基于AOS-ELM的高铁频谱预测策略

针对高铁无线通信环境中频谱利用率低且网络环境复杂这一现实问题,提出一种基于自适应在线极限学习机(Adaptive Online Sequence Extreme Learning Machine, AOS-ELM)的频谱状态预测模型。利用计算机产生与实际环境相符且在一定时间内满足指数分布的主用户到来时间及满足正态分布的持续时间,建立频谱状态模型。提出基于自适应神经元构造法和Cholesky分解的AOS-ELM,通过二者对模型的优化,提高模型灵活性及泛化能力,简化计算复杂度。将一维数据利用交互信息法和Cao氏计算法分别计算延迟时间和嵌入维数,构造相应样本,并送入ELM计算相对较优的初始隐层节点数,进而利用AOS-ELM进行频谱状态的预测,并与ELM和在线序列ELM(Online Sequence ELM, OS-ELM)等模型进行对比。研究结果表明:该模型可用于预知频谱状态,指导信道择优分配,提高频谱利用率。在提高预测精度的同时,显著降低了频谱预测时间,具有一定的适用性及实用性。     

基于双向权值调整算法的神经网络非线性系统辨识

使用神经网络建模是非线性系统辨识的一个重要方法。为克服传统BP算法训练多层前向神经网络进行系统辨识中存在的一些问题,本文提出一种使用双向权值调整学习算法训练单隐层前向神经网络进行非线性系统辨识的方法。此辨识方法使用结构简单的单隐层前向神经网络,在正向阶段由Moore-Penrose广义逆确定输出权值,反向阶段则按误差梯度下降原则对隐层权值进行调整。算法能在正向和反向两个过程对网络的权值做出调整,具有较快的学习速度,并且能在一定程度上保证神经网络的泛化能力。通过基准辨识仿真实验验证,基于此方法的非线性系统辨识具有建模结构简单、训练速度快且辨识精度高的特点。     

基于极限学习机的视频异常行为检测算法

利用极限学习机来构建底层特征-视觉属性-高层语义三层架构,提出利用视觉属性作为中间层,克服底层特征和高层语义之间的语义鸿沟。基于极限学习机模型的训练可通过无监督方式进行初始化,且能够实时更新,适应监控视频中的背景变化。实验证明本方法能取得更准确的异常检测结果。     

基于改进Fisher准则、VMD、距离相关系数和核极限学习机的轴承故障诊断

针对滚动轴承早期微弱故障特征提取问题和诊断模型的参数优化问题,提出一种基于变分模态分解(VMD)和距离相关系数的特征提取方法和基于模拟退火粒子群算法的参数优化方法。首先依据不出现模态混叠的条件和信噪比最大的准则确定VMD的参数k和α,其次将分解所得各个模态的峭度,中心频率和同原信号的距离相关系数作为小波核极限学习机的特征向量,并用模拟退火粒子群算法基于改进的核空间的Fisher准则优化小波核的2个参数,同原始Fisher准则相比提升了分类准确率,适用于小样本训练集下核极限学习机的参数优化。对比实验表明相比EMD方法,VMD方法有更高的分类准确率和更好的噪声鲁棒性。     

基于EMD-PSO-ELM的基坑变形时变序列预测研究

变形是造成基坑事故的最主要因素,为准确分析变形特性,实现变形的精准动态预测,保证基坑的安全施工。提出一种将经验模态分解(EMD)、粒子群算法(PSO)和极限学习机(ELM)组合的深基坑多维度时变预测模型。经EMD将基坑变形时变序列进行分解,获得多尺度本征模态函数(IMF);采用PSO-ELM对各IMF时变序列进行预测,等权叠加各预测值,得到模型最终预测结果,同时利用PSO-ELM模型对未经处理的时变序列进行预测。以南宁市某深基坑为例,结果表明:经EMD分解的模型预测相对误差为0.22%0.42%,平均相对误差值仅为0.32%;未经EMD分解的模型预测相对误差为0.31%0.75%,平均相对误差值为0.64%,经EMD分解后模型预测精度明显高于未经分解的模型精度,能较好地应用于非平稳时变预测,为深基坑变形预测提供一种新的方法。     

