基于经济周期的铁路货运量神经网络预测研究

针对现有铁路货运量预测方法存在较大突变性误差的问题,提出经济周期阶段参数的概念,将经济周期量化后作为一个输入因素提供给神经网络模型,用以学习记忆经济波动情况,建立基于经济周期的Elman神经网络预测模型,并以我国1992～2008年铁路货运量为实例对方法进行检验,与BP神经网络预测结果进行对比。实例表明,该方法有效减小突变性误差,预测精度较高,Elman神经网络在进行动态系统预测时效果更佳。     

基于随机灰色蚁群神经网络的集装箱结点站运量预测

根据铁路集装箱运量预测受到多因素影响以及非线性的特点,利用随机灰色变量描述预测系统的不确定性,建立了随机灰色预测模型以及基于蚁群算法的递归神经网络模型,在此基础上,提出了一种基于随机灰色蚁群神经网络的集装箱结点站运量预测方法.最后,以兰州铁路局兰州北站为例,对模型的预测精度和有效性进行分析.研究结果表明:基于蚁群算法的...     

基于神经网络的轨道车辆横向振动模型辨识

论述了车辆横向振动系统的神经网络辨识建模方法。根据横向振动系统的运动方程建立了描述其特性的神经网络模型，并运用递归预测误差算法识别了多变量离散模型的模型参数，进一步辨识了其结构参数。该方法参数估计过程直观，收敛速度快。计算表明，离散模型是可靠的，辨识结果正确。     

城市轨道交通线网时空相关性客流预测研究

城市轨道交通客流预测是一个时空相关的复杂问题,仅根据车站的历史数据很难得出更有参考价值的预测结果。提出基于Elman神经网络算法的时空相关性客流预测方式。其模型输入包括车站的历史数据和线网中其它车站及交叉线路车站的时空相关性数据。前者从车站前3周数据中提取纵向强时间相关性数据;后者从相关车站的前3周数据中提取横向强时间相关性数据。提取过程均采用Spearman算法。在两条交叉线路共33个车站3周时间范围的客流数据上,利用Elman神经网络算法比较分析时空预测方式和时间预测方式的预测性能。试验结果表明,时空预测方式对实际客流的预测精度优于时间预测方式。最后,在时空预测的基础上进行客流多步预测,为城城市轨道交通有效的客流疏导提供数据支持和相对宽裕的时间。     

基于模糊神经网络的道岔故障诊断系统研究

运用模糊理论和神经网络技术相结合的方法,构造了基于模糊神经网络的铁路道岔故障诊断系统,介绍该系统的的结构、原理及诊断过程,并采用Matlab神经网络工具箱进行仿真,仿真结果表明模糊神经网络方法适用于道岔设备故障诊断.     

基于神经网络联锁系统故障诊断专家系统的研究

介绍神经网络的专家系统的基本结构和工作原理,描述了基于神经网络的计算机联锁系统故障诊断专家系统.     

高速铁路桥上无缝道岔结构力学状态预测方法

为保证高速铁路桥上无缝道岔的长期安全服役,提出一种数据驱动的轨道结构力学状态预测方法.通过监测数据特征分析,对原始气温数据序列化处理.在此基础上,构建遗传算法优化的Elman神经网络时间序列预测模型,以气温最优序列为输入,预测三项影响结构健康状况的状态监测指标.通过对比不同气温输入形式和不同模型的预测性能,验证方法的优...     

Matlab神经网络工具箱在过程辩识中的应用

介绍了运用神经网络辩识动态过程的一般原理,同时阐述用Matlab神经网络工具箱辩识动态过程的方法、步骤.为用神经网络辩识动态过程提供了一种解决方案.     

Matlab神经网络工具箱在过程辩识中的应用

介绍了运用神经网络辩识动态过程的一般原理，同时阐述用Matlab神经网络工具箱辩识动态过程的方法、步骤．为用神经网络辩识动态过程提供了一种解决方案．     

基下神经网络专家系统的机车故障诊断系统

分析了神经网络和专家系统理论之间的互补性,论述了两者集成系统所具有的特征,并结合机车电路的特点提出了在专家系统的基础上引入神经网络的智能诊断结构模型,成功开发出一套新型机车在线动态诊断专家系统,实现了机车状态监测和故障诊断,对保证机车的安全运行有重要的意义.     

