[發(fā)明專利]一種利用模糊神經(jīng)網(wǎng)絡(luò)預測軌道質(zhì)量的方法

在審

• 申請?zhí)枺?/td>: 202010610431.5
• 申請日: 2020-06-29
• 公開（公告）號: CN112036599A
• 公開（公告）日: 2020-12-04
• 發(fā)明（設(shè)計）人: 張玉燕
• 申請（專利權(quán)）人: 張玉燕
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/30;G06N3/04;G06N3/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種利用模糊神經(jīng)網(wǎng)絡(luò)預測軌道質(zhì)量的方法，其特征在于，包括以下步驟：

S1、選擇左右軌向、左右高低、軌距、水平和三角坑7項軌道幾何參數(shù)，并采用模糊語義集合描述軌道集合參數(shù)的特征，并評價其權(quán)重，其模糊語義集合為全相關(guān)(Full，F(xiàn))，對應的三角模糊數(shù)為(0.7，0.8，0.0)；

S2、通過軌檢車以200m為一個單元區(qū)段，收集左右軌向、左右高低、軌距、水平和三角坑7項軌道幾何參數(shù)，并從狀態(tài)維度、時間維度和環(huán)境維度，定義了6個影響關(guān)鍵參數(shù)的主要因素；

S3、采用FNN進行軌道質(zhì)量預測，采用4層FNN網(wǎng)絡(luò)結(jié)構(gòu)，依次為輸入層、隱含層