时间序列分析法在混凝土板变形试验中的应用

研究目的:混凝土板结构在铁路、公路隧道衬砌结构中广泛应用.而长期经受隧道围岩压力及荷载作用,不时有变形破坏,危及安全运营的事故发生.通过试验研究混凝土板结构受载变形破坏的特征,预测预报事故发生的可能性,为保障结构运营安全进行现场监测预报提供有效方法.研究结论:试验结果表明:(1)采用的时间序列分析方法预测混凝土板变形精度较高,所有测点的线性拟合相关系数均在0.93以上,预测的误差在10％以内;(2)实测值与预测值对比,误差较小,可预报板变形趋势;(3)可作为隧道衬砌结构现场监测应用的有效方法.     

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。     

基于最小二乘支持向量机的高速铁路路基沉降预测

高速铁路路基的施工环境复杂,沉降监测数据往往是不等时距的.鉴于最小二乘支持向量机拥有强大的非线性拟合能力,使用最小二乘支持向量机建立沉降与时间的关系函数,以等时间步长插值得到路基的等时距沉降时间序列,建立基于最小二乘支持向量机的高速铁路路基沉降预测模型.分别运用给出的预测模型和BP神经网络与灰色理论联合方法对杭甬铁路客运专线上虞北站5个路基沉降监测断面进行路基沉降预测,并与现场实测数据对比.结果表明,短时距的最小二乘支持向量机预测模型比BP神经网络与灰色理论联合方法的预测精度高,预测结果更稳定,外推预测沉降更可靠.     

一种基于人脸序列模式的机车驾驶员疲劳检测方法

驾驶疲劳是导致事故的重要原因,本文在综述基于面部特征的机车驾驶员疲劳检测方法的基础上,提出了基于Gabor变换的人脸特征融合抽取模型,并在此基础上,结合隐马尔可夫模型(HMM)提出基于人脸图像序列的机车驾驶员疲劳检测方法。根据在疲劳和非疲劳状况下人脸模式特征的不同,首先利用Baum-Welch学习方法从疲劳图像序列训练学习得出疲劳模式下的HMM参数;然后,在疲劳模式识别时,把待识别的人脸图像序列表示成Gabor融合特征序列,再利用Viterbi算法计算该特征序列属于疲劳模式的概率值,从而实现对人脸图像序列的疲劳识别;最后,对各种姿态下的不同人脸图像序列数据进行了仿真测试。实验结果表明,与已有基于单幅人脸图像的疲劳识别方法相比,具有更好的疲劳识别性能。%     

基于时间序列分析的地铁变形监测数据建模与预报研究

变形监测数据分析与预报是变形数据处理中的重要内容,可靠的预报是决策的重要依据。根据时间序列的特性,阐述了如何应用该方法对变形监测数据进行建模与预报,并通过某地铁变形监测数据进行建模,验证该方法的可靠性和有效性。     

CBTC系统无线传输系统抗干扰解决方案探讨

对CBTC系统车地无线通信如何避免外界信号干扰进行探讨,通过对既有技术分析和比较,提出对现有2.4 GHz无线传输技术进行优化的方案,以提高CBTC无线传输系统的抗干扰能力,确保城市轨道交通系统正常运营。     

CTCS-3级列控系统车载设备测试序列优化生成方法

根据车载设备功能测试的需求,研究基于中国邮路算法优化生成CTC3-3级列控系统车载设备测试序列的方法.在分析测试序列构造方法的基础上,将测试序列的优化生成问题转换为求解1个具有多重弧的有向图的中国邮路问题.针对测试序列的特点,利用Edmonds-Johnson算法和LINGO建模工具对中国邮路问题进行求解,即通过构造容...     

合肥城市轨道交通1号线CBTC无线子系统抗干扰技术研究

针对当前CBTC系统中车地无线通信如何避免外界干扰的问题进行探讨。通过对合肥城市轨道交通1号线CBTC车地无线通信子系统所采用的组网方式及技术制式进行归纳,同时结合城轨交通中可能产生的无线干扰情况,重点分析了该系统的抗干扰技术及能力,并在此基础上提出了优化措施与建议。     

基于径向基神经网络的铁路客货运量预测研究

根据径向基神经网络具有分析非线性动态系统的混沌特性的特点,对铁路客货运发送量相关时间序列进行分析和研究,在Takens相空间重构的基础上,利用互信息方法求嵌入时延、伪邻域方法求嵌入维数;应用G-P方法和最大Lyapunov指数方法对铁路客货运量时间序列进行混沌识别;根据RBF神经网络的学习算法和辨识原理,对铁路客货运量预测流程进行分析。应用径向基神经网络对铁路客货运量自1999-01-01-2012-08-27共4 988 d的发送量为基础进行径向基神经网络预测;并对预测误差进行检验及对预测结果进行分析。研究结果表明：基于径向基神经网络预测值能很好地与实际值相吻合,因而在铁路客货运量相关时间序列中预测有广泛的实用价值。