基于SVM的地铁钢轨短波波磨特征识别

地铁钢轨短波波磨现象严重影响列车运行安全,更快速、准确地对钢轨波磨进行检测,有利于及时指导钢轨打磨,从而避免或减少由钢轨波磨引发的一系列问题。文章以轮轨噪声作为检测信号,提出了一种基于支持向量机（SVM）的地铁钢轨短波波磨特征识别框架;结合轮轨噪声和短波波磨类别特点,采用时域-频域特征提取方法,以最大化支持向量机分类精度为依据,实现对特征的有效提取和选择;较为全面地考虑现实中的各类钢轨短波波磨类型,实现对短波波磨的正确分类。分类测试结果表明,基于轮轨噪声和支持向量机的地铁钢轨短波波磨特征识别方法能够有效地对波磨波长和幅值进行正确分类,其中波长分类平均精度达到97.32%,幅值分类平均精度达到97.99%.     

基于CAWOA-BP的船舶凝给水系统故障诊断

为克服传统专家经验在故障诊断方面的不足,实现船舶凝给水系统的智能诊断,在标准BP神经网络基础上提出一种优化后的CAWOA-BP故障诊断模型。采用混沌映射以及自适应权重调整策略优化WOA鲸鱼算法,利用优化后的WOA鲸鱼算法改进BP神经网络的权值及阈值矩阵。由于船舶凝给水系统的状态监测数据是复杂多维度数据,利用UMAP降维算法对原始数据进行降维。最后,利用降维处理后的数据训练CAWOA-BP神经网络模型,实现故障诊断。通过对正常及故障数据的学习,发现优化后的CAWOA-BP模型相比于标准BP,WOA-BP,PSO-BP故障诊断模型具有更高的准确率、精确率、召回率及预测误差。研究表明,基于优化后的CAWOA-BP神经网络故障诊断方法能够更加精确实现船舶凝给水系统的故障诊断。     

基于BP神经网络的海上发射船耐波性优化研究

为了保证海上火箭发射的安全,应用BP神经网络对火箭发射船加以优化。按照海上发射在设备布局方面要求进行总布置设计,建立火箭-发射船刚性连接端的弯矩模型,以方形系数、船长和船宽为优化变量,通过BP神经网络模型对母型船进行优化设计,优化得到的船型弯矩比母型船减少了19.41%;对部分优异样本点进行再建模和数值仿真,仿真结果表明,BP神经网络模型的误差不到1%,验证了模型的准确性。该研究为海上发射船设计优化提供了一种研究思路,为海上火箭发射是否存在风险提供了一种预知方法。     

基于HLM-BP的高海拔隧道施工人员不安全行为预警研究

为降低高海拔隧道工程人因失误导致的安全事故率,以西成铁路甘青隧道为例,对施工人员不安全行为进行预警研究。首先,对施工人员进行深度访谈,采用扎根理论对访谈数据进行编码处理,总结出高海拔隧道施工人员不安全行为诱发因素。其次,依据人境交互理论将不安全行为诱发因素划分为自变量、中介变量和因变量,运用HLM模型探讨跨层次下变量间复杂作用关系。最后,运用Matlab中BP神经网络工具箱函数进行编程,构建高海拔隧道施工人员不安全行为“11-10-5”三级预警模型,对其进行网络训练和数据拟合,识别不安全行为趋势,发出预警信号。结果表明,训练好的BP神经网络具有良好的预警能力,甘青隧道施工人员不安全行为等级总体处于较低水平,隧道施工安全管理状态良好;对不安全行为等级高的“重警”和“巨警”,逐层分析跨层次下的不安全行为诱发因素,提出加强安全教育培训、密切关注施工人员身心状态、加强高原习服训练以及实时监测隧道环境变化等靶向干预措施。研究引入跨层次因素分析机制,系统构建基于BP神经网络的高海拔隧道施工人员不安全行为预警模型,为不安全行为研究提供了新思路,同时也为降低高海拔隧道人因失误提供了参考建议。     

