熵方法提取汉语实体具有较大的性能。     

计算机联锁系统二乘二取二容错结构分析

针对计算机联锁系统的二乘二取二容错结构,基于马尔可夫模型,将各单元的失效率划分为几个独立的分量,根据每部分失效率对结构的影响,利用计算机对系统的可靠性和安全性进行分析和仿真计算.结果表明,二乘二取二容错结构满足铁路联锁系统高可靠性和高安全性要求.     

基于冲击回波等效波速法的管道压浆密实度无损检测技术研究

介绍了冲击回波等效波速法检测方法及原理,对提高其分辨力的方法进行了研究,并采用基于该原理的检测设备对一预应力混凝土连续梁管道压浆进行了检测和验证。结果表明:冲击回波等效波速(IEEV)法用于检测管道压浆密实度较传统的冲击回波(IE)法有明显的优越性;采用最大熵法(MEM)代替频谱分析法(FFT),可以有效地提高对反射信号的分辨率和分辨力,进而提高IEEV法的测试精度和缺陷识别能力;模型梁验证表明采用IEEV法并将MEM作为频谱分析手段,可以很好地测试压浆的密实程度,且IEEV法中管道定位的准确性是影响缺陷定位的重要因素。