高速铁路LTE-R改进切换算法的研究

针对高速铁路中LTE-R越区切换对切换时延和切换成功率的严格要求,以3GPP TS 23.401协议中的A3事件判决公式为基础,利用滤波中的测量周期Tm对触发时延进行计算,并结合列车的运行速度,对传统切换算法进行改进。通过对改进算法进行仿真,得到最佳切换参数。最后对两种算法采用相同的基站布置进行仿真比较,得出传统算法在列车运行速度超过205 km/h时,无法满足我国无线通信系统对越区切换成功率99.5%以上的要求,而改进后的算法在速度达到400 km/h时,切换成功率为99.6%,仍满足此要求。     

基于道路载荷谱的车身疲劳寿命改进研究

叙述了基于实测道路载荷谱将CAE疲劳寿命预测技术与整车道路模拟试验相结合的方法对某车型车身进行疲劳失效再现和改进设计的过程,改进后的车身分别通过了整车台架试验和试车场道路耐久试验,解决了开发过程中的实际问题。虚拟分析识别出的失效位置与物理试验失效结果一致,可以利用其部分替代物理试验来进行车身的改进设计。实践证明CAE疲劳寿命预测技术与整车道路模拟试验相结合的方法能够有效减少车身开发中的试验数量、缩短开发周期。     

CIPSO算法在城市有轨电车控制策略中的应用研究

在保证电车安全的前提下,轨道交通中的城市有轨电车控制策略优化问题实质上是多目标优化问题,主要是针对节能、正点、停靠准确和乘客舒适度优化等方面的复杂问题,以电车运动学方程为基础,针对粒子群优化算法在离散优化问题中处理不佳,容易陷入局部最优的问题,采用混沌Tent映射初始化粒子群,建立其多目标优化模型。而后采用免疫接种和免疫选择的方法提高PSO优化算法的优化能力,对模型进行求解。以广州市海珠区环岛新型有轨电车试验段数据为对象进行实例仿真,结果表明,混沌免疫微粒群优化算法较传统微粒群优化算法可获得更好的控制策略,能更有效的解决电车运行多目标优化问题。     

BP神经网络在城市有轨电车GPS/RFID组合定位中的应用研究

在城市有轨电车定位系统中,单一的GPS定位方式已很难满足电车连续精确定位的要求。采用GPS和RFID组合定位的方法,可实现在弱信号环境下的连续精确定位。针对GPS/RFID组合定位时,因加入RFID观测值带来的较高计算复杂度而引起定位时间延长,以及对系统定位误差影响不确定性等问题,建立基于BP神经网络的城市有轨电车GPS/RFID组合定位模型。仿真结果表明,采用BP神经网络进行分析时,将GPS和RFID观测值归一化后输入到训练好的网络中,可以在较短的时间内得到可靠的网络输出。经训练后的网络输出较未经训练的输出更接近于期望值,且更为稳定,证明在GPS信号受遮挡条件下城市有轨电车定位系统的定位精度和定位时长得到了有效改善。     

基于卷积神经网络的列车位置指纹定位算法研究

针对高速铁路隧道环境下采用位置指纹定位时定位精度低的问题，提出将深度卷积神经网络应用于列车位置指纹的定位中。首先采用2σ准则、模糊C均值聚类FCM及类数据加权，对采集到的下一代铁路通信系统LTE-R中的信号强度值进行预处理，降低异常值的影响，提高指纹数据的有效性；然后引入定时提前量，增强指纹特征值；接着将处理后的指纹数据量转换为灰度图片指纹条，基于图像样本建立FCM-CNN指纹定位模型；最后以现场实测数据为基础对定位模型进行测试验证。结果表明，相较于采用未经处理的数据作为样本的CNN模型及传统的位置指纹定位方法，基于FCM-CNN的列车位置指纹定位方法，提高了数据质量，在离线阶段具有较大的指纹采集间距，大幅减少了指纹采集工作量，模型训练时间较短，定位精度小于10 m的概率可达100%,满足列车在中密度线路对定位精度的要求。