基于小波神经网络模型的高铁沉降预测方法研究

小波神经网络具有自主学习能力强、结果稳定等特点,可用来解决高铁线路沉降预测模型单一、预测不稳定等问题。对大西线侯马西站轨道变形监测CPⅢ观测点实测数据的对比分析表明,小波神经网络预测结果的相对误差范围较卡尔曼滤波结果缩小50%以上,均方误差缩小50%,相关系数和平均相对误差指标比较稳定,较当前应用最为广泛的卡尔曼滤波模型具有更好的容错能力和逼近能力。研究结果不仅扩充了当前预测模型的可选范围,还在预测结果的稳定性上提供了更好的参考对象。     

基于改进小波神经网络的IGBT时间序列预测算法研究

针对IGBT老化失效问题,提出一种基于遗传算法改进的小波神经网络时间序列预测方法。在分析IGBT失效原理的基础上,利用IGBT老化数据集,选取关断瞬时“集电极-发射极”尖峰电压为失效特征参数,采用滑动时间窗法构建训练集与测试集,然后在MATLAB中搭建遗传算法改进的小波神经网络预测模型进行预测,并与传统的小波神经网络预测模型对比分析。试验结果显示,遗传算法改进的小波神经网络预测方均误差为0.0171,方均根误差为0.1309,平均绝对误差为0.1096,分别比传统小波神经网络预测模型降低了0.0057,0.0200,0.0640,有效提升了IGBT时间预测的精度。     

基于遗传小波神经网络的停车泊位预测方法

在车位共享模式下,对社区停车位进行短时、准确地预测,既有利于停车需求方选择更合适的车位,也有利于车位资源的合理分配.提出一种社区停车位的短时预测方法,首先利用C-C方法对空余停车泊位时间序列进行相空间重构,采用李雅普诺夫指数法证明该时间序列的可预测性;然后将重构后的时间序列输入小波神经网络(wavelet neural...     

基于小波神经网络的地铁基坑地表沉降随机预测

通过南通地铁软土层基坑降水模型试验发现,降水引发的基坑地表沉降随着监测点距基坑支护桩距离的增大而减少,工程中距离支护桩越远,沉降量越小。在不同的监测点沉降量的监测值与公式计算值总体变化规律相似,但受降水因素、施工扰动和地下多变的岩土环境等影响,存在一定的随机性。利用权值参数对小波神经网络的激励和输出函数进行修正,利用梯度下降的方法对伸缩和平移参数进行优化。在此基础上,以水位降深、土层的压缩模量、厚度、固结度和监测点方位为输入参数,基坑总沉降量为输出参数建立改进后的随机小波网络基坑地表沉降预测模型。工程实例表明,改进后的随机小波网络模型能使基坑地表沉降预测值较好地拟合工程实测值,误差均小于±8%,相比传统公式的计算值更具合理性。     

基于神经网络的铁路货运量预测

阐述构建铁路车务系统运输指标预测体系的重要性,并以某车务段发送量的数据为例建立了基于BP网络的预测模型,提出了可利用十八点统计2．0系统数据库和神经网络的结合,建立铁路运输指标预测体系的建议。     

基于时间序列分析和神经网络的风电功率预测方法研究

功率预测对于接入大量风电的电力系统运行具有重要意义。文章对提前4 h的风电机组出力预测进行了研究,分别采用BP神经网络法直接预测输出功率,以及时间序列法间接预测输出功率,并将两种方法组合以提高预测精度,组合权系数的选取以方差最小为目标函数。研究结果表明,不同方法的预测精度不同,尤其是在个别预测点处不同模型的误差差别较大,组合预测可减小预测系统的误差,提高预测精度。     

基于BP神经网络的铁路货运量预测

在铁路货运量预测中，为改善传统预测方法数据拟合度不高、外推性不强等问题，提出基于BP神经网络技术的货运量预测模型，该模型采用贝叶斯正则化方法以提高神经网络推广能力。实验比较发现，该模型具有较强的自适应性，其拟合、预测结果优于灰色预测模型GM（1，1）和修正指数回归模型，证实了该方法的可行性和可靠性。     

基于灰色和神经网络的铁路客运量预测研究

准确的客流量预测在国家交通规划与管理中具有重要意义,预测方法的选择直接影响到预测的精度。客运量的预测具有小样本和非线性的特点。结合灰色理论和RBF神经网络的特点形成灰色-RBF神经网络模型,并采用客流运量分担率的方式对拟建铁路客流量进行预测。通过灰色理论对原始数据进行生成处理,将无规律的原始数据变为较有规律的生成数列,再利用RBF神经网络的超强适应能力和学习能力,大大加快学习速度并避免出现局部极小问题对生成数列进行预测,再将模型运用到客运量的预测中。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,得出灰色-RBF神经网络模型对客流量具有很好的预测性。     

基于小波分析的最小二乘支持向量机轨道交通客流预测方法

针对城市轨道交通客流预测问题,采用离散一维Daub4,小波分析方法对某一时间段的原始客流时间序列数据进行分解;以分解得到的高频分量和低频分量为样本数据,对最小二乘支持向量机进行训练,确定最小二乘支持向量机的核参数σ,以及系数a和b.利用训练后的最小二乘支持向量机预测未来一段时间客流时间序列数据的高频分量和低频分最,然后再利用Daub4小波分析方法对预测的高频分量和低频分量进行数据重构,从而得到预测的未来一段时间客流时间序列数据.与历史平均预测法和灰色预测法进行比较,结果表明,基于小波分析的支持向量机客流预测方法用于轨道交通短期客流预测具有更好的精度.     

