基于BP_Adaboost算法的轨面状态识别研究

发布时间：2020-06-15 09:52

【摘要】：受地域跨度广、地形和线路复杂等客观条件制约,列车面临的运行环境复杂多变,不同线路和阶段的轨面状态都可能发生随机变化。为保证列车安全运行,必须对列车运行轨面状态进行识别。本文基于轨面黏着状态特征数据,采用神经网络模型,将轨面黏着特性数据作为输入,对当前轨面状态进行分类识别。本文的研究内容如下:针对现有的轨面识别方法准确率不理想,识别速度较慢的问题,研究了一种基于Adaboost算法的神经网络轨面识别模型,该算法在样本数据相对较小的情况下,仍能保持较好的识别效果。针对数据采集中存在的补偿问题,设计了一种基于BP_Adaboost算法的强预测器,为了检验该预测器效果进行了仿真实验,证明了该方法的有效性和可行性。针对传统BP神经网络中,容易收敛到解空间中的局部极小点从而无法找到最优解的情况,采用一种改进的粒子群算法对网络参数进行优化,通过仿真实验结果可以判断该方法能较好的解决局部极值的问题。针对粒子群算法运算速度较慢,存在运算资源浪费的问题,采用思维进化算法对网络权值和阈值进行优化,与改进粒子群算法进行了仿真对比,结果表明思维进化算法在解决局部极值的同时,比改进的粒子群算法运算速度更快,节省了运算资源。
【学位授予单位】：湖南工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP18;U270.389
【图文】：

M-P模型

牵引力模型

【参考文献】

相关期刊论文 前2条

1 王海;蔡英凤;袁朝春;;基于多模式弱分类器的AdaBoost-Bagging车辆检测算法[J];交通运输工程学报;2015年02期

2 刘天键;邱立达;张宁;;改进型AdaBoost算法在车辆检测中的应用[J];闽江学院学报;2014年02期

相关硕士学位论文 前8条

1 李永基;基于图像的轨道表面缺陷识别研究[D];兰州交通大学;2017年

2 任俊箫;基于图像处理的铁轨表面缺陷检测设计[D];西南科技大学;2017年

3 王伟;基于BP神经网络的肿瘤数据分类方法研究[D];兰州交通大学;2017年

4 李立;基于图像处理的铁轨表面缺陷自动检测方法研究[D];南京航空航天大学;2015年

5 任强;重载机车粘着控制方法的研究与设计[D];西南交通大学;2014年

6 周媚媚;基于自适应神经网络的高速列车防滑控制[D];北京交通大学;2014年

7 陈鹏;电力机车的空转识别及防空转研究[D];西南交通大学;2013年

8 唐湘娜;铁轨表面缺陷的视觉检测算法研究[D];湖南大学;2013年

本文编号：2714245