用于NARMAX参数辨识的一种神经网络方法

本文提出一种适合于ＮＡＲＭＡＸ参数辨识的神经网络模型和相应的训练算法，该模型能直接辨识ＮＡＲＭＡＸ参数，结构简单，辨识率高。为非线性系统的参数辨识和模态分析提供了一种有效的方法，仿真结果表明，文中所提出的神经网络方法和相应的算法是有效的。     

车辆横向半主动悬挂的神经网络自适应控制

分析了车辆半主动悬挂模型的非线性特性，提出了采用神经网络的半主动悬挂自适应控制模型，设计了神经网络辨识器和控制器，采用专门算法修正控制器网络权值，仿真计算表明，神经网络自适应控制的半主动悬挂系统能有效改善车辆横向平稳性。     

基于神经网络的感应电动机特性辨识新方法

提出并论证了一种基于神经网络的感应电动机特性辨识新方法,只需测得电机两相电流数值便可以辨识出电动机转矩和转速,用改进的Levenberg-Marquardt算法对神经网络进行学习和训练,构建了适合电动机转矩转速观测的BP神经网络。由于RBF神经网络无论是在逼近能力、函数拟合和学习速度方面都优于BP网络,也利用RBF网络进行了辨识。该方法较已经提出的方法相比,需要的检测量少,辨识方法简单。仿真研究表明,RBF神经网络辨识效果优于BP神经网络。     

基于Hopfield神经网络的磁浮列车悬浮系统本征非线性特性辨识

磁浮列车的悬浮系统具有本征非线性特性,在轨道不平顺以及非线性负载的作用下,非线性项的辨识和处理能力对于列车的悬浮稳定性具有重要影响。尤其是在轨道刚度较小时,在微小形变的作用下更易影响悬浮稳定性,而发生掉点、砸轨现象。从磁浮列车悬浮系统的非线性动力学建模出发,重点分析非线性项的系统参数辨识,基于Hopfield神经网络来构建误差函数和网络辨识方案。结合参数辨识误差函数和Hopfield网络的标准能量函数,得到相应的网络权值矩阵,并进一步给出相应辨识结果。通过数值仿真分析可以发现,基于本辨识方法所得到的结果与非线性项输出结果误差较小,可较好地拟合状态方程的含参非线性项,验证了辨识模型的可靠性。     

改进型柔性神经网络及在开关磁阻电机磁化曲线建模中的应用

针对传统神经网络建模的不足提出了一种改进型的柔性神经网络。阐述该网络在学习、训练过程中不仅可以调节连接权,而且加强了对网络非线性函数参数的实时修改,通过多自由度的训练与调整,使所建网络达到最佳的性能。给出了所建网络的结构与学习算法,并通过算例的形式将其与传统BP神经网络及传统已有柔性神经网络进行了全方位比较。结果表明,改进型网络由于其三自由度调节参数的能力,具有比传统BP网络及已有柔性神经网络更强的学习能力,它以最少的迭代循环次数实现了期望精度。     

地铁环境控制系统建模与神经网络修正

从传热机理出发建立地铁环境控制系统的初步模型.在此模型结构基础上进一步用BP算法对系统进行辨识,获得了较好的辨识效果.机理模型和神经网络模型分别应用于系统开发的实验室阶段和现场调试阶段,贯穿地铁环境控制系统开发的整个周期.     

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。     

摆式列车倾摆伺服控制系统辨识方法仿真研究

针对摆式列车倾摆伺服控制系统的原理及特点,应用不同的辨识方法对倾摆伺服控制系统进行辨识,并对各种方法辨识结果进行比较。仿真试验结果表明:当考虑倾摆控制系统的非线性时,神经网络方法能很好地辨识出倾摆伺服控制系统的动态特性,解决倾摆伺服控制系统辨识中的非线性问题,而其它方法较差。     

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。     

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.     

基于图像处理和双BP神经网络的电气化铁路接触网立柱标识牌识别算法研究

故障位置点定位是实现轨道维护及保养的前提,利用接触网立柱标识牌实现定位是一种常用的轨道定位方法,但常规的识别方法存在识别率低且速度慢的缺点。针对该问题,提出一种基于图像处理和双神经网络的接触网立柱标识牌识别算法。首先利用Hough变换提取出接触网支柱区域,减小识别区域,其次通过形态学方法实现标识牌的定位与裁剪,再采用水平投影方法对字符进行分割,最后对字符中的字母和数字分别进行特征提取,利用两路并行的反向传播神经网络进行识别。通过实验验证了该算法的有效性,结果表明:该方法精度可达98.3%,相较于传统识别方法速度提高了17%。因此该识别算法能够实现轨道故障位置的快速精确定位,可用于轨道智能巡检系统。     

