层次化混合神经网络分类器信念分配问题的研究

层次化混合专家神经网络采用"分治"原理,把一个大任务分成多个小任务由多个小网络进行处理,或者说多个具有不同功能的小网络组合成一个大的网络,用于实现复杂的或大数据量学习问题,提高单个网络的性能.在混合专家神经网络中,信念分配对神经网络性能起决定作用.本文研究混合神经网络中各子网络的协同工作方法,提出一种新的信念分配方法,实现层次化混合专家神经网络的信念分配与功能不断增强的分类器.     

基于模糊神经网络的驼峰推送速度控制研究

对影响驼峰机车推送速度的各种因素进行了探讨,将模糊神经网络理论引入到驼峰变速推峰系统中,结合神经网络和模糊控制的各自优点,将专家或熟练操作人员的控制策略转换为控制功能函数,利用神经网络自学习、自校正的能力调整、修改模糊控制规则,从而实现对推送速度的优化控制。     

基于RF-RFE算法的地铁车站洪涝灾害预测研究

地铁车站形式以地下段为主,进入雨期时受到洪涝灾害的威胁,易发生雨水倒灌现象,严重影响居民出行和地铁安全运营。为进一步提高地铁车站洪涝灾害预测的效果,提出基于RF-RFE和DNN神经网络的地铁车站洪涝灾害预测方法。首先,通过收集并分析已发生地铁车站洪涝灾害的案例,采用文献综述结合专家访谈的方法,构建地铁车站洪涝灾害初始变量集;然后,利用随机森林—递归特征消除(RF-RFE)算法,计算初始变量重要性并完成变量分类正确率排序,从初始变量集中筛选出重要变量;最后,建立DNN神经网络预测模型,并以筛选出的重要变量作为输入样本,训练DNN神经网络,完成对地铁车站洪涝灾害的预测。研究结果表明：(1)变量选择可提高预测模型精度,与初始变量集的DNN神经网络预测模型相比,数据筛选后的DNN神经网络预测模型准确率提高了4.36%;(2)RF-RFE和DNN神经网络算法结合具有良好的效果,预测模型准确率为88.1%,F1分数为0.9。     

基于WNN算法的BTM故障诊断方法

高效、准确的故障定位技术是列车安全运行的重要保证。针对列车超速防护系统（ATP）车载设备故障分析存在复杂性高、依赖专家经验等问题,提出将小波神经网络（Wavelet Neural Network,WNN）算法应用于车载设备故障诊断的方法。针对车载设备中的应答器传输模块（Balise Transmission Module,BTM）,首先根据经常发生的故障类型,匹配ATP中相应的故障日志语句;然后建立网络结构,利用小波理论修正网络的权值与参数;最后结合WNN算法精准地分析和预测故障。选取BTM单元的100组故障数据作为样本进行仿真实验,并与BP神经网络、GA-BP神经网络以及SVM算法进行对比。实验结果表明：通过小波算法优化神经网络的测试样本平均绝对误差降低至6.917%,相关系数提高到97.402%,该算法在高速铁路列控车载设备故障分析方面有较高的准确性。     

矿山充填过程的智能控制技术与应用研究

介绍了专家控制（ＥＣ）、模糊控制（ＦＬＣ）、神经网络控制（ＮＣ）、学习控制（ＬＣ）以及智能故障诊断（ＩＦＤ）等几种智能控制方法，并给出了它们在矿山充填过程中的具体应用实例。     

我国铁路客运径路合理度的研究

在分析客运径路与旅客换乘方案的内在联系和我国客运径路的几种求解方法的基础上,提出了客运径路的多目标规划模型,运用神经网络中BP算法,采用专家评分的办法提供样本及利用该算法的自组织自学习机制,进行径路的合理性判断。     