基于移动通信数据分析的Elman神经网络城市轨道交通客流预测

城市轨道交通的短时客流预测数据对运营组织单位面对潜在的大客流或突发事件的应对准备工作有着重要的作用。以原始移动通信数据作为换乘站点换乘客流统计的数据来源,得到了精确的单条线路某个换乘站的换乘人数,并结合自动售检票系统的统计数据,通过建立Elman神经网络模型对客流数据进行样本对训练,得到下游车站未来1 h内断面客流量的预测结果。预测结果误差符合要求,为站点的运营组织方案提供了良好的数据支撑。同时为了对比说明建立了ARIMA模型,并对预测结果作出分析比较。     

基于BP神经网络修正的自适应灰色模型的隧道变形预测研究

隧道围岩具有高度的非线性变形特征,通过变形预测能有效判断隧道变形的发展趋势。首先以自适应GM(1,1)模型对隧道变形进行初步预测,且为保证自适应模型的参数为全局最优参数,提出以粒子群算法对模型参数进行优化;其次,以BP神经网络为基础,建立误差修正模型,旨在进一步提高预测精度。在此基础上,将该预测模型应用于2个工程实例中,结果表明:该预测模型在横向和纵向上的预测效果均较好,自适应能力和递推能力均较强,预测结果与实测值较为吻合,预测精度较高,能较好地反映隧道围岩的变形规律。该预测模型能较为有效地实现隧道围岩的动态预测,可以进行推广应用及研究,为隧道变形预测提供一种新的思路。     

基于神经网络的无速度传感器感应电机转子电阻辨识方案

针对矢量控制系统提出了一种转子电阻在线辨识方案.应用神经网络理论,以转子磁链电压模型的输出为参考值,神经网络模型的输出为估计值,通过反向传播算法不断调节神经网络的权值,使转子磁链的估计值跟踪参考值,间接辨识出转子电阻.在MATLAB6.5/SIMULINK下,对无速度传感器感应电机矢量控制系统在电阻变化时的情况进行了仿真.仿真结果表明,辨识算法具有较好的静动态性能.     

基于径向基神经网络的铁路货运量预测

货运量预测是铁路运输部门一项重要工作,因此,关于铁路货运量预测理论和方法的研究一直是一个热点。但是,铁路货运量受多种因素影响,且各因素的作用机制通常不能或无法用精确的数学语言来准确描述。本文采用径向基函数(RBF)神经网络对货运量进行分析及预测。通过对1989~2002年全国铁路货运量的历史数据分析处理后,得到铁路货运量增长量的时间序列,将时间序列视为一个从输入到输出的非线性映射,引入RBF神经网络来进行非线性映射的逼近。对网络进行学习与训练仿真实验后,用2003~2004年的增长量进行模型检验,并与BP神经网络、灰色预测模型预测结果进行对比,结果表明,应用RBF神经网络对铁路货运量进行短期预测预测精度更高、效果更好。     

遗传神经网络对RPC流动度预估的研究

流动度是RPC配制的一个关键指标,它直接反映了其工作性的优劣,但其影响因素复杂,难以用统一的数值关系直接描述RPC流动度与其影响因素的量化关系,目前还没有合适的计算方法,为此,提出控制RPC流动度的数值方法,即引入遗传神经网络对RPC的流动度进行预测控制。在建立网络模型后,选取适当的参数,进行训练仿真分析。结果表明,该遗传神经网络模型是有效的,对RPC的流动度预测有较高的精度和稳定的预测结果,与单纯的BP神经网络模型相比,具有精度高、训练速度快、工作性能稳定等优点。     

改进粒子群优化算法的BP神经网络在机车滚动轴承故障诊断中的应用

本文提出了一个基于改进粒子群优化算法的BP神经网络优化模型来进行轴承故障诊断,此模型融合粒子群优化算法的全局寻优能力和BP神经网络算法的局部搜索的优势,有效地防止了网络陷入局部极小值,同时又保证了诊断结果的精确性.仿真结果表明机车滚动轴承故障得到了有效诊断.相比于常规的BP神经网络模型,此方法不仅改进网络的收敛速度并且提高了预测准确性.     

基于SOM-BP混合神经网络的道岔设备退化状态研究

针对道岔设备故障频繁、维修成本高,且现有基于故障数据的诊断方法无法描述道岔退化过程,难以实现故障超前预判的问题,进行基于SOM-BP混合神经网络的道岔设备退化状态研究。依据采集的道岔非故障功率数据按区段提取峰值、方差、峭度等特征参数,基于平均影响值进行特征参数选择,并确定输入维数;使用自组织特征映射(SOM)神经网络对输入特征参数进行多次聚类学习,分析学习结果得到6种退化状态样本数据;构建15-13-6型BP神经网络结构模型,实现对道岔设备退化状态的识别。结果表明,采用SOM-BP混合神经网络进行道岔设备退化状态识别的准确率达到95.56%。     

基于改进的BP神经网络的产品生产成本估算

基于BP神经网络的成本估算模型,利用全局搜索能力较强的遗传算法优化BP神经网络连接权,克服传统的BP算法易陷入最小值的缺点,使模型预测性能、预测精度和泛化能力得到有效改进.以列车转向架为例,建立产品生产成本GA-BP估算模型,通过8组检测样本检验训练好的遗传人工神经网络.计算结果表明:预测值与期望值的误差小于4%,说明利用遗传神经网络模型对产品成本进行估算切实可行.     

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。