广州地铁B型车风机运用可靠性分析

针对广州地铁B型车风机故障频发的问题,对列车所用的风机进行归类统计,借助可靠性平台收集风机故障数据,并通过BP神经网络算法建立广州地铁B型车整车风机的可靠性网络,通过列车风机的可靠性网络表现提出风机的维护维修方法。     

高速铁路动卧旅客对价格敏感度的识别与研究

计算、评分铁路旅客群体对价格的敏感度，并在此基础上实现旅客群体分类，对于新线开通票价制定、既有线票价浮动测算、丰富常旅客营销手段、预售期票价折扣实施等方面工作具有重要参考意义。选取多次乘坐高速铁路（简称:高铁）动卧的旅客为样本对象，根据其在票价动态调整开始实施后出行行为的变化，运用K-means聚类算法和BP神经网络，将每位高铁动卧旅客对价格的敏感度进行识别和评价，并最终将所有旅客群体分成3类。结果表明，该方法能够较好地评价旅客价格敏感度，准确识别出价格敏感度较高的旅客群体，为铁路旅客运输利用价格手段实现“削峰填谷”、减少客流波动、提高经营效益的市场化目标提供助力。     

基于改进LSTM-SVM的多传感器船舶旋转机械快速故障诊断方法

微小故障的快速诊断是预防和减少重大显著性故障发生的关键.近年来,基于深度学习的智能故障诊断方法已成为船舶旋转机械领域研究的热点.本文提出了一种基于改进的LSTM-SVM的循环神经网络深度学习算法,解决船舶旋转机械在多传感器监测环境下的快速故障诊断问题.该算法首先采用多层堆叠的LSTM网络作为特征提取器捕获多通道时间序列原始数据中的故障微弱特征,然后在网络末端采用非线性支持向量机(SVM)代替传统的Softmax函数作为分类判别器,进一步提升诊断准确率.实验结果表明,提出的方法具有更高的诊断准确率和更快的诊断速度,更适用于多传感器监测环境下微小故障的快速诊断和实时检测.     

改进神经网络的舰船电力系统稳定性容错控制

大部分舰船电力系统控制方法只能完成电力系统的基础控制任务,没有考虑电力系统状态控制,造成控制后电压稳定性较差的问题。因而,设计改进神经网络的舰船电力系统稳定性容错控制方法。引用改进神经网络设计状态诊断网络,完成舰船电力系统状态诊断。设计模糊滑膜变结构控制器为容错控制器,引用模糊控制技术控制电力系统中电流与电压的变化,实现对舰船电力系统的稳定性控制。通过测试对比可知,此方法与原有2种控制方法相比,此方法完成控制后的输出电压更加稳定。综上可知,改进神经网络的舰船电力系统稳定性容错控制更适用对电力系统的状态进行控制。     

基于ARIMA-RBF神经网络的沿海港口吞吐量预测研究

在沿海吞吐量预测中，影响因素多且复杂，传统的计量经济模型很难得到满意的结果。针对此特点，提出一种组合预测模型，先后用ARIM A模型和RBF神经网络模型探求港口吞吐量历史数据的线性和非线性变化规律，最后将两者预测结果组合。对福建省港口货物吞吐量预测作为实例进行验证，结果表明，相对单一预测模型，该方法的预测精确度更高。     

神经网络与遗传算法结合在结构优化设计中的应用

利用神经网络对有限元计算的样本数据建立起结构设计参数与位移，应力等的全局性映射关系，以获得遗传算法求解结构优化问题所需的目标函数值，从而进一步获得问题的优化解，５杆桁架等例表明，此方法可以在较少的有限元分析次数下获得的较好的优化解。     

神经网络在数控机床智能控制中的应用

介绍了人工神经网络的万能逼近特性，提出了一种结构新颖的神经网络控制器及其算法，并在数控铣床上进行了性能验证。结果表明这种控制器性能优越，自适应能力强。     

智能驾驶实时目标检测的深度卷积神经网络

为提高深度学习神经网络运行速度,满足智能驾驶对算法实时性的要求,基于一种一体化实时目标检测算法YOLO和一种目标检测网络模型Faster RCNN,提出一种结合两者特点的实时目标检测神经网络。该网络保留区域卷积神经网络(R-CNN)算法的二次检测模式和区域生成神经网络RPN,去掉先验框,采用YOLO直接预测位置。结合Mask R-CNN中的ROI-Align方法进行二次位置修正,减少了Faster R-CNN中ROI-pooling所带来的位置预测偏差。对改进后的网络在KITTI数据集上进行测试,结果表明:改进后的神经网络检测一次仅耗时38 ms,检测的平均精确度高于YOLO和Faster RCNN,且对于不同大小的目标都具有很好的泛化能力。     

基于大数据平台的动态票额智能预分系统的研究与实现

本文提出了以Hadoop为核心的大数据分析平台架构，并设计了基于MapReduce的分布式预测算法、动态票额预分、敏捷票额调整等流程，构建了动态票额智能预分系统，使得客票销售形成“预测、预分、监控、调整、再预测”的闭环流程，实验数据证明，该系统可有效提升铁路客运产品收益。     

基于神经元网络的钻杆热处理温度信号校正

神经网络是非线性系统建模的重要方法。反向传播（BP）算法常常用于神经网络的权值训练中，但是BP算法收敛慢。为此，将非线性最小二乘法用于前馈神经网络的权值学习。采用这一建模方法对石油钻杆在热处理中的温度测量偏差进行校正。研究结果表明，该方法具有很快的收敛速度和很好的拟合精度，适用于工业过程中测量信号的在线校正。