原文传递
基于神经网络的高速列车位置计算模型及在线学习算法设计
| 论文题名： | 基于神经网络的高速列车位置计算模型及在线学习算法设计 |
| 关键词： | 高速列车;列车控制系统;定位误差;在线学习算法;位置计算;神经网络 |
| 摘要： | 随着高速列车运行速度的不断提高，高精度的列车定位子系统对保障行车安全有着越来越重要的意义。同时，定位精度的高低也将影响高速铁路列车的运行效率和线路的运营能力。通过查阅国内外相关文献，本文分析了世界各国列车定位技术的优缺点并且根据实测数据发现国内现有高速列车定位误差仍有改进的空间。我们提出在不增加设备投入的情况下，采用新的算法来降低定位误差具有一定的使用价值。本文主要从以下几个方面进行了研究: 首先，通过对国内CTCS-3级列车控制系统中定位子系统及车地通信之间的报文数据进行分析，我们建立了高速列车位置计算模型，并提出一个合理假设，给出了位置报告点之间运行距离的估计。根据实测数据的计算，我们发现在应答器之间的高速列车定位累积误差约为2％。 其次，提出了基于反方向传播(Back Propagation，BP)，基于径向基函数(RadicalBasis Function, RBF)，和基于自适应网络模糊推理系统（Adaptive Network basedFuzzy Inference System，ANFIS）三种神经网络算法流程、模型建立以及相关算法函数，并利用京沪高速铁路列车的实际运行数据及本文提出的六个评价指标对这三种算法进行分析比较。结果表明:与工程上常用的速度平均法(Average speedmethod，ASM)相比，BP模型的误差百分比在训练集和验证集中，分别降低了63.52％和34.16％; RBF模型分别降低了40.16％和38.61％; ANFIS模型分别降低了63.11％和39.11％。为了进一步降低定位误差，本文又提出了基于三种神经网络算法的参数在线学习策略，并利用验证集数据进行校验。结果表明:BP模型、RBF模型、ANFIS模型的误差百分比进一步降低，分别由原来的34.16％、38.61％、39.11％变为38.12％、39.60％、42.58％，说明参数在线学习策略有效。综合看来，三种神经网络模型中，在线学习策略的ANFIS模型更适合用于计算列车位置。 最后，为了直观地比较三种神经网络算法及速度平均法，本文开发了一款高速列车智能定位软件。该软件操作简单，界面友好。从程序设计看，该软件包含数据载入模块、列车定位算法模块、结果显示模块三部分;从界面设计看，该软件由训练集、训练结果、验证集、验证结果四部分组成。本文还详细介绍了软件的操作步骤。 |
| 作者： | 韩晓婕 |
| 专业： | 交通信息工程及控制 |
| 导师： | 陈德旺 |
| 授予学位： | 硕士 |
| 授予学位单位： | 北京交通大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
