以太网技术在机组控制中的应用

叙述了自动化机组控制技术的发展，及以太网技术应用于机组控制的必要性，可行性。     

基于改进 BiLSTM 网络的地铁车轮磨耗预测模型

针对地铁车轮磨耗数据时间跨度较长引起的长期依赖问题,为了进一步提升预测精度,提出一种将麻雀搜索算法(sparrow search algorithm,SSA)优化双向长短期记忆网络(bidirectional long short term memory,BiLSTM)的改进 BiLSTM(SSA-BiLSTM)网络模型,用于地铁车轮磨耗预测。首先,利用麻雀搜索算法对双向长短期记忆网络算法的神经元个数、迭代次数、输入批量和学习率等超参数在给定范围内进行寻优,得到参数最优值;然后,以参数最优值来构建改进 BiLSTM 网络模型,对车轮磨耗进行预测分析;最后,以车轮踏面磨耗和轮缘磨耗作为研究对象,将某地铁 1 车厢 1 号车轮的现场实测历史磨耗数据作为输入,对该模型进行训练及验证分析,并与多层感知机(multilayer perceptron,MLP)、LSTM、BiLSTM 以及 SSA-LSTM 模型的预测结果进行对比。研究结果表明：SSA-Bi-LSTM 模型的车轮磨耗预测精度更高,与 LSTM、BiLSTM 以及 SSA-LSTM 网络模型相比,踏面磨耗的平均绝对百分误差(mean absolute percentage error,MAPE)分别降低了 13.28%、10.32%、1.47%,轮缘磨耗分别降低了 9.5%、0.46%、0.02%;分别对同一地铁 2 号、4 号车厢的 1 号位置车轮磨耗进行预测,并与磨耗实测数据进行对比,踏面磨耗的平均绝对百分比误差分别为 1.34%、1.42%,轮缘磨耗的平均绝对百分比误差分别为 0.18%、0.19%,验证了本文所提模型具有良好的泛化性,为地铁轮对智能化管理提供理论支持,延长车轮使用寿命。     

基于图论推理的高速铁路信号系统网络诊断方法研究

维护终端是高速铁路信号系统的一个组成部分,是进行系统状态监测和维护的一个重要手段,也是系统智能运维技术的载体,计算机联锁系统为典型的地面信号系统.在对计算机联锁系统网络监测需求研究的基础上,采用图论模型方法,对其主机和内部网络、外部网络通道状态进行模型显示;基于特定的计算方法解决了通道显示问题;并基于图论模型和模糊推理...     

路基砂土液化的BP网络预测研究

运用人工智能领域中的神经网络知识,提出一种基于BP神经网络模型的路基砂土液化预测方法。提出用MATLAB7自带的神经网络工具箱编程来实现BP神经网络系统。     

车载自组网无标度特性与小世界特性分析

提出了面向车载自组网的BA1度优先连接方法。基于城市数据集的实际场景和节点随机均匀分布的仿真场景,分别采用全连接和BA1连接,进行了对比实验。实验结果表明：在全连接组网方式下,网络在实际场景和仿真场景中均不具有无标度特性和小世界特性;在BA1连接组网方式下,网络在实际场景中不具有无标度特性和小世界特性,而在仿真场景中,当通信半径增长到一定值时,网络具有无标度特性和小世界特性。     

基于数据挖掘的船舶引航事故致因分析

为控制和预防船舶引航事故的发生,采用Apriori算法挖掘船舶引航风险因素的关联规则,在挖掘风险因素间强关系的基础上结合定性贝叶斯网络的事故致因网络关联分析,综合确定船舶引航事故致因链。根据事故致因链分析引航事故最可能的形成过程和关键环节,以提出有针对性的防范对策。     

云计算环境下船舶无线通信网络入侵检测方法

以提升船舶无线通信网络安全性为目的,设计云计算环境下船舶无线通信网络入侵检测方法,提升入侵检测效果。利用云计算环境内Hadoop框架的分布式文件存储系统,存储船舶无线通信网络数据;通过云计算环境内Hadoop框架的MapReduce并行编程模型,对信息熵与长短期记忆网络进行分布式设计,设计并行信息熵-长短期记忆网络的入侵检测方法。该方法利用分布式信息熵选择船舶无线通信网络数据特征;以选择的特征为样本,输入至分布式长短期记忆网络内,输出无线通信网络入侵检测结果。实验证明：该方法可有效选择船舶无线通信网络数据特征,完成网络入侵检测,且入侵检测精度较高。在不同攻击类型时,该方法均具备较优的入侵检测效果。     

海上无人装备跨域通信技术发展研究

针对海上无人装备跨域集群作战的任务要求,总结出无人装备由于缺少人员的实时操控,其通信呈现出网络化、服务化、自主化、抗干扰、设备小型化等特点。梳理了国外无人机、无人艇、无人潜航器等无人装备通信系统的发展现状,并以美军《2017-2042年无人系统综合路线图》为参照,重点分析了无人装备跨域通信未来的发展趋势。在此基础上,重点从互操作性、自主智能、安全保密、人机协作4个方面,提出要重点研究和突破的关键技术。     

基于生成对抗网络的地铁OD需求短时预测

城市轨道交通作为一种安全、运量大、环保节能的交通工具,能有效缓解城市交通压力,逐渐成为大中城市居民最重要的出行方式之一。准确可靠的城市轨道交通短期客流预测对旅客出行与客流管控有重要意义。有鉴于此,提出一种新型的生成对抗网络(GAN)模型,即CWGAN-div模型,以实现对地铁OD需求的短期预测。CWGAN-div模型融合条件生成对抗网络(CGAN)模型以及基于Wasserstein散度的生成对抗网络(WGAN-div)模型,结合2种模型的特点,来提高原始生成对抗网络模型的稳定性和生成精度。考虑到地铁客流量变化的时间周期性,使用一种融合2类周期信息的时间标签作为条件信息,并与历史OD数据一起作为模型的输入。为了更充分、更稳定地挖掘地铁客流需求的时空相关性,采用一种改进的卷积神经网络,即残差神经网络构建CWGAN-div的内部结构。以深圳地铁1号线和4号线的44个站点为例,数值实验表明,CWGAN-div模型具有较好的稳定性和预测效果,相比传统预测方法和普通深度学习方法在预测精度上分别提高了27.97%和6.59%,相比其他组合模型提高了3.26%,相比基础CGAN模型和WGAN-div模...