基于神經(jīng)網(wǎng)絡(luò)的高速列車位置計算模型及在線學(xué)習(xí)算法設(shè)計.pdf

1、隨著高速列車運行速度的不斷提高，高精度的列車定位子系統(tǒng)對保障行車安全有著越來越重要的意義。同時，定位精度的高低也將影響高速鐵路列車的運行效率和線路的運營能力。通過查閱國內(nèi)外相關(guān)文獻，本文分析了世界各國列車定位技術(shù)的優(yōu)缺點并且根據(jù)實測數(shù)據(jù)發(fā)現(xiàn)國內(nèi)現(xiàn)有高速列車定位誤差仍有改進的空間。我們提出在不增加設(shè)備投入的情況下，采用新的算法來降低定位誤差具有一定的使用價值。本文主要從以下幾個方面進行了研究:
　　首先，通過對國內(nèi)CTCS-3級列車

2、控制系統(tǒng)中定位子系統(tǒng)及車地通信之間的報文數(shù)據(jù)進行分析，我們建立了高速列車位置計算模型，并提出一個合理假設(shè)，給出了位置報告點之間運行距離的估計。根據(jù)實測數(shù)據(jù)的計算，我們發(fā)現(xiàn)在應(yīng)答器之間的高速列車定位累積誤差約為2％。
　　其次，提出了基于反方向傳播(Back Propagation，BP)，基于徑向基函數(shù)(RadicalBasis Function, RBF)，和基于自適應(yīng)網(wǎng)絡(luò)模糊推理系統(tǒng)（Adaptive Network base

3、dFuzzy Inference System，ANFIS）三種神經(jīng)網(wǎng)絡(luò)算法流程、模型建立以及相關(guān)算法函數(shù)，并利用京滬高速鐵路列車的實際運行數(shù)據(jù)及本文提出的六個評價指標(biāo)對這三種算法進行分析比較。結(jié)果表明:與工程上常用的速度平均法(Average speedmethod，ASM)相比，BP模型的誤差百分比在訓(xùn)練集和驗證集中，分別降低了63.52％和34.16％; RBF模型分別降低了40.16％和38.61％; ANFIS模型分別降低了6

4、3.11％和39.11％。為了進一步降低定位誤差，本文又提出了基于三種神經(jīng)網(wǎng)絡(luò)算法的參數(shù)在線學(xué)習(xí)策略，并利用驗證集數(shù)據(jù)進行校驗。結(jié)果表明:BP模型、RBF模型、ANFIS模型的誤差百分比進一步降低，分別由原來的34.16％、38.61％、39.11％變?yōu)?8.12％、39.60％、42.58％，說明參數(shù)在線學(xué)習(xí)策略有效。綜合看來，三種神經(jīng)網(wǎng)絡(luò)模型中，在線學(xué)習(xí)策略的ANFIS模型更適合用于計算列車位置。
　　最后，為了直觀地比較三種