TSK模糊模型的GA—BP混合学习方法

针对TSK模糊模型的学习是多约束和多目标优化问题,提出一种基于GA—BP的TSK模糊模型学习方法。论述了所涉及的相关问题,包括模型结构的种群编码、进化策略及其适应值评估策略,推导了在进化过程中模糊模型前件和后件参数的BP算法。仿真结果表明：该方法具有先验知识要求少、获取的模型具有较好的精确性和简洁性等特点。     

模糊进化神经网络理论与技术框架

分析目前进化算法，神经网络和模糊逻辑等理论技术及应用研究存在的问题，以及目前这些智能理论融合技术和神经网络自动设计研究现状，研究了现有智能理论技术相互之间包含的智能行为及属性，提出了模糊进化神经网络理论，其中，给出其本概念，研究目的，内容和框架体系，详细描述了模糊进化计算，模糊进化神经网络和进化模糊系统从模型初始化，参数自适应到网络自动设计，模型评价等核心技术及其解决思路和实现算法。对于模糊进化计算，提出了其控制参数模型初选，模糊自适应进化，优化算法及其结果的模糊评价等方法，对于模糊进化神经网络，提出了其全自动设计，控制参数模糊初选，模糊自适应进化以及网络模型的模糊评价与选择等方法，对于进化模糊系统，提出了基于模糊进化计算的模糊神经网络参数和模糊系统参数的优化方法。     

高速铁路网络能力计算研究

充分考虑高速铁路网络作为多级递阶控制系统的复杂性和对旅客运输服务质量的要求，构建基于时段特定场景的高速铁路列车服务与需求意向集合（t@n-tsdis，train service-demand intention setat network），定义以完成这个集合所需基础设施占用时间为网络能力的衡量标准。提出了两阶段的优化计算方法，并提出多目标优化改进的Pareto（1+1）— PAES算法流程，采用交互式滚动优化策略处理整数约束条件、模糊逻辑罚函数法处理连续实数约束条件、Pareto存档进化策略求解多目标优化问题。以某高速铁路网络为例进行能力计算，验证了模型与算法的有效性。     

梯形模糊数据基于期望值简约的模糊非线性回归

模糊非线性回归是研究数据不确定性的一种有效方法。借鉴2-型模糊数学理论中的模糊简约思想,提出了一种利用期望值简约技术处理梯形模糊数据的模糊非线性回归模型。首先将梯形模糊输入输出利用其期望值简约为清晰输入输出,然后利用经典随机赋权神经网络对其进行学习,最后利用目标输出模糊变量的宽度矩阵将网络实际清晰值输出还原为梯形模糊输出。与已有模型的对比实验表明,提出的模型具有更高的学习准确度和更好的扩展能力。     

城市轨道交通列车运行过程的多目标优化研究

为了使城市轨道交通列车运行曲线能更好地为司机提供驾驶指导,进一步保证列车高效运行,在前人研究的基础上,建立包含巡航模式的列车运行过程优化模型。在建模过程中综合考虑列车运行过程的时间、能耗、乘坐舒适度、精确停车等多个性能指标,并使用差分进化算法对建立的模型进行求解。由于传统的差分进化算法存在许多不足,采用一种具有自适应参数调整策略的改进差分进化算法。通过调整算法的变异因子和交叉因子,增加了种群的多样性、扩大了全局搜索区域,避免了局部最优解,同时在后期也加快了收敛速度。通过对所选线路的仿真优化,使各优化性能指标达到了整体相对最优,验证了模型与算法的有效性。     

动车组制动过程多模型自适应PID控制

动车组制动性能受制动模式、运行环境、线路条件及乘务员操纵策略等因素影响,如何建立动车组制动过程的有效模型是实现动车组安全可靠制动的基础。基于CRH2系列380AL型动车组制动特性曲线和运行数据,采用数据驱动建模方法,建立多个局部线性模型来描述动车组制动过程动态特性。基于累计误差最小的切换策略在线选择最佳匹配模型,并采用模糊自适应PID算法调节车速和准确停车。仿真结果表明:所提出的方法具有较好制动性能,可确保动车组高效安全节能运行。     

非线性动力学系统的闭环模糊迭代学习控制器设计

结合模糊逻辑和迭代学习控制的基本思想,针对非线性动力学模型,设计一种闭环模糊迭代学习控制器;计算机仿真结果表明,该方法具有良好的鲁棒性,可用于机器人高精度轨迹控制.     