智能型电子防滑器控制系统的试验研究

在智能型电子防滑器控制的研究中，通过试验数据的仿真研究表明了防滑器模糊神经网络控制模型建立的正确性。在此基础上，本文利用车辆盘形制动模拟试验台进行了室内车辆制动防滑模拟试验，以进一步验证其所建立的防滑器智能控制模型，并考核滑器模糊神经网络控制模型的滑行判断能力和防滑性能。由试验结果表明在智能型电子防滑器控制系统的研究中，所建立的防滑器控制模型具有专家知识和推理能力，能够根据加减速度和冲动（由于试验台的局限，本文滑移率控制参数为零）两个变量正确判断轮对的运动状态，特别是冲动变量的引入使得控制模型可以提前检知车轮的运行趋势，防止滑移率和减速度的过度增大，避免滑行的发生，模糊神经网络在防滑器上的成功应用将开创防滑研究的新阶段。     

BP神经网络在铁路建设风险评估中的应用

研究目的:中国铁路建设项目是实施"一带一路"战略的重要组成部分,而海外铁路修建的风险评估是项目的首要环节。本文首先综合各项风险因素,主要分析铁路建设项目沿途的亚洲及欧洲部分国家,建立了铁路建设项目风险评价体系;其次,针对亚欧两个大洲政治经济文化上的差异,使用了不同的训练算法建立了两个独立的BP神经网络模型。研究结论:(1)本文针对亚洲和欧洲不同的情况,利用不同的函数建立了BP神经网络模型来进行风险评价;(2)通过所创建的神经网络模型,在铁路建设目标国宏观风险评价中,只需专家给出目标国各个风险的评分,就可以得出目标国的总体建设风险评分,无需再进行繁琐的人工总体评分;(3)本研究结果可用于高速铁路建设风险评估。     

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。     

基于FOA-BP神经网络的高铁沉降预测

BP神经网络在沉降预测过程中存在预测精度有限、收敛速度慢等缺点。为提高BP神经网络在高铁沉降预测中的精度,基于改进的果蝇算法(FOA),利用其味道浓度函数来代替BP神经网络中的梯度函数,建立果蝇算法优化BP神经网络的预测模型—FOA-BP模型。通过果蝇种群迭代寻优获取最合适的权值和阈值,重新构建BP神经网络进行沉降预测。分别采用BP神经网络算法与FOA-BP神经网络算法对某高铁路基沉降监测点的沉降趋势进行预测,将两种算法的迭代次数、均方误差与平均相对百分比误差3个指标进行对比分析,结果表明:FOA-BP神经网络算法的三种指标均远小于BP神经网络算法,其模型精度更高,预测速度更快。     

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MEA-BP神经网络的自锚式悬索桥施工阶段吊索索力预测分析

为减小自锚式悬索桥在施工过程中吊索索力偏差对桥梁线形的影响程度，提高有限元模型的计算效率，提出一种基于思维进化(MEA)算法优化BP神经网络的吊索索力预测方法，以实现对桥梁各施工阶段的高精度逼近与吊索索力的快速反馈。在考虑施工过程中材料参数、荷载参数和环境温度等因素的不确定性基础上，结合有限元模型得到神经网络训练样本集。通过MEA算法实现BP神经网络权值与阈值的寻优，从而提高BP神经网络的预测精度。以某空间索面自锚式悬索桥为工程背景，建立该座桥梁的MEA-BP神经网络预测模型。结果表明，MEA-BP神经网络较传统BP神经网络具有更强的泛化能力与预测精度，MEA-BP神经网络的预测值与现场实测值的误差在10%以内，MEA-BP神经网络模型在索力预测方面具有较好的适用性。     

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。     

神经网络在铁道车辆齿轮箱故障诊断系统中的应用

将BP神经网络技术应用于铁道车辆齿轮箱故障诊断领域,搭建了BP神经网络诊断模型,在此基础上提出了一种改进的BP算法,并将常规诊断方法所提取的典型故障信号作为神经网络的输入数据,用改进的BP神经网络进行仿真测试。测试结果表明,经过改进的BP神经网络诊断系统具有较好的诊断效率和诊断精度,达到了预期的诊断结果。     

级联神经网络用于单扫描示波极谱信号的测定

将改进小波神经网络与BP神经网络相结合,提出一种新的混级联神经网络结构,用于单扫描示波极谱信号的同时测定.通过对网络结构的优化和网络参数的调整,加快了训练速度,提高了预测的准确度.用该法对邻、间硝基氯苯混合样进行了预测,结果满意.对级联神经网络法与单一BP神经网络法的预测结果进行了比较,表明级联神经网络优于单一BP神经网络.     

