级联神经网络用于单扫描示波极谱信号的测定

将改进小波神经网络与BP神经网络相结合,提出一种新的混级联神经网络结构,用于单扫描示波极谱信号的同时测定.通过对网络结构的优化和网络参数的调整,加快了训练速度,提高了预测的准确度.用该法对邻、间硝基氯苯混合样进行了预测,结果满意.对级联神经网络法与单一BP神经网络法的预测结果进行了比较,表明级联神经网络优于单一BP神经网络.     

基于大模型混合算法的站台门设备状态预测方法研究

地铁站台门设备关键状态量的监测为设备状态预警提供了重要依据。根据免疫算法及小波神经网络的基本原理,对设备状态预测进行优化,提出大模型混合算法的站台门设备状态预测算法。结合国内外城市轨道交通机电类设备健康运营现状,对基于大模型混合算法(免疫算法+小波神经网络)的站台门设备健康管理系统进行验证,结果表明此算法预测设备状态误差小、理论值准确。     

基于混合方法的风速预测模型研究

为实现铁路沿线风速的高精度预报,建立若干基于混合方法的预测模型并进行性能比较。采用小波分解(WD)和经验模态分解(EMD)将原始风速序列平稳化,采用神经网络方法(BP, ANFIS和NAR)进行预测,形成6种混合模型:WD-BP,WD-ANFIS,WD-NAR,EMD-BP,EMD-ANFIS和EMD-NAR。引入基于单一方法的预测模型及时间序列模型ARIMA作为对照组,以平均绝对误差、平均绝对百分比误差、均方根误差比较各模型预测精度。研究结果表明:混合模型的预测性能优于单一模型;单一模型中,ARIMA的预测性能优于神经网络模型;混合模型中,WD-ANFIS的预测精度最高。     

RBF神经网络在铁路客运成本预测中的应用

铁路运输客运成本指的是铁路运输企业为了完成客运运输作业在运输过程中所耗费的一切费用的支出,包括运输生产过程中生产资料的消耗和劳动力的消耗。合理地控制铁路运输成本可以有效地提高铁路运输企业的管理水平、经营状况等。可见,选取符合具有铁路成本特点的预测方法准确地对运输成本进行预测具有重要的意义。通过对铁路客运成本的影响因素进行分析,选取主要影响因素并结合RBF神经网络超强的学习能力和适应能力建立铁路客运成本预测模型进行预测。最后,通过案例分析得到RBF神经网络对客运量成本具有很好的预测性。     

基于混合PSO-RBF神经网络的铁路隧道岩爆分级预测

岩爆是铁路隧道建设中主要灾害之一。为了准确预测铁路隧道岩爆烈度等级,以岩石应力系数σ_θ/σ_c、岩石脆性系数σ_c/σ_t以及弹性能量指数W_et作为岩爆烈度评价指标,提出一种基于混合粒子群优化算法优化的径向基(RBF)神经网络岩爆预测模型。首先在国内外研究成果基础上,选取80组已有岩爆实例作为模型基础数据;然后运用结合了模拟退火算法的粒子群算法(混合PSO)改进径向基神经网络,通过训练数据选取最优的权值W和基函数标准差σ,得到混合PSO-RBF神经网络岩爆烈度预测模型;最后将模型应用于实际铁路隧道工程进行验证。研究结果表明:该模型兼顾个体最优和全局最优,能够正确、有效的对铁路隧道岩爆等级做出预测,为铁路隧道岩爆预测提供了一种新方法。     

地铁闸机扇门机构故障时间序列预测研究

基于CNN+ LSTM混合神经网络构建故障时间序列预测模型，利用某型号地铁闸机扇门机构的故障数据进行实例分析，并与ARIMA、CNN和LSTM 3种单一预测模型对比。结果表明:CNN+LSTM混合神经网络模型的预测准确性较高，具有良好应用前景，研究成果可用于支持地铁闸机维修计划的制定和优化。     