基于配放约束的货物多车配载优化模型与算法

构建具有装载重量、体积以及性质相互抵触的货物不能混装等多约束条件下,基于配放约束的货物多车配载模型.并以该模型为基础,提出求解该问题的蚁群算法.在模型求解过程中,针对问题特点,充分考虑货物配装限制及装载工具的载重、容积等方面约束,基于待装货物比容动态逼近装载工具剩余空间比容策略,综合运用ACA-VEHICLE和ACA-VOTUME等2个不同蚁群协同考虑两个目标--需用装载工具数目和重量、容积利用率优化对问题的求解策略进行研究.改进了蚁群算法的求解策略,提升了算法性能.最后,结合8类100件货物的配装问题,对模型算法进行检验,结果满意,说明该方法具有实用性.     

基于模糊形变模型的3D表面自适应重建

结合模糊技术、形变模型和ＡＣＤ方法提出了基于模糊形变模型的３Ｄ表面自适应重建方法。在模糊分割的基础上，引入了模型的模糊外力，在该模糊外力作用下模型能逼近任意复杂的物体表面；利用ＡＣＤ方法使模型自适应地改变其拓扑结构；为了提高表面重建的速度和鲁棒性，提出多尺度重建算法。实验结果表明该方法的有效性。     

基于集成模糊推理的列车运行舒适度评价方法及应用

本文采用加速度变化率评价列车运行的舒适度,应用模糊系统理论提出了3种舒适度评价模型,并实测数据确定了模糊集合的参数.在此基础上,应用集成学习方法将这3种模型的输出集作为列车运行舒适度的综合评价指标.应用北京地铁亦庄线的实测数据对该评价方法进行了验证,结果表明3种模糊模型有较好的一致性,集成学习能增强舒适度评价的精度和鲁棒性.     

基于机器学习的地铁盾构隧道长期沉降预测

采用机器学习方法,建立一个基于先期区域地质信息及隧道沉降学习资料的盾构隧道长期沉降预测模型, 并以南京地铁 2 号线盾构隧道为例进行算例分析。结果表明：该沉降预测模型能够筛选主要影响因素,并且能够 寻找最佳监督学习算法和最优参数;在不同监督学习算法中,核支持向量机算法与人工神经网络算法都能使模型 达到较高的精度,然而对其参数的依赖性很高,需要细致的调参才能提高预测精度;以人工神经网络算法作为监 督学习算法,经调参后,沉降预测模型的最终预测准确度可达 0.86,10 倍交叉验证平均准确度为 0.82。     

基于变分自编码器的MVB网络异常检测方法

多功能车辆总线(MVB)用于列车通信网络中各功能设备间的信息传输,其网络异常将严重影响列车运行安全.在对MVB网络常见故障分析的基础上,提出一种基于变分自编码器(VAE)的MVB网络异常检测方法,直接将采集到的MVB信号物理波形作为模型输入,选取VAE重构误差作为MVB网络异常检测依据.为了有效解决实际应用中带标记异常...     

基于语音特征迁移学习的驾驶疲劳检测

针对现有方法在实际应用时的标记样本稀缺与测试样本数据分布偏移等问题,提出一种基于语音特征迁移学习的驾驶疲劳检测方法。通过基于迁移学习的特征空间变换,对源领域有标记样本与目标域无标记样本数据间的边缘分布、条件分布、流形结构进行联合适配及降维处理,以解决样本数据分布偏移和特征维度过高的问题。以半监督学习的方式来迭代优化目标域样本的伪标记,并据此不断更新特征变换方式和迁移分类器,进而提高疲劳检测模型的精度和泛化能力。通过实验将本文方法与现有常用的监督学习、半监督学习和迁移学习等方法进行对比。结果表明,在测试时间、应用场景和被试个体均发生变化的情况下,本文所提方法的驾驶疲劳检测效果显著优于现有方法,正确率最高达到86.7%,具有实际应用价值。     

基于微分进化算法的列车吸能方管结构耐撞性多目标优化设计

采用正交试验设计方法及碰撞计算程序,得出了均匀分散并整齐可比的试验数据点.提出了利用无约束微分进化算法来构建不同的回归模型,并结合方差分析技术选出最优模型的方法,解决了传统单目标优化设计只能对其中一个目标进行优化和传统响应面法利用最小二乘得出回归模型过程中因矩阵奇异而导致拟合精度达不到要求的问题.采用动态调整控制参数策...     