基于小波包和RBF神经网络的轨道车辆滚动轴承故障诊断

针对轨道车辆的滚动轴承故障诊断问题,提出了一种小波包与RBF神经网络相结合的故障诊断方法.首先对采集到的振动数据进行小波消噪,然后利用小波包分解提取故障信号的能量特征向量,最后利用提取的能量特征训练RBF神经网络,进行故障诊断.诊断结果表明,基于小波包和RBF神经网络的轨道车辆滚动轴承故障诊断方法能够较好的诊断出轨道车辆的轴承故障类型,具有一定的实际应用价值.     

基于径向基神经网络的铁路货运量预测

货运量预测是铁路运输部门一项重要工作,因此,关于铁路货运量预测理论和方法的研究一直是一个热点。但是,铁路货运量受多种因素影响,且各因素的作用机制通常不能或无法用精确的数学语言来准确描述。本文采用径向基函数(RBF)神经网络对货运量进行分析及预测。通过对1989~2002年全国铁路货运量的历史数据分析处理后,得到铁路货运量增长量的时间序列,将时间序列视为一个从输入到输出的非线性映射,引入RBF神经网络来进行非线性映射的逼近。对网络进行学习与训练仿真实验后,用2003~2004年的增长量进行模型检验,并与BP神经网络、灰色预测模型预测结果进行对比,结果表明,应用RBF神经网络对铁路货运量进行短期预测预测精度更高、效果更好。     

基于多维度LSTM模型的短时交通流预测

提出一种基于长短时记忆神经网络(Long Short-Term Memory,LSTM)的交通流预测模型,不同于单一因素预测,模型深入探究时间占有率等因素对预测结果的影响,从而进行多维度的短时交通流预测。最后以长沙市某实地数据对模型预测结果的精确性进行检验。研究结果表明:在以10min为间隔预测中,与时间占有率组合的多维度因素速度预测和流量预测的平均绝对误差相较单一因素分别由4.6km/h降至2.78km/h,9.65辆降至5.8辆。加入时间占有率等其他因素后,模型预测的精度显著提高。     

基于改进的QPSO-WNN滚动算法的铁路沿线短期风速预测

为了提高传统神经网络对非平稳风速的预测精度,提出将改进的量子粒子群算法（QPSO）和小波神经网络（WNN）相结合的滚动预测算法。将小波神经网络的初始连接权值及小波基函数参数组成一个多维向量,作为改进量子粒子群算法的粒子进行计算更新,将搜索得到的解空间范围内全局最优参数作为小波神经网络的初始参数。针对已经训练好的小波神经网络的预测误差会随着时间推移而增大的问题,采用每隔1h滚动式训练的方法训练小波神经网络。运用优化算法对我国海南东环铁路某测风站实测风速进行超前多步预测。实例结果表明,相对于传统小波神经网络,优化算法的风速平均相对误差和均方根误差都有所降低,其超前3min、9min、15min的风速预测平均相对误差为8.28%、9.93%、11.37%。     

变流器故障诊断技术综述

总结了变流器的常见故障及其诊断方法,主要对小波分析及神经网络诊断方法进行了系统归纳;指出变流器故障诊断方法现存在的问题,预测了其发展趋势。     

Elman递归神经网络在结构分析中的应用

给出了Elman动态递归神经网络的网络结构和基本原理。基于Elman递归神经网络能够逼近任意非线性函数的特点,提出了一种基于Elman递归神经网络建立结构分析模型的方法。利用Elman递归神经网络对桁架进行建模,真实地反映了桁架结构的动态特性。     

基于BP神经网络的200 km/h牵引变流器故障诊断技术的研究

在对200 km/h牵引变流器建立仿真模型的基础上,利用小波分析的手段提取故障特征,继而通过BP神经网络进行故障模式识别,得出变流器故障智能诊断系统。最后对网络测试能准确的做出故障诊断。     

电力机车主变流器故障智能诊断系统

对电力机车主变流器的输出电压波形采用能量分布特征提取方法和优化BP算法,提出了基于小波变换和BP神经网络的主变流器故障智能诊断系统。利用该系统对变流器整流元件的开路故障进行了故障诊断仿真,验证了该智能诊断系统的准确性和有效性。