嵌岩桩抗拔特性现场试验研究

依托国家电网路平—富乐500 k V双回线路工程中嵌岩抗拔桩极限载荷试验,针对其中3根等截面抗拔桩,对其上拔荷载-桩顶位移关系,桩身轴力及桩身侧阻力等特性进行了分析。结果表明:在本试验研究范围内,相同的岩土层中,增加桩长,可以显著提高抗拔桩的极限承载力,减小桩身位移。岩性是影响抗拔桩极限承载力的重要因素,相同厚度各岩土层提供抗拔力的能力比(即各岩土层的桩侧阻力之比)为土层∶强风化砂岩∶中风化砂岩=1∶3.8∶9.3;随着嵌入中风化砂岩深度的增加,抗拔桩极限承载力呈近线性增加。     

基于PSO-MK-ELM的动车轮对尺寸预测模型

动车轮对安全尺寸预测为动车安全性评估提供了依据。由于轮对尺寸变化受到运行环境等因素影响的复杂性,提出了一种适用于动车轮对尺寸数据的粒子群优化多核极限学习机(PSO-MK-ELM)预测模型。将多项式核函数和径向基核函数加权构成的多核函数(MK)引入极限学习机中,并采用粒子群优化算法对模型的4个关键参数进行寻优。针对CRH2车型的动车车轮直径数据,通过对比不同算法的预测结果,验证该方法的合理性和准确性。预测结果表明,在动车轮对尺寸数据的预测上,PSO-MK-ELM预测模型能够获取比BP模型、ELM模型和3种常用KELM模型更好的拟合优度、均方差、平均绝对误差和平均绝对百分比误差,验证了模型在动车轮对尺寸预测上的有效性。     

我国高速铁路钢轨隐伤形成机理及维护策略

针对我国高速铁路出现的钢轨隐伤伤损,采用现场观测与实验室试验相结合的方法,研究这种钢轨隐伤形成的机理,分析高速铁路钢轨初期、中期及后期隐伤的外观特征、裂纹形貌及微观组织特征;通过分析擦伤白层诱发隐伤和延性耗竭诱发隐伤2种伤损诱发机理,探讨应对隐伤的维护策略。结果表明：初期隐伤以V型裂纹为主,中期隐伤呈现黑斑和低塌,而后期隐伤则发展为剥离掉块或内部核伤;高速铁路钢轨由擦伤白层诱发的隐伤伤损多集中在站区和长大坡道,隐伤裂纹附近存在较浅的白层组织,厚度小于0.2 mm;由延性耗竭诱发的隐伤伤损多集中在站内和道岔区,隐伤裂纹附近未发现白层组织,轨面较大的切应力（加速区与制动区）或轨面不平顺（如周期性硌伤）均可能诱发此类隐伤。为此,应加强隐伤频发线路（站内、道岔区及长大坡道）轨顶面硬度、平直度及白层马氏体检测。     

基于序列互相关特性和SVM的入侵检测研究

通过刻画特权进程的系统调用来进行入侵检测已被广泛研究，采用的大多是人工智能方法，如支持向量机、隐马尔可夫模型和神经网络等。针对这种基于人工智能的入侵检测系统，本文提出应用序列互相关特性选择训练数据的方法。序列的互相关特性是刻画序列之间的相互关系的重要手段，使用具有一定特性的序列来训练人工智能模型，可以提高入侵检测的效率。在本文中，使用了支持向量机（SVM）来评价序列的互相关特性在模型训练中的作用。实验仿真说明，这种方法可以有效的提高入侵检测率。     

基于混沌密钥的小波数字水印方法

提出一种基于混沌密钥的小波数字水印方法。该方法在现有的混沌数字水印系统基础上 ,增加一个混沌映射作为私有密钥来克服有限字长效应和提高算法的抗破译性。嵌入水印时 ,将原始图像进行四层小波分解 ,利用人类视觉系统 (HVS)特性 ,选择中频系数与混沌水印序列相加 ,进行取模运算后再嵌入到混沌映射模型中进行迭代。检测时 ,利用相应的混沌映射模型生成混沌水印序列 ,并与原始水印序列进行相关检测。研究结果验证了本文方法的有效性 ,并证明能比单一混沌系统提供更好的抗破译性能     