一种智能学习的动态客户标签方法的研究

研究客户标签的生成机制,构建一种动态的客户标签更新方法,结合One-Class分类和支持向量机算法智能模拟人类的学习行为,能够在模型的复杂性和学习能力之间衡量并不断自我优化,仅通过典型有限的小样本训练集,即可建立客户标签模型,又由于小样本可有效提高运行效率,实现客户标签的动态更新.     

基于Faster R-CNN的铁路扣件定位方法研究

准确的扣件定位是进行扣件状态检测、保障轨道交通车辆安全运行的基础,传统的基于图像处理的方法难以满足快速准确智能检测的需要。针对这一情况,提出一种基于改进FasterR-CNN的深度学习理论方法,进行扣件定位。首先,建立检测图像数据集并进行图像标注,然后根据实际扣件图像特点建立FasterR-CNN检测模型,利用标注数据优化模型中区域候选网络边框信息以提高检测的召回效率及精度。通过实际检测数据分析验证,本文提出方法提高了检测效率和定位效果,与其他目标检测方法相比,具有更高的召回率和识别准确度,能够快速准确进行扣件定位。     

基于PSO-MK-ELM的动车轮对尺寸预测模型

动车轮对安全尺寸预测为动车安全性评估提供了依据。由于轮对尺寸变化受到运行环境等因素影响的复杂性,提出了一种适用于动车轮对尺寸数据的粒子群优化多核极限学习机(PSO-MK-ELM)预测模型。将多项式核函数和径向基核函数加权构成的多核函数(MK)引入极限学习机中,并采用粒子群优化算法对模型的4个关键参数进行寻优。针对CRH2车型的动车车轮直径数据,通过对比不同算法的预测结果,验证该方法的合理性和准确性。预测结果表明,在动车轮对尺寸数据的预测上,PSO-MK-ELM预测模型能够获取比BP模型、ELM模型和3种常用KELM模型更好的拟合优度、均方差、平均绝对误差和平均绝对百分比误差,验证了模型在动车轮对尺寸预测上的有效性。     

基于启发式Q(λ)学习的铁路绝缘子定位研究

智能化冲洗是解决电气化铁路绝缘子人工冲洗弊端的有效途径,而智能化冲洗的关键在于绝缘子识别、定位。通过对现有智能冲洗设备的分析,提出一种铁路绝缘子定位、跟踪方法,该方法基于传感器信息,采用启发式Q(λ)学习算法,可快速、准确找到绝缘子。首先建立铁路绝缘子水冲洗环境模型,接着为解决传统Q(λ)学习算法盲目学习导致收敛速度慢的问题,通过搜索支柱特征调整奖赏函数,设计启发式策略函数并融入Q(λ)学习中,提高算法的学习和收敛速度。最后分别对传统Q(λ)学习算法和启发式Q(λ)学习算法进行Matlab仿真实验,确定最佳参数设置,仿真结果表明启发式Q(λ)算法的正确性和可行性。     

基于Mamdani模糊神经网络的相敏轨道电路故障诊断方法研究

针对25 Hz相敏轨道电路故障的不确定性与模糊性,提出一种基于Mamdani模糊神经网络的轨道电路故障智能诊断改进方法。采用自适应-动量BP学习调整法对模型参数进行训练优化,给出推导过程,并讨论系统参数初始值的设定。仿真实验表明,在相同实验条件下改进方法降低了训练误差,并有效地提高了诊断学习过程的稳定性与收敛速度,对25 Hz轨道电路故障进行智能模糊诊断是可行的。