TSK模糊模型的GA-BP混合学习方法

针对TSK模糊模型的学习是多约束和多目标优化问题,提出一种基于GA-BP的TSK模糊模型学习方法。论述了所涉及的相关问题,包括模型结构的种群编码、进化策略及其适应值评估策略,推导了在进化过程中模糊模型前件和后件参数的BP算法。仿真结果表明:该方法具有先验知识要求少、获取的模型具有较好的精确性和简洁性等特点。     

模糊进化神经网络理论与技术框架

分析目前进化算法，神经网络和模糊逻辑等理论技术及应用研究存在的问题，以及目前这些智能理论融合技术和神经网络自动设计研究现状，研究了现有智能理论技术相互之间包含的智能行为及属性，提出了模糊进化神经网络理论，其中，给出其本概念，研究目的，内容和框架体系，详细描述了模糊进化计算，模糊进化神经网络和进化模糊系统从模型初始化，参数自适应到网络自动设计，模型评价等核心技术及其解决思路和实现算法。对于模糊进化计算，提出了其控制参数模型初选，模糊自适应进化，优化算法及其结果的模糊评价等方法，对于模糊进化神经网络，提出了其全自动设计，控制参数模糊初选，模糊自适应进化以及网络模型的模糊评价与选择等方法，对于进化模糊系统，提出了基于模糊进化计算的模糊神经网络参数和模糊系统参数的优化方法。     

基于D-S证据理论信息融合的轨道电路故障诊断方法研究

在闭塞区间主流设备越来越多的采用ZPW-2000A型无绝缘轨道电路的背景下,针对单一故障诊断方法的诊断精度偏低问题,提出基于信息融合的故障诊断模型和故障诊断方法。该方法分别用BP神经网络和模糊综合评判对轨道电路进行故障诊断,然后将这2种方法的诊断结果作为D-S证据理论的证据体,利用神经网络输出和模糊综合评判输出来构造D-S证据理论中的概率分配,最后利用D-S证据理论将BP神经网络和模糊综合评判对轨道电路的故障诊断结果在决策级进行融合,诊断轨道电路是否有故障并判断故障的模式。仿真结果表明:该诊断方法具有较高的故障诊断精度,诊断结论的可信度有明显提高。     

铁路客运量数据挖掘预测方法及应用研究

在分析铁路客票数据特征的基础上,提出采用分段模糊BP神经网络对铁路客运量进行数据挖掘预测。通过对铁路客票数据的分段处理,提高了网络学习的收敛速度和预测精度,并在MATLAB环境下建立了分段模糊BP神经网络模型,在仿真试验中各分段的期望输出和实际输出之间吻合较好,从而证明了分段模糊的数据处理方法是有效的;同时,预测的客运量和实际客运量数值非常接近,说明分段模糊BP神经网络得到的数据挖掘预测模型对铁路客运量有很好的预测效果,该预测模型可信,为预测铁路客运量提出了一种新思路。     

高速铁路网络能力计算研究

充分考虑高速铁路网络作为多级递阶控制系统的复杂性和对旅客运输服务质量的要求，构建基于时段特定场景的高速铁路列车服务与需求意向集合（t@n-tsdis，train service-demand intention setat network），定义以完成这个集合所需基础设施占用时间为网络能力的衡量标准。提出了两阶段的优化计算方法，并提出多目标优化改进的Pareto（1+1）— PAES算法流程，采用交互式滚动优化策略处理整数约束条件、模糊逻辑罚函数法处理连续实数约束条件、Pareto存档进化策略求解多目标优化问题。以某高速铁路网络为例进行能力计算，验证了模型与算法的有效性。     

蝙蝠算法优化模糊神经网络的25Hz相敏轨道电路故障诊断研究

针对传统25Hz相敏轨道电路故障诊断网络求解时收敛速度慢、诊断精度不高的问题,提出智能蝙蝠算法(BA)与模糊逻辑理论(FS)、神经网络(NN)相融合的BA-FNN模型,优化网络参数,对25Hz相敏轨道电路进行故障诊断。考虑到轨道电路特征参数的不确定性、模糊性,运用模糊逻辑理论对轨道电路特征参数进行模糊化预处理;为了克服传统的BP算法存在易陷入局部极小点和速度收敛慢等问题,引入蝙蝠算法,模拟蝙蝠的飞行过程对模糊BP网络的相关参数进行优化;建立最优BA-FNN模型用于网络诊断。仿真结果表明,相对于GA-FNN、PSO-FNN比较算法模型,BA-FNN模型不仅学习训练次数明显减少,训练时间缩短,且寻优精度较高,可有效提高25Hz相敏轨道电路故障诊断的精度。     

基于BP神经网络的动车组智能化控制和诊断研究

为解决因采集数据异常导致的列车控制的误动作和误诊断问题,对基于BP神经网络的动车组智能化控制和诊断方法进行了研究,建立了基于BP神经网络的预测模型,采用列车实际运行数据进行多次训练和参数调整,获取最优网络模型,结合该模型的预测值和实际值得到最终可信值,并融入到现有列车控制逻辑中进行控制和诊断。通过实验验证,采用训练模型的预测结果与实际采集值相比具有较高准确性,能够达到预测效果。实验结果表明,采用BP神经网络模型进行状态预测,并结合相关处理策略进行列车运行控制及故障诊断具有可行性。     