基于IPSO-Capsule-NN模型的中欧班列出口需求量预测

为提高中欧班列出口需求量的预测精度,提出将改进粒子群算法(IPSO)与胶囊神经网络(Capsule-NN)相结合的预测模型(IPSO-Capsule-NN)。与全连接神经网络不同,胶囊神经网络通过动态路由算法增强了模型的拟合能力和泛化能力。利用改进粒子群算法优化胶囊神经网络的神经元数量、迭代次数以及学习率,以克服人为设定模型参数随机性较大导致模型精确度不高的不足之处。此外,针对标准粒子群算法存在的缺点,提出一种非线性递减惯性权重并引入Levy飞行对粒子群算法的全局寻优能力和收敛速度进行优化。将采用spearman秩相关性分析得到的11个因素作为中欧班列出口需求量的影响因素并对其进行预测,结果表明:胶囊神经网络具有2层隐含层时,IPSO-Capsule-NN模型预测精度更高。     

基于图像的高速铁路道岔岔尖密贴监测系统

针对我国高速铁路道岔岔尖部位密贴状态监测的难点,研发基于图像的道岔岔尖密贴监测系统.在分析现有监测方法的基础上,通过在传统机器视觉技术中引入学习算法和云计算等先进技术,设计基于岔尖边缘识别的密贴度监测算法,研究提出监测系统架构,并通过现场测试检验监测算法的准确性.测试结果表明,与现有监测方法相比,该系统大幅提高了道岔岔...     

基于机器学习的地铁盾构隧道长期沉降预测

采用机器学习方法,建立一个基于先期区域地质信息及隧道沉降学习资料的盾构隧道长期沉降预测模型, 并以南京地铁 2 号线盾构隧道为例进行算例分析。结果表明：该沉降预测模型能够筛选主要影响因素,并且能够 寻找最佳监督学习算法和最优参数;在不同监督学习算法中,核支持向量机算法与人工神经网络算法都能使模型 达到较高的精度,然而对其参数的依赖性很高,需要细致的调参才能提高预测精度;以人工神经网络算法作为监 督学习算法,经调参后,沉降预测模型的最终预测准确度可达 0.86,10 倍交叉验证平均准确度为 0.82。     

轨道电路智能短路装置研制与开发

轨道电路智能短路装置,其轨面吸合采用扼铁磁回路封闭吸合模式,恒流有源检测方式,不受轨道电路送、受端方向的限制;应用数字滤波技术,降低了交流轨道电路对分路线检测精度的干扰;运用软、硬件技术,实现分路线的分路状态在线检测功能,彻底消除了轨道电路分路防护存在的不安全隐患。     

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%。     

跃龙门隧道多功能钢拱架安装机快速施工配套技术

隧道施工机械化是我国隧道施工的发展方向。相较于开挖、衬砌机械化的快速发展,钢拱架安装机械化水平存在不足,长期以来较多采用人工作业,施工人员多、劳动强度大、施工效率及安装精度低,同时存在很大的安全隐患。本文通过跃龙门隧道机械化配置配套应用,分析了钢拱架安装机在机械化快速施工体系中的关键作用,并详细介绍了XZGMT411多功能钢拱架安装机相关参数、施工操作要点及注意事项。多功能钢拱架安装机的使用大幅提高了隧道施工效率及施工质量,缩短了施工工期。     

基于HMM在电机故障诊断上的研究

提出一种基于隐马尔可夫模型的方法用于故障的诊断与检测,该方法采用HMM与模式识别相结合的方法,通过对电机的电压电流信号进行特征提取和分析,构建电压电流空间模型,并且每个模型可以作为一级,每一级可以提高其判断的准确度,而HMM模型用做一个故障分类器来使用,相比于自适应模糊推理方法（MLFF）和多层前馈网络法（ANFIS）,其准度有了很大提高,并且减少了计算。通过对不同故障诊断实例阐述了基于HMM的故障诊断方法的有效性和可行性。     

基于梯度提升决策树模型的铁路货运装卸时间预测技术

铁路货运装卸时间的精准预测可提升铁路货运系统的调度合理性和服务质量,但装卸时间受多种因素影响。文章针对铁路货运装卸时间预测问题,从铁路货运运单全流程信息中挖掘运单属性与货运装卸时间的关系,以分类与回归树为基础模型,在LightGBM框架下构建梯度提升决策树模型;对铁路货运运单全流程信息中的相关数据进行整合、对数变换、增加特征等预处理,形成运单数据集;采用该数据对构建的模型进行训练,结果表明,构建的模型对货运装卸时间的预测性能优于与其对比的其他机器学习模型。将该模型应用在实际货运装卸业务场景时,实际准确率依旧高于其他对比模型。     

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。