基于人工神经网络的顺层偏压隧道变形预测

根据顺层偏压隧道工程实际监控量测数据,结合工程地质条件,基于人工神经网络,建立了顺层偏压大变形隧道人工神经网络预测模型,得到了顺层偏压隧道变形预测值。通过现场实测与模型计算预测变形值对比分析得出:人工神经网络预测模型在顺层偏压隧道大变形预测方面有很高的适用性能。     

基于Faster-RCNN的站台端部人员入侵检测研究

铁路客运站的站台端部为非封闭式环境,存在人员非法入侵的风险。在阐述Faster-RCNN算法原理的基础上,详细描述了VGG16模型、RPN网络以及分类回归的过程。采集现场数据制作样本集,训练了可区分普通人员、施工人员以及防护人员的站端入侵检测模型。测试分析了5组不同参数下的实验数据,确定候选区队列长度等于300,推荐候选区数量等于15时为最优参数。模型对普通人员、施工人员以及防护人员3种样本的识别精确率分别为95%、99%、100%,识别召回率分别为97%、99%、100%,平均精确率均值为0.983 6,单帧检测时间为0.069 s。结果表明:算法可有效地检测普通人员、施工人员以及防护人员,满足实时检测需求,为站台端部人员入侵检测提供了新思路。     

一种基于BP神经网络的铁路大宗货物运价风险预警判定方法

为获取较大的市场占有率和较好的利润增长水平,铁路货运公司需要实时掌握铁路货物运价在货运市场中的竞争力,综合考虑社会、企业自身和货主等因素,基于BP神经网络算法,进行铁路货运价格风险预警判定方法研究,并建立运价风险预警模型。以某铁路局集团有限公司大宗货物运输中的煤炭运输为例,选取2015-2017年相关数据,训练BP神经网络模型,得到铁路煤炭运价的风险预警结果。与实际数据对比,拟合程度较高,因此可使用该方法对当期的运价风险程度进行合理预测,同时也对相关铁路部门的运价政策制定与调整起到辅助决策作用。     

地铁闸机扇门机构故障时间序列预测研究

基于CNN+ LSTM混合神经网络构建故障时间序列预测模型,利用某型号地铁闸机扇门机构的故障数据进行实例分析,并与ARIMA、CNN和LSTM 3种单一预测模型对比。结果表明:CNN+LSTM混合神经网络模型的预测准确性较高,具有良好应用前景,研究成果可用于支持地铁闸机维修计划的制定和优化。     

基于粒子群优化的深度随机神经网络

针对传统多层随机神经网络性能不稳定问题,提出了一类利用粒子群优化算法来优化各层权值的深度随机网络方法.该方法利用粒子群优化算法,结合网络的输入输出灵敏度信息,逐层对自动编码器的输入层权值进行优化,通过改善自动编码器的性能来改善多层随机神经网络的性能.最后利用粒子群优化方法,对整个网络的权值作适当优化,进一步提高深度随机神经网络的性能.相对于传统深度学习算法,该方法在保持收敛精度的基础上降低了时间开销;相对于传统深度随机神经网络,该方法在增加时间开销基础上提高了收敛精度,从而较好地平衡了时间复杂度和收敛精度.