基于智能优化深度网络的轨道电路故障诊断研究

针对无绝缘轨道电路故障的随机性和复杂性,采用单一诊断模型存在提取特征片面,且模型结构经验设计不合理的问题,提出一种智能优化深度网络的故障诊断方法。首先以轨道电路信号集中监测系统的6个电压检测量建立故障特征集,使用卷积神经网络(CNN)提取特征空间信息,长短期记忆网络(LSTM)提取时间特征信息,从而让轨道电路故障诊断所提取的特征兼具时空信息;同时,引入遗传算法(GA)优化上述深度神经网络的结构及参数,并结合强化学习中的Q-learning方法对两个组合网络特征级的输出权重进一步优化;最后,使用多层感知器(MLP)对深度网络的分类误差进行拟合修正,提高模型对轨道电路的故障诊断精度。仿真结果表明,利用智能优化的深度网络模型对轨道电路的故障诊断相较于单一模型、精炼设计的组合模型识别率可达99.28%,评价指标等均有所提升,具有更高的故障诊断准确度,证明了智能优化深度网络能进一步提高轨道电路的故障诊断性能。

改进麻雀算法和Q-Learning优化集成学习轨道电路故障诊断

无绝缘轨道电路的故障具有复杂性与随机性,采用单一的模型进行故障诊断,其性能评价指标难以提高。而采用集成学习方式,则存在各基学习器结构、参数设计盲目,集成模型中各基学习器组合权重难以分配的问题。针对以上问题,提出一种改进麻雀算法和Q-Learning优化集成学习的轨道电路故障诊断新方法,该方法有机地将集成学习与计算智能和强化学习相结合,充分挖掘轨道电路故障特征,提高性能评价指标。首先,使用卷积神经网络、长短期记忆网络和多层感知器深度学习模型,以及支持向量机和随机森林传统机器学习模型,共同构成集成学习基学习器,解决单一学习模型的不足,不同基学习器的使用保证集成学习的多样性。从自动化机器学习角度出发,采用改进麻雀算法优化该集成学习模型的结构和参数,克服其结构和参数难以确定的问题。在此之上,引入强化学习Q-learning对集成模型中各基学习器组合权重进行优化,智能地确定集成学习各基学习器的组合权重。最后,将集成学习模型的预测结果与真实结果比较后得到误差,再采用BP神经网络对预测结果进行补偿修正,进一步提高轨道电路的故障诊断性能评价指标。仿真结果表明,利用所提方法进一步改善了轨道电路故障诊断的准确度、精确度、召回率和F1值等性能评价指标。

基于多粒子群协同的城轨列车速度曲线多目标优化

在满足安全原则和各类约束条件下,为实现城市轨道交通列车运行能耗低、行驶时间短和停车精度高三个目标,建立了列车运行控制模型。在Pareto原理基础上,考虑列车运行中的各类工况序列,提出一种协同进化的多目标混沌粒子群算法(CMOCPSO),用于优化列车的自动驾驶速度曲线。此算法框架结构分为上下两层,其中基础群位于下层,以目标引导法实现全局搜索,在尽可能发掘边沿解的条件下让解分布更为均匀;精英群则位于上层,将其加以扰动后实现局部精细搜索。此外,为了改良算法的各项性能指标,进一步引入双外部档案来实现上下层的双向交互,在恰当的通信周期参数下,构成一个多方协同的高效寻优粒子群体。通过仿真试验验证表明:相比于多目标粒子群MOPSO算法,所提算法在多样性及收敛性上均具有明显的优势。为获取多种工况下优质的列车自动驾驶曲线,采用模糊隶属度法对Pareto前沿解集进行了筛选。

自适应多智能体算法优化深度网络的列车智能驾驶

在利用深度学习实现列车智能驾驶时,神经网络架构和参数的选择过于依赖人工经验,现有梯度下降法在参数优化时易陷入局部最优,且学习任务单一。针对上述问题,提出一种自适应多种群链式多智能体算法(AMPCMA)优化LSTM网络的列车智能驾驶新方法,该方法有机地将计算智能与深度学习结合,能充分挖掘优秀驾驶员数据。其具体实现过程为:首先,从自动化深度学习角度出发,采用遗传算法(GA)优化深度网络结构,克服了其结构难以确定的问题,并在此基础上分粗、细学习2个阶段对整个网络的参数进行优化。在粗学习阶段,采用AMPCMA算法对LSTM参数预置初值,有效地学习多个任务的共性。该算法能在进化过程中动态调整小种群链表规模,具有较好的灵活性和自适应性。接着在细学习阶段,基于上述多任务共性学习所得到的LSTM参数,再用Adam算法分别对单个任务上的参数精细优化,以实现任务的个性学习;其次,有效地设计了多任务之间的信息共享机制,且任务共性和个性学习有机结合,使得整个网络泛化能力强,较好地改善了列车档位、档位操纵时间和列车速度的多任务决策效果;最后,通过仿真实验验证了所提出的AMPCMA-LSTM模型较传统机器学习方法更优越,提高了列车操控与预测精度,并能在多种操控序列下表现出较强的鲁棒性。

