基于贝叶斯聚类的高速列车横向稳定性识别方法及其实时在线监测装置

针对国外高速列车横向失稳检测装置存在的误报和原始数据分析支持度不足的问题,根据车辆横向振动信号表现出的高斯统计特性和大量的现场试验数据,建立描述高速列车车辆横向加速度信号分布的高速列车高斯混合振动模型,运用期望值最大算法(EM算法)进行模型参数的估计,进而基于贝叶斯聚类算法实现高速列车横向稳定性的识别。运用给出的高速列车横向稳定性识别方法,设计由数据采集与处理模块、综合诊断模块、网络传输模块和车载实时数据库模块组成的高速列车横向稳定性实时在线监测装置。型式试验结果表明,该装置能够实现列车横向稳定性的识别,而且比既有设备的识别准确性更高。

基于贝叶斯的大数据异常值检测模型研究

随着物联网、云计算、移动互联网等信息产业的不断进步,数据规模越来越大、处理难度也逐渐加大。而海量的数据中,异常数据会干扰后续的挖掘、预测与分析。因此,有必要对异常数据进行检测,提高数据的准确性。但由于数据量过大,大数据常常不具备明显的分布特征,然而对非典型特征的数据进行建模是一个挑战,因为推理会变得更加困难。以空气质量大数据为例,研究了如何将不具备明显分布特征的大数据,利用独立的高斯分布混合分布描述此类数据。在前期研究的高斯混合模型+神经网络的基础上优化了均值和协方差的选取,使得结果更加准确。这对于异常数据检测具有重要意义,更大程度地提高检测的准确性。