基于数据分析的铁路列车到达晚点预测模型

准确估计列车的实际晚点时间对于列车运行图制定、列车调度员决策具有重要意义。为此,以荷兰铁路列车运行实际数据为研究基础,根据列车实际运行数据选择自变量,以列车的实际晚点时间为因变量,建立列车晚点的随机森林预测模型,并以BP神经网络模型作为对比,结果表明随机森林模型预测误差稳定,预测精度较高,比传统的神经网络方法取得了更好的预测效果。     

基于卷积神经网络的接触网支柱号识别方法研究

接触网支柱号是铁路供电部门现场运营维护的重要定位参数。基于卷积神经网络的接触网支柱号自动识别方法结合接触网图像的实际特点,对视频图像进行了归一化图像预处理,并对实际的支柱图片进行了卷积神经网络的训练,在支柱号识别确定的过程中考虑了接触网支柱号的分布特点,提高了支柱号识别的准确性。利用实际线路数据进行测试,取得了较好的识别精度和较快的识别速度。通过实验验证,该方法能够辅助铁路基础设施检测系统中缺陷的定位,指导现场运营维修。     

基于扭转角与神经网络的船轴裂纹故障诊断研究

文章利用有限元分析软件对转矩载荷下的船轴裂纹进行分析,以不同裂纹状态下扭转角数据作为输入,裂纹参数作为期望输出,训练出定量诊断裂纹参数的神经网络,实现对船轴裂纹的故障分析。实验结果表明:扭转角可以作为船轴裂纹故障的诊断参量,该研究结果可作为船舶轴系故障诊断的理论依据。     

基于卷积神经网络的舰船图像类型识别

舰船图像类型识别是计算机视觉领域研究的热点,当前舰船图像类型识别方法存在误识率高、识别时间长等不足,为获得更优的舰船图像类型识别结果,提出基于卷积神经网络的舰船图像类型识别方法。首先提取舰船图像,对其进行增强、去噪、过滤处理,提升舰船图像质量,然后从舰船图像中提取识别特征,将其作为卷积神经网络的输入,舰船图像类型识别作为卷积神经网络的输出,建立舰船图像类型识别分类器,最后采用Matlab2017对5种类型的舰船图像进行仿真测试,卷积神经网络的舰船图像类型识别正确率超过95%,舰船图像类型的误识率和漏识别均低于5%,获得了理想的舰船图像类型识别结果,而且舰船图像类型识别性能远高于其他舰船图像类型识别方法,具有十分广泛的前景。     

基于RBF神经网络优化模糊规则的USV自适应模糊滑模控制

针对USV运动航向控制问题,利用基于Lyapunov稳定性理论的滑模控制方法设计USV航向控制律.考虑到USV运动系统具有不确定性,利用具有万能逼近性能的模糊系统对USV运动模型中不确定项及外界干扰项进行模糊逼近.为了进一步提高模糊系统的逼近性能,采用具有学习能力快的RBF神经网络对模糊系统进行在线学习,优化模糊规则.仿真结果表明基于RBF网络优化的模糊控制该算法能够实现USV航向连续稳定跟踪.     

基于神经网络的远海航道船舶流量预测系统构建

远海航道船舶流量受到多种因素的综合作用,具有一定的周期性,同时具有强烈的非线性,传统线性建模方法无法对远海航道船舶流量进行高精度的拟合,使得远海航道船舶流量预测偏差大。为了克服当前远海航道船舶流量预测系统存在的局限性,设计了基于神经网络的远海航道船舶流量预测系统。首先分析当前远海航道船舶流量预测系统的研究现状,指出各种系统存在的缺陷,然后利用神经网络的非线性建模性能设计了性能良好的远海航道船舶流量预测系统,最后对该远海航道船舶流量预测系统的有效性进行了测试。本文系统可以高精度实现远海航道船舶流量预测,远海航道船舶流量预测误差远远小于实际应用要求的临界要求,并与其他系统进行对比分析,本文远海航道船舶流量预测系统的预测效果明显更优。