基于神经网络RBF的接触网可靠性分析

将人工神经网络理论和JC算法与有限元分析相结合应用于铁路接触网系统可靠性研究(简称为FE-RBF-JC法),建立了腕臂系统可靠度计算的数学模型,利用有限元计算方法得到一组结构的基本输入变量及输出的响应数据,采用径向基神经网络RBF进行训练的基础上建立结构的输入-输出函数关系,在该模型上,用JC方法进行腕臂系统可靠度仿真计算。研究表明,该方法精度高、简便易行,为复杂的铁路系统可靠性研究提供了一条新的途径。     

基于人工神经网络的混合梁斜拉桥智能诊断方法研究

研究目的:本文以天津市河北大街混合梁斜拉桥为工程背景,基于人工神经网络模型,提出适用于混合梁斜拉桥的分步识别方法,分别采用概率和径向基函数神经网络对子结构和钢主梁子结构局部构件进行损伤识别.此外还提出适用于钢主梁局部构件识别的动-静组合损伤指标,并建立相应的径向基函数网络模型,分别针对单损伤、双损伤和三损伤的不同损伤情况进行数值模拟.研究结论:识别结果表明:(1)本文所提出的分步识别方法具有较高的识别精度,网络识别速度快,适用于大型混合梁斜拉桥的智能诊断过程;(2)所提出的动-静组合损伤指标对混合梁斜拉桥的局部损伤识别也较为敏感;(3)单处损伤测试工况中,识别精度几乎高达100％;(4)在两处和三处损伤测试工况中,位置识别正确率分别达到82.61％和78.3％.     

大型桥梁健康监测研究进展

回顾桥梁健康监测的发展历程。介绍桥梁健康监测系统的组成、监测内容功能及特点。对信号分析与处理的传统谱分析方法与小波变换、希尔波特黄变换(Hilbert Huang)进行比较。介绍最新的信号时频分析方法希尔波特黄变换的具体算法,及其在结构参数识别、损伤识别、消除实测南京长江大桥应变信号中的对讲机干扰等方面的具体应用。对动力指纹分析法、模型修正与系统识别法、神经网络法、遗传算法5种损伤检测方法的基本原理、特点及发展动态进行概述和总结,指出神经网络技术结合遗传算法是结构损伤检测的发展方向之一。     

基于深度卷积神经网络的钢材微观组织分类识别

通过引入多种深度卷积神经网络及分类器构建机器学习模型,对钢材金相图数据集进行学习,研究了一种能够准确、高效识别钢材微观组织的方法。研究结果表明,文章中所涉及的3种深度卷积神经网络在钢材微观组织的分类识别上均表现出优异性能,其中Inception-V3表现尤为突出,其与人工神经网络分类器组合而成的机器学习模型的分类精度可达99.60%。     

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LeNet-5的编组站站内机车车号识别系统的研究

编组站内机车车号的识别问题一直制约着本务机车综合管控技术的发展。为了解决这一问题,针对机车车次,机车类型自动识别问题进行研究。改进了基于卷积神经网络LeNet-5的识别算法,并收集了大量机车车次图像素材,通过图像预处理后,使用训练集进行模型训练,形成适用于机车车次识别的网络模型,通过使用python语言与.NET平台实现了机车车次识别系统的设计。实验表明,该方法对机车车号的识别达到了较高的识别水平。目前,车号识别系统已在中国铁路武汉局集团有限公司襄阳北站试验,高清图像素材从车站高清货检系统处获取,识别效果良好,为实现智慧型编组站提供了有力的技术支撑。     

UKF地铁短时客流预测研究

为获得较为可靠的地铁车站实时客流,提出基于神经网络与无迹变换卡尔曼滤波(UKF)结合的信息融合预测方法。首先利用各站点间进出客流时空相关性,在运行时间约束下组织预测向量,以BP神经网络为函数表达给出目标站点客流的初步预测值。在此基础上,利用无迹变换卡尔曼滤波解决神经网络过学习造成的误差,以提高预测结果精度。最后选取实例验证算法的准确性,结果表明,该改进算法可有效提高预测精度,满足运营需求。     

基于RBF神经网络的在线分类挖掘系统

模式分类是RBF神经网络应用的一个重要方面.在线环境中数据集是经常变动的,采用批量式学习算法(如OLS算法)训练RBF网络会产生大量的重复训练,从而导致学习效率不高.为弥补这种不足,从梯度下降方法推导出一种增量式学习算法,用于在线环境中的RBF神经网络训练.最后将基此算法构建的在线分类系统用于IRIS分类问题.结果表明,该算法有较快的收敛速度,网络的在线分类性能良好.     

新型组合模型在铁路客运量预测中的应用

客运量是用来测算交通运输业所承担的工作量,反映了运输业为国民经济和人民生活服务的数量指标,准确的客运量预测直接影响到铁路项目的经济效益评价及铁路交通组织安排。根据客流量数据的特点,提出新的组合预测方法,构建线性时间序列灰色GM(1,1)模型和考虑客流量影响因素的非线性遗传算法优化BP神经网络模型。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,并将组合模型预测结果和单一模型相比,得出新型线性和非线性组合模型预测精度更高,取得了满意的效果,为客流量的预测提供了一种新的工具。