基于BP神经网络在火灾图像探测技术中的应用

经过研究发现,火灾的发生机率具有双重性,即随机性与不确定性。而运用火灾自动报警系统检测火灾信号,就是将不确定的一面转化成比较准确的一面。基于此,利用BP神经网络算法计算和探测火灾图像的形成规律和信号特征,给出神经网络的具体结构和输入输出单元的设计方案。并对一系列的火灾样本图像和干扰图像进行实验。研究结果表明：此方法能更有效地减少火灾的误报警率,提高火灾报警的准确率。     

地质雷达信号定量识别用小波基选取的正演及模型试验研究

针对隧道衬砌结构地质雷达检测信号分析用小波基函数难以选取及信号特征点信息不易提取的问题,在小波分析原理及信号特征点识别理论基础上,从各小波基函数基本性质出发对适用于地质雷达信号分析用小波基进行初步选取.构建含空洞地质雷达正演模型,开展含空洞沙槽模型地质雷达探测试验.基于初选的小波基函数,采用小波时-能密度法对空洞检测信...     

基于Matlab的牵引变压器故障智能诊断方法研究

应用数据融合技术、模糊神经网络及遗传算法构建牵引变压器故障智能诊断模型,通过Matlab软件对该模型进行仿真,训练模糊神经网络以确定其结构和权重,并通过典型实例验证该模型在牵引变压器故障诊断中具有良好的故障诊断性能。     

基于FNN的GPS/SINS深耦合列车组合定位系统容错控制研究

为了提高基于GNSS的深组合列车定位系统的故障容错性能,本文结合模糊系统与神经网络的基本原理,提出基于FRBFNN的GPS/SINS深耦合列车组合定位系统故障诊断算法,建立FRBFNN列车组合定位故障诊断模型,应用免疫差分进化理论设计其相应的网络学习算法。针对列车组合定位故障隔离及系统重构问题,定义组合定位系统结构状态迁移规则,设计深耦合列车组合定位系统故障容错控制处理流程,使深组合列车定位系统的容错控制性能得到进一步提高。以青藏线某区间列车实际运行数据为基础,通过计算机仿真验证了所提模型及算法的有效性与实用性。     

基于粗糙集与模糊神经网络的车-地无线通信设备故障诊断研究

针对传统铁路列车车-地无线通信设备网络故障诊断模型结构复杂,诊断精度不高等问题,运用粗糙集理论(RS)、模糊系统(FS)和神经网络(NN)相融合的方法进行铁路列车车-地无线通信设备故障诊断研究。首先对原始样本数据进行模糊化处理,建立故障诊断样本数据表,基于粗糙集理论对故障样本数据进行约简,去除冗余属性,减少样本输入,然后利用约简后的数据训练神经网络,建立基于粗糙集与模糊神经网络车-地无线通信设备故障诊断系统模型结构;最后,将该模型运用于故障诊断中。试验结果对比表明,此方法简化了网络的结构,缩短了训练所需要的时间,提高了故障诊断的精度,从而验证了该方法的可行性。     

机车柴油机电控系统硬件在环仿真

机车柴油机台架实验成本高、调试周期长、不确定因素多,硬件在环仿真实验能够在实验室环境下完成控制系统基本功能和控制策略的验证,成为保证台架实验顺利进行的一种有效手段.结合神经网络模型和物理模型的优点,机车柴油机硬件在环仿真实验的主体部分采用神经网络训练实验数据建立模型,采用物理模型扩展系统的对外接口,对柴油机系统进行稳态工况和过渡工况仿真实验.结果表明,系统能够正确反映实际机车柴油机的运行情况.     

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。     

基于深度学习的无绝缘轨道电路故障诊断研究

针对无绝缘轨道电路故障的复杂性及随机性,提出一种基于深度学习的故障诊断方法。根据无绝缘轨道电路的结构,选取12个电压电流监测量作为故障数据特征集。运用深度信念网络的无监督学习对故障数据进行训练,得到最优参数值并提取出故障数据高层的分布式特征。选择BPNN作为分类器,以无监督学习输出的参数作为BPNN的初始值,完成反向调优,实现轨道电路的15种故障分类。利用ZPW-2000A无绝缘轨道电路数据对模型进行了多次实验分析,仿真结果表明,该模型的分类准确度可达95.34%,验证了此方法的有效性。     

基于CNN-GRU模型的道岔故障诊断算法研究

道岔作为铁路重要的信号基础设备,在保障铁路安全运行中起到重要作用。基于信号集中监测系统中道岔的故障电流和功率曲线,经过哈尔小波变换后,通过卷积神经网络(CNN)中的卷积层,对故障曲线提取一定维度的道岔故障特征;然后把提取到的故障特征作为门控循环单元(GRU)的输入,从而实现道岔故障诊断;最后将数据集分成训练集和测试集,对模型做训练和验证。实验仿真表明,特征矩阵采用40维输入,迭代75次时,道岔故障诊断准确率达95%,训练时间也优于其他方法。     

基于概率神经网络的轨道交通车站客流安全状态评价

以城市轨道交通车站安全为研究对象,建立基于概率神经网络的车站客流安全状态评价模型。模型将提炼出的城市轨道交通车站客流安全状态评价指标作为输入参数,将评价等级结果作为输出参数,以各指标不同等级的评价标准作为模型训练数据来源。为验证方法的有效性,设计不同的客流场景,利用微观仿真软件VISSIM对车站客流运行状态进行仿真实验,以获得各指标的数据。仿真应用结果表明,该方法能够对城市轨道交通车站客流安全状态进行评价。