改进的BP神经网络在铁路客运量时间序列预测中的应用

针对目前铁路客运量预测方法的不足,采用改进的BP神经网络对铁路客运量时间序列进行预测。分析改进的BP神经网络原理,对1980年—1998年的铁路客运量进行归一化处理,建立铁路客运量时间序列神经网络预测模型,设计网络参数,进行网络学习与训练的仿真试验。对比分析改进的BP神经网络与标准的BP神经网络预测结果,证明改进的BP神经网络预测结果更准确,精度更高。     

基于DeepAR的短期风速概率预测

为对铁路沿线风速提前进行预判，保障桥梁施工及高速铁路列车运行时的安全，提出基于深度自回归模型(DeepAR)的短期风速预测方法。采用平潭海峡公铁两用大桥和西堠门大桥实测风速进行验证，并以包括小波包分解下的卷积神经网络和循环神经网络混合模型(WPD-CNNLSTM-CNN)在内的4种模型作为点预测对比模型，以SimpleFeed-Forward、ARIMA、Random Walk模型进行置信度为50%与95%的区间预测作为对比模型。研究结果表明：无论是点预测还是区间预测，DeepAR模型都能够在具有随机性、间歇性的短期风速序列中提取到特征信号并进行精度较高的预测，且相比于其他模型具有更好的准确性与泛化能力，可满足实际工程短期风速预测需求。     

RBF神经网络在铁路货运量预测中的应用

基于回归和时间序列模型的传统预测方法以及目前较为常用的灰色预测和BP神经网络预测方法，建立了RBF神经网络模型对全国铁路货运量进行详细分析和预测。利用铁路货运量的原始数据构造时间序列，并对时间序列进行分析和相应的处理。将处理后的数据构造为一个非线性映射，利用RBF神经网络进行逼近。利用Matlab对灰色预测、BP神经网络预测和RBF神经网络预测模型进行仿真实验，得出3种预测模型的平均相对误差，分别为7.67%、4.79%和1.31%。表明RBF神经网络预测方法的预测精度比另外两种预测方法高很多，可为铁路货运量预测研究提供方法支撑。     

基于广义回归神经网络的瓦斯涌出量预测

简要介绍了瓦斯涌出量预测问题和广义回归神经网络（GRNN）的特点,指出与常用的BP神经网络相比,使用广义回归神经网络（GRNN）具有收敛迅速、人为干扰小等优点,适宜用于瓦斯涌出量的预测。并对一个案例进行预测,证明了广义回归神经网络（GRNN）可以满足实际生产的精度要求,较好解决瓦斯涌出量预测的问题。     

基于FOA-BP神经网络的高铁沉降预测

BP神经网络在沉降预测过程中存在预测精度有限、收敛速度慢等缺点。为提高BP神经网络在高铁沉降预测中的精度,基于改进的果蝇算法(FOA),利用其味道浓度函数来代替BP神经网络中的梯度函数,建立果蝇算法优化BP神经网络的预测模型—FOA-BP模型。通过果蝇种群迭代寻优获取最合适的权值和阈值,重新构建BP神经网络进行沉降预测。分别采用BP神经网络算法与FOA-BP神经网络算法对某高铁路基沉降监测点的沉降趋势进行预测,将两种算法的迭代次数、均方误差与平均相对百分比误差3个指标进行对比分析,结果表明:FOA-BP神经网络算法的三种指标均远小于BP神经网络算法,其模型精度更高,预测速度更快。     

基于遗传算法优化BP神经网络的道口事故预测

针对铁路事故发生的偶然性和事故发生原因的复杂性,提出应用BP神经网络对铁路事故进行较长期预测的建议,并以美国高速公路-铁路道口事故为实例,应用BP神经网络方法和遗传算法优化的BP神经网络方法对美国高速公路—铁路道口未来3年的事故进行预测,并将预测结果进行对比,结果表明,遗传算法优化的BP神经网络可以用于铁路事故的中长期预测。     

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。     

基于相空间重构的铁路货运量神经网络预测

针对现有铁路货运量预测方法的不足,建立了基于相空间重构的神经网络预测模型。该模型在对货运量原始数据进行相空间重构的基础上,将重构后的数据输入神经网络进行学习训练,最后选取待预测的时间点来预测铁路货运量的发展趋势,并以大秦线1989--2008年的货运量数据为基础进行预测与验证分析。     

