基于随机森林结合前向序列选择算法的铁路隧道防水板检测数据关键影响因素识别北大核心

针对参数特征复杂度高的铁路产品,提出了一种基于随机森林(RF)结合前向序列选择(SFS)算法的铁路产品检验检测数据关键影响因素识别方法,以辅助基于经验的识别方法。创新使用RF-SFS算法,将其应用于铁路隧道防水板检验检测数据关键影响因素的识别研究。根据多年铁路隧道防水板检测数据,建立RF模型,获得了影响铁路隧道防水板检测结果的特征关键性评分序列。随后,结合SFS方法得出关键性评分序列的阈值,将排名前6位的影响因素识别为关键特征,模型的预测能力达到99.98%。为验证关键特征识别方法的有效性,对比分析3种模型在使用不同特征子集时的预测能力。当仅选用关键特征时,3种模型的预测能力均达到最佳,加入冗余特征后模型的预测能力逐渐降低。     

坞式舰船压载系统研究

对坞式舰船压载系统设计中需考虑的稳性、作业时间、注排水方式等问题进行了分析研究,可供有关设计人员参考.     

控制和管理一体化的DCS系统

阐述工业控制和管理一体化ＤＣＳ系统的重要性，介绍了一种网桥，将２＋控制网和ＮＯＶＥＬＬ网连网，并给出了具体的系统图和接口电路图。     

交通需求OD估计与预测的现状研究分析

目前，对于静态OD矩阵估计问题已经有很多研究者，对于动态OD前沿的研究工作则非常有限。关于对OD估计和预测的研究可分为封闭网络和开放网络。介绍了研究封闭网络的Bell，Van der Zijpp，Chang and Wu和Chang and Tao等人的方法，以及研究开放网络动态估计的3种方法，即Cascetta、Okutani、Ashok和Ben—Akiva等人的方法。并指出可以将OD估计问题陈述为具有不同误差特性、多个来源的不同类型信息的综合性和一致性的结合体，此联合估测就是经济计量学的混合估计的问题。     

日本高速铁路噪声预测方法

日本在设计、建设北陆新干线时采用的高速铁路噪声预测方法,是根据高速铁路噪声的特点,按车辆下部噪声、构筑物噪声、集电系噪声、车辆上部空气动力噪声分别计算后合成,预测受声点处的噪声级。该方法对我国高速铁路和客运专线铁路的噪声预测有一定参考价值。     

多值非线性系统的自适应控制

提出了带有多值非线性环节的线性离散系统的自适应控制算法，仿真实验的结果表明：该算法简单易行具有明显的优点，跟踪误差比采用一般的自适应控制算法时要小得多，且能保证闭环系统大范围近收敛。     

提速干线编组站出发子系统内部匹配与协调关系

分析提速干线编组站货物列车到发时刻不均衡运营特征,根据编组站作业特点和要求,运用排队论和随机过程理论,对出发子系统转场和接车可靠性、临界密集出发时间进行计算分析。认为出发子系统允许的接车延误概率应控制在0.12以内;当区间通过能力利用率在繁忙时间达0.85以上时,出发场的到发线应在10股以上。提高出发子系统转场和接车可靠性的措施包括:提高无调比、适当增加出发场到发线数量、降低编组调车机车的作业负荷、减小出发时间间隔不均衡系数。给出一定出发强度下的临界密集发车时间计算式,便于指导运输组织工作。改善出发子系统匹配与协调关系的有效途径包括:合理配置列检组数、转线接车延误率控制在10%以内、密集到发期间区段通过能力利用率不能超过90%、降低衔接区间发车时间间隔变异系数、连续高密集发车时间不能超过临界发车时间、适当增加分类线及到发线数量、优化列车运行计划、平衡双向系统作业负荷、加强管理、优化运输组织。     

旅客列车发车时间域优化研究

在大量问卷调查的基础上,根据旅客对不同到发时间域选择的偏好,确定了各发车时间域旅客出行的方便系数。利用目标规划原理,以旅客出行方便程度最大为目标,构造了三级控制策略。在考虑客运站到发线能力,以及旅客列车必须在合理的时间域发车等约束条件下,建立旅客列车发车时间域的目标规划模型。利用该目标规划模型,可根据旅客列车实际运行的需要,通过变化控制策略和赋予各目标的优先因子,实现对列车发车时间域的优化。根据模型约束目标正负偏差变量,计算了各级控制策略实现程度系数。最后,以太原站始发旅客列车为实例,利用变换方案对该目标规划模型的运用进行了分析,并将目标规划优化结果和传统确定发车时间域的结果以及指派模型优化结果进行比较分析。     

绿色港湾建设

结合国内外10大著名港口实例,从规划设计、结构选型、使用年限确定、旧有建筑物的改造和再利用、提高环保理念和健全法规等方面,论述了＂绿色港湾＂建设的必要性和可行性,以探研绿色港湾建设及其相关概念,并提出建议。可供规划设计人员参考。     

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。