工程造价估算的进化BP网络方法研究

为合理、有效地控制工程造价,快速准确地估算项目工程造价是非常必要的。此文建立了进化BP网络的工程造价估算模型,并应用于工程实例之中,证明该方法是可行性的。     

梯形模糊数据基于期望值简约的模糊非线性回归

模糊非线性回归是研究数据不确定性的一种有效方法。借鉴2-型模糊数学理论中的模糊简约思想,提出了一种利用期望值简约技术处理梯形模糊数据的模糊非线性回归模型。首先将梯形模糊输入输出利用其期望值简约为清晰输入输出,然后利用经典随机赋权神经网络对其进行学习,最后利用目标输出模糊变量的宽度矩阵将网络实际清晰值输出还原为梯形模糊输出。与已有模型的对比实验表明,提出的模型具有更高的学习准确度和更好的扩展能力。     

城市轨道交通列车运行过程的多目标优化研究

为了使城市轨道交通列车运行曲线能更好地为司机提供驾驶指导,进一步保证列车高效运行,在前人研究的基础上,建立包含巡航模式的列车运行过程优化模型。在建模过程中综合考虑列车运行过程的时间、能耗、乘坐舒适度、精确停车等多个性能指标,并使用差分进化算法对建立的模型进行求解。由于传统的差分进化算法存在许多不足,采用一种具有自适应参数调整策略的改进差分进化算法。通过调整算法的变异因子和交叉因子,增加了种群的多样性、扩大了全局搜索区域,避免了局部最优解,同时在后期也加快了收敛速度。通过对所选线路的仿真优化,使各优化性能指标达到了整体相对最优,验证了模型与算法的有效性。     

基于Mamdani模糊神经网络的相敏轨道电路故障诊断方法研究

针对25 Hz相敏轨道电路故障的不确定性与模糊性,提出一种基于Mamdani模糊神经网络的轨道电路故障智能诊断改进方法。采用自适应-动量BP学习调整法对模型参数进行训练优化,给出推导过程,并讨论系统参数初始值的设定。仿真实验表明,在相同实验条件下改进方法降低了训练误差,并有效地提高了诊断学习过程的稳定性与收敛速度,对25 Hz轨道电路故障进行智能模糊诊断是可行的。     

基于方法组合的轨道电路故障诊断模型

为了解决单一方法对25 Hz相敏轨道电路的故障诊断精度偏低等问题,提出基于最优权值的多方法组合故障诊断模型。首先通过模糊综合评判、灰色关联分析和BP(Back propagation)神经网络3种不同的诊断方法,对轨道电路进行初步故障诊断,然后根据各诊断方法的误判率计算出对应的最优权值,最后对各方法的诊断输出进行最优权值加权平均得到综合诊断的输出结果,确定故障类型。诊断结果表明:组合诊断模型有效地提高了轨道电路故障诊断的准确度,并证明了组合诊断模型的诊断准确度随着诊断方法的数量增加而提高。     

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。     

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。     

一种基于改进BP神经网络的重载列车驾驶曲线算法研究

BP神经网络被用于重载列车驾驶曲线研究，利用列车实际驾驶数据进行神经网络学习，描述列车制动时的非线性特性，对列车制动运行过程建模，获得列车制动减压目标值及缓解时间进行运动方程运算，最终获得重载列车驾驶曲线。通过在朔黄线线路上由该模型仿真得到的驾驶曲线和实际列车驾驶曲线比较，结果表明该方法研究驾驶曲线是有效的。     

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。     

SA-BP神经网络在轨道电路故障诊断中的应用研究

针对25 Hz相敏轨道电路故障的复杂性,提出一种模拟退火(SA,Simulated Annealing)算法与BP神经网络相结合的故障诊断方法。发挥SA算法全局寻优的特点来优化BP神经网络的学习过程,避免网络训练时间长和陷入局部极小值;通过Matlab进行仿真分析,结果表明,将该方法应用于轨道电路故障诊断,可有效提高故障诊断效率和准确度。     

基于 BP 人工神经网络的 深基坑围护结构水平位移预测研究

在深基坑施工过程中,对围护结构进行水平位移监测是保证施工安全的重要措施之一,而分析预测围护 结构的变形趋势更是重中之重。为此,对围护结构自动化监测设备进行实地调研,提出结合 BP 人工神经网络模 型对围护结构水平位移进行多步滚动预测的方法。以南宁地铁 5 号线车站深基坑施工围护结构的真实监测数据为 训练样本,对样本数据分别进行 3 种模式学习：第一种,不同桩学习后,对在同一时间的预测结果作对比;第二 种,同一根桩在不同时间的间隔样本学习后,对在同一时间的预测结果作对比;第三种,同一根桩在实现多步滚 动预测后,对预测结果作对比。结果表明：3 种模式的预测误差均可满足要求,为实现围护结构变形自动预测提 供实用性强、可信度高的方法。     

改进粒子群优化算法的BP神经网络在机车滚动轴承故障诊断中的应用

本文提出了一个基于改进粒子群优化算法的BP神经网络优化模型来进行轴承故障诊断,此模型融合粒子群优化算法的全局寻优能力和BP神经网络算法的局部搜索的优势,有效地防止了网络陷入局部极小值,同时又保证了诊断结果的精确性.仿真结果表明机车滚动轴承故障得到了有效诊断.相比于常规的BP神经网络模型,此方法不仅改进网络的收敛速度并且提高了预测准确性.