基于MEA-BP神经网络的自锚式悬索桥施工阶段吊索索力预测分析

为减小自锚式悬索桥在施工过程中吊索索力偏差对桥梁线形的影响程度，提高有限元模型的计算效率，提出一种基于思维进化(MEA)算法优化BP神经网络的吊索索力预测方法，以实现对桥梁各施工阶段的高精度逼近与吊索索力的快速反馈。在考虑施工过程中材料参数、荷载参数和环境温度等因素的不确定性基础上，结合有限元模型得到神经网络训练样本集。通过MEA算法实现BP神经网络权值与阈值的寻优，从而提高BP神经网络的预测精度。以某空间索面自锚式悬索桥为工程背景，建立该座桥梁的MEA-BP神经网络预测模型。结果表明，MEA-BP神经网络较传统BP神经网络具有更强的泛化能力与预测精度，MEA-BP神经网络的预测值与现场实测值的误差在10%以内，MEA-BP神经网络模型在索力预测方面具有较好的适用性。     

基于RBF神经网络的铁路沿线短时风速预测方法

对实测风速数据进行Kalman滤波,去除实测风速数据的偏差;通过归一化处理,消除数据中的冗余成分;针对RBF神经网络的预测误差会随着时间的推移而增大的问题,采用滚动式训练方法在线训练RBF神经网络;用训练好的RBF神经网络进行风速预测,再对预测结果进行反归一化处理,得到最终的预测风速.仿真结果表明,运用基于RBF神经网络的铁路短时风速预测方法对短时风速进行预测,最大相对误差仅为5.92％,可满足铁路防灾安全监控系统中风速预测子系统的要求.     

层次化混合神经网络分类器信念分配问题的研究

层次化混合专家神经网络采用"分治"原理,把一个大任务分成多个小任务由多个小网络进行处理,或者说多个具有不同功能的小网络组合成一个大的网络,用于实现复杂的或大数据量学习问题,提高单个网络的性能.在混合专家神经网络中,信念分配对神经网络性能起决定作用.本文研究混合神经网络中各子网络的协同工作方法,提出一种新的信念分配方法,实现层次化混合专家神经网络的信念分配与功能不断增强的分类器.     

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。     

基于径向基神经网络的铁路客货运量预测研究

根据径向基神经网络具有分析非线性动态系统的混沌特性的特点,对铁路客货运发送量相关时间序列进行分析和研究,在Takens相空间重构的基础上,利用互信息方法求嵌入时延、伪邻域方法求嵌入维数;应用G-P方法和最大Lyapunov指数方法对铁路客货运量时间序列进行混沌识别;根据RBF神经网络的学习算法和辨识原理,对铁路客货运量预测流程进行分析。应用径向基神经网络对铁路客货运量自1999-01-01-2012-08-27共4 988 d的发送量为基础进行径向基神经网络预测;并对预测误差进行检验及对预测结果进行分析。研究结果表明：基于径向基神经网络预测值能很好地与实际值相吻合,因而在铁路客货运量相关时间序列中预测有广泛的实用价值。     

基于灰色和神经网络的铁路客运量预测研究

准确的客流量预测在国家交通规划与管理中具有重要意义,预测方法的选择直接影响到预测的精度。客运量的预测具有小样本和非线性的特点。结合灰色理论和RBF神经网络的特点形成灰色-RBF神经网络模型,并采用客流运量分担率的方式对拟建铁路客流量进行预测。通过灰色理论对原始数据进行生成处理,将无规律的原始数据变为较有规律的生成数列,再利用RBF神经网络的超强适应能力和学习能力,大大加快学习速度并避免出现局部极小问题对生成数列进行预测,再将模型运用到客运量的预测中。最后结合新建兰州至中川机场铁路项目及调查数据进行客流量的预测研究,得出灰色-RBF神经网络模型对客流量具有很好的预测性。