消费者价格指数的分析与预测

文章收集了2002～2007年消费者价格指数的月数据,运用统计学和计量经济学原理,从时间序列的定义出发建立ARMA模型,利用统计软件sas对模型进行检验,再利用所建立的模型预测2008年的cpi,为政府进行宏观调控,控制物价过快增长提供数量化的建议。

计算机信息与智慧交通复合型研究生的培养

随着智慧交通的迅猛发展,社会对计算机类的高层次、复合型人才需求不断增大。我校在计算机学科硕士研究生培养中,存在着课程、实践与能力的人才培养体系与当前智慧交通发展不匹配的问题。针对上述情况,依托智慧交通发展大好形势,构建了基于互联网大脑架构的分层递进式智慧交通课程体系,搭建了交通物联网与智能信息处理、交通大数据与云计算、轨道交通智能控制“三大创新实践平台”。所重构的人才培养综合实践体系,将课程、实践和能力“三链”进行了优化并深度融合,从而培养出具有创新能力的计算机信息+智慧交通复合型硕士研究生,以适应智慧时代发展的需要。

DPICSA优化的城轨交通超级电容FNN控制研究

在城市轨道交通中超级电容储能系统用于吸收列车再生制动能量,以实现节能并抑制直流接触网的电压波动。在超级电容储能系统双闭环控制中,采用遗传算法优化的电压外环PI控制易引起输出振荡,而采用常规模糊控制又存在量化、比例因子整定困难,自适应性差且模糊推理速度慢等缺陷。针对上述问题,提出一种双种群免疫克隆选择算法(DPICSA)优化的城轨列车超级电容模糊神经网络(FNN)控制策略。采用DPICSA综合协调优化主模糊控制器的隶属度函数与量化、比例因子;在此基础上,设计一个模糊参数自校正器对量化、比例因子进行在线调节;采用两个RBF神经网络分别记忆主模糊推理与参数自校正模糊推理,利用神经网络高速并行分布式计算能力,加快模糊推理速度。通过3种不同场景下的仿真实验研究,验证了该策略在抑制网压波动和节能方面均优于遗传算法优化的PI控制和常规模糊控制。

广西人均国民生产总值与第三产业产值的时间序列分析

文章收集了1984-2005年广西壮族自治区"第三产业的总产值"和本区"人均国民生产总值GDP"的时间序列数据(来自中国统计年鉴),利用协整的理论以及统计软件spss进行时间序列建模,希望能为政府决策层提供依据。

股票投资的三种优化模型

本文以马柯维茨的均值方差模型为主要的理论基础,根据投资者对收益率和风险的不同偏好,建立了三种股票投资优化模型,供投资者投资时参考,并且通过数学软件Matlab6.5进行实证研究,其结果可望为投资实践提供某种程度的科学依据。

无标记手势识别中基于混合特征的手部分割研究

结合多种算法对无标记手势动作的识别进行了研究。根据人体肤色分布特性,采用了高斯肤色模型对肤色进行了建模;针对外界光照问题,采用HSV颜色空间来表示不同的肤色;针对手部运动过程中会出现背景信息融入手部的情况,使用背景去除的Haar-like特征手部描述算法,同时研究了Ada Boost分类器进行特征分类。实验结果表明:在无标记手部分割中,采用多特征融合的方法较可以得到更好的分割效果。

人工智能课程群实践内容构建与实现

本文在重庆交通大学信息科学与工程学院人工智能课程群理论体系基础下,构建了相应的人工智能课程群实践内容。为突出重庆交通大学的交通特色,设计并开发了基于opencv的人脸识别,基于CNN的车牌识别和基于yolov4的列车车速检测等三个“人工智能+交通”的实验案例。该实践内容提高了学生学习兴趣,加深了学生对人工智能算法的理解。实验案例培养了学生将人工智能相关方法应用于交通领域的综合实践能力。