基于BP神经网络的转辙机故障检测方法

为提高城市轨道交通中ZDJ9型转辙机故障维修效率,提出基于反向传播（BP,Back Propagation）神经网络的转辙机故障检测方法。文章深入分析转辙机动作电流采集原理及现场转辙机转换过程中不同阶段电流曲线特征,确定故障电流曲线种类;对转辙机转换过程中动作电流曲线进行小波分解与重构,对重构后的曲线进行关键特征值提取,将其作为基于BP神经网络的故障检测模型训练数据,最终经过8 000次迭代训练后,故障检测模型的故障检测准确率达到96%,表明该方法能够有效检测转辙机故障及其故障类型。     

基于BP神经网络的区域交叉口协调控制

城市区域交通协调控制是城市智能交通的研究重点,研究目的是减少车辆延误,提高路网通行能力.针对此问题,根据单交叉口神经网络控制方法,提出一种基于BP神经网络的区域多交叉口协调控制方法.采用五交叉口组成的区域路网,以区域所有交叉口平均车辆延误作为评价指标,利用MATLAB软件编程进行仿真.仿真结果表明,神经网络协调控制方法与定时控制、神经网络单独控制方法相比,能够取得更好的控制效果.     

基于SVM的中小学校门口交通安全评价

根据兰州市安宁区8所中小学校门口调查数据,建立基于支持向量机的中小学校门口交通安全评价模型,利用MATLAB编程,计算8所中小学相对安全情况。结果表明：在数据样本较小的情况下,应用SVM 模型可以较好评价中小学校门口安全等级;在数据充足、影响因素指标赋值规范的情况下,评价效果进一步提高。可以为中小学校门口道路及其附属设施建设提供参考,有效地减少城市儿童道路交通伤害。     

基于DBNs的车辆悬架减振器异响鉴别方法

针对人工经验提取特征进行减振器异响鉴别的复杂性与不可扩展性的问题,分析了深度信念网络(deep belief networks,DBNs)在减振器异响鉴别中的应用,并结合减振器整车与台架试验提出了完整的减振器异响鉴别流程.该方法只需将收集到的减振器活塞杆顶端振动加速度信号作为输入,经过DBNs模型逐层特征学习便可进行减振器异响鉴别.同时将鉴别结果与经典的BP神经网络、支持向量机以及传统的3种人工特征提取方法进行对比分析.结果表明:在输入仅为原始信号的条件下,深度信念网络模型对减振器异响鉴别的准确率为96.7%,表明了深度信念网络在减振器异响甄别中的优越性,具有广泛的工程应用前景.      

基于多重分形与SVM的高速列车运行状态识别方法

为了评估高速列车服役性态问题,提出基于多重分形与支持向量机(SVM)的高速列车状态识别新方法.该方法计算了高速列车振动信号的多重分形谱,分析了多重分形谱参数与列车状态之间的关联关系,提取了多重分形谱宽度、分形维数差和谱偏斜度作为高速列车状态的特征,使用支持向量机来对高速列车状态进行识别.获取了某型列车的正常状态、抗蛇行减震器失效、空簧失效3种典型的多重分形特征,训练了不同速度下的SVM和单一速度为160 km/h的SVM,并进行了工况识别实验.所提方法对高速列车的状态识别率大于88.8%,表明了该方法的有效性.      

一种基于支持向量机的增量学习算法

具有增量学习功能的数据分类技术与普通的数据处理技术相比较,增量学习分类技术具有明显的优越性?在新的训练过程中充分利用了历史的训练结果,从而显著减少了后继训练的时间。介绍了支持向量机的基本理论和一般的支持向量机增量学习算法,针对有些渐变问题(如机械设备的早期故障期和损耗期),新样本所提供的信息量与历史样本所提供的信息量是不同的,给出一种新息加权的支持向量机的增量学习算法,通过循环来获得最优分类面仿真实验表明,采用加权的增量算法更能反映新样本点的特征?