汽车有量与年产量的神经网络预测研究

采用神经网络建立汽车保有量与年产量时间序列的预测模型,并对我国未来几年的汽车保有量和年产量进行预测,其中包括民用汽车拥有量、私人汽车拥有量和汽车产量等,取得了较为满意的预测结果.对预测结果进行分析,指出了我国汽车保有量与产量今后发展的特点和趋势.     

基于信息神经网络的自行火炮发动机故障预测

在分析信息神经网络 (INN)的非线性拟合能力的基础上探讨用于自行火炮发动机运行中的故障预测方法 ,经过多种自行火炮的试验 ,证明试验结果满意。     

基于机器学习的地铁轨道几何劣化规律个性化建模研究

较高的轨道平顺性是保障地铁列车安全舒适运行的基础,准确掌握地铁轨道的劣化规律对保障轨道质量具有重要意义。根据地铁线路特点,选择影响地铁轨道质量劣化的7类异质性因素,给出赋值模型,并基于机器学习方法建立轨道质量指数(track quality index,TQI)短时预测前馈神经网络模型。为了验证模型,采集了北京地铁1号线的线路设备数据及2016年8月15日至2019年2月18日间的17次TQI检测数据,形成训练数据集和测试数据集,并采取深度学习技术,利用训练数据集对该模型进行训练。基于测试数据集的模型预测值的可决系数为0.938,平均绝对百分比误差为4.80%,结果表明该模型是有效的且具有较高的预测精度。     

基于深度卷积神经网络的铁路接触网鸟窝检测方法研究

鸟类在铁路接触网筑巢一直是造成接触网故障的一个重要原因,目前主要依靠人工巡检的方式确定是否存在鸟窝,不仅工作量大、漏检率高,而且效率低。因此提升接触网鸟窝的检测效率,及时排除隐患,对保障铁路安全运营具有重要的意义。针对此问题,提出了一种基于深度卷积神经网络的Faster R-CNN模型用于接触网鸟窝的自动识别。通过自定义合适的网络结构和参数,经过预训练、 RPN网络训练、Fast R-CNN网络训练以及对RPN和Fast R-CNN的联合训练,建立了适合鸟窝检测的Faster R-CNN模型,实现对鸟窝的检测。经试验,Faster R-CNN的准确率为88.5%,每张图片的识别速度为79 ms,通过与传统的HOG方法、DPM方法和卷积神经网络方法进行比较,验证了深度卷积神经网络对铁路接触网鸟窝检测高效性。     

基于神经网络的列车轮对尺寸在线检测系统跟踪校正方法

列车轮对在线检测系统作为国内轨道交通运维领域的基础装备之一,主要用于检测列车走行部运行过程中的状态,包括轮对尺寸、踏面擦伤和轴温。其中轮对尺寸在线检测由于具有一定的技术难度,并且轮对尺寸与轮轨动力学关联密切,因此越来越受到重视。文章以工程实例分析了轮对尺寸在线检测系统的溯源校准方法和保障其长期稳定运行的核心难题,介绍了基于神经网络方法的参数跟踪校正关键步骤,并提出一种在轮对尺寸在线测量中改善轮对径向跳动、轴向位移对测量结果影响的误差补偿方法及应用效果。     

基于MIV-BP模型和AIC准则的盾构掘进参数优化研究

为解决水下隧道和隧洞工程盾构施工关键掘进参数在复合地层中难以控制的问题,以广东陆丰核电站1、2号机组排水隧洞工程盾构施工为背景,将平均影响值(Mean Impact Value,MIV)算法引入BP神经网络模型,筛选出对施工效果影响显著的关键掘进参数,在此基础上,基于AIC准则对其进行最优分布拟合,提出以50%和90%置信水平下的置信区间,分别作为掘进参数的控制区间和预警区间的掘进参数优化设计方案,并基于Python脚本语言自带的开源Scikit-Learn、SciPy模块库开发了相应的程序。分析结果表明,刀盘扭矩、总推力等参数对隧洞拱顶沉降起重要的控制作用,所开发程序具有良好的统计分析、快速指导施工的功能,可以为同类型盾构在相似复合地层下掘进参数的选取、优化和隧洞拱顶沉降量的控制提供参考。     

滑坡预测预报的Verhulst反函数残差修正模型

Verhulst反函数模型适用于非负、单调、监测数据波动小的预测问题,因而对随机波动性较大的数据序列拟合较差,故预测精度低.BP神经网络预测模型适用于随机的非线性动态数据系统,可弥补Verhulst反函数预测模型的局限性.在Verhulst反函数预测预报模型的基础上,增加残差项,运用BP神经网络对残差序列进行二次建模分析,形成滑坡失稳时间预报的verhulst反函数残差修正模型预测方法.应用VerhuIst反函数残差修正模型和Verhulst反函数模型预测方法,对国内外滑坡监测实例进行滑坡预测预报的结果表明,Verhulst反函数残差修正模型预测值的预报结果更接近实际观测数据,预测值的平均相对误差较Verhulst反函数模型减少1%～7%,预测精度高,适用范围广.     

基于并联灰色神经网络的基桩沉降量预测研究

研究目的:静荷载试验是基桩检测中最直观有效的检测方法,其试验数据的科学有效性对试验结果的分析判定至关重要.本文旨在通过并联灰色神经网络模型,探讨静荷载试验中相似地质条件下基桩沉降量的有效预测和数据修补问题,并给出计算方法.研究结论:通过对桩周围土体的灰色关联分析,确定了区域内桩周围土体的关联度;借助线性加权的方法对灰色模型和BP神经网络进行并联整合,实现对单一模型的降噪优化;运用并联灰色神经网络,对相似土层区域范围内单桩静荷载试验数据进行有效预测,并进行误差比对.结果表明:该方法可综合考虑多方因素,对试验过程中缺失数据的修复、已知沉降量的拟合、未来沉降量的预测和关联区域内基桩沉降量参考值的确定具有实用价值.     

基于RBF神经网络预测的分部分项工程费蒙特卡罗仿真方法

土建工程造价中分部分项工程费是计费的基础,其经济模型是一个包括人工费、材料费、机械费、管理费、利润和风险因素及其变化趋势等随机因素的多元联合随机分布函数,难以解析法求解.利用RBF神经网络对造价因素在建设期内取值进行预测,独立抽取造价因素的随机数,利用蒙特卡罗方法建立了分部分项工程费预估的系统仿真模型.同时,利用中心极限定理对仿真结果进行了精度估计.