基于改进NARX神经网络的接触线表面不平顺与弓网接触力关联分析方法

建立弓网耦合动力学模型,采用软件MATLAB的Simulink模块对该模型进行动态仿真,获取接触线表面不平顺和弓网接触力数据;对接触线表面不平顺和弓网接触力数据进行归—化处理后,分别作为非线性自回归(NARX)神经网络的输入和输出;对传统的贝叶斯正则化算法进行改进,并采用改进的贝叶斯正则化算法进行NARX神经网络权值修正,得到改进的NARX(NARX-IR)神经网络方法;利用NARX-IR神经网络方法进行接触线表面不平顺与弓网接触力的关联分析.采用根均方误差和相关系数,对基于LM算法的BP(BP-LM)神经网络方法、基于传统贝叶斯正则化算法的NARX(NARX-BR)神经网络方法和NARX-IR神经网络方法进行性能评价.结果表明:BP-LM神经网络方法难以描述接触线表面不平顺与弓网接触力的复杂关联关系;不论在训练还是预测中,NARXIR神经网络方法的根均方误差均小于NARX-BR神经网络方法,而相关系数则大于NARX-BR神经网络方法.由此可推断:NARX-IR神经网络方法更适合于分析接触线表面不平顺与弓网接触力的关联关系.     

基于NARX神经网络的轮重减载率预测

以轨检车测出的左轨和右轨轨向不平顺、左轨和右轨高低不平顺为输入,以轨检车测出的轮重减载率为输出,采用贝叶斯正则化算法构建了NARX神经网络。仿真试验结果及与BP神经网络输出结果的对比表明,采用NARX神经网络实现轮重减载率预测是可行的,NARX神经网络比BP神经网络更适用于减载率预测。     

高速列车横向振动自适应神经模糊控制的仿真

为了设计出智能的列车悬挂系统,提出了基于神经网络的自适应模糊控制。模糊控制主要是针对系统的非线性;神经网络控制是产生模糊控制的控制规则。通过自适应神经网络的模糊推理系统(ANFIS),把神经网络和模糊控制相结合。神经网络根据采集的数据来进行训练,产生不同的控制规则,使模糊控制器对路面的变化具有自适应能力。仿真结果表明:该方法可在一定程度上减少轨道对列车车身的振动,提高列车在路面行驶的平稳性。     

基于模糊神经网络的道岔故障诊断系统研究

运用模糊理论和神经网络技术相结合的方法,构造了基于模糊神经网络的铁路道岔故障诊断系统,介绍该系统的的结构、原理及诊断过程,并采用Matlab神经网络工具箱进行仿真,仿真结果表明模糊神经网络方法适用于道岔设备故障诊断.     

RBF神经网络在铁路货运量预测中的应用

基于回归和时间序列模型的传统预测方法以及目前较为常用的灰色预测和BP神经网络预测方法，建立了RBF神经网络模型对全国铁路货运量进行详细分析和预测。利用铁路货运量的原始数据构造时间序列，并对时间序列进行分析和相应的处理。将处理后的数据构造为一个非线性映射，利用RBF神经网络进行逼近。利用Matlab对灰色预测、BP神经网络预测和RBF神经网络预测模型进行仿真实验，得出3种预测模型的平均相对误差，分别为7.67%、4.79%和1.31%。表明RBF神经网络预测方法的预测精度比另外两种预测方法高很多，可为铁路货运量预测研究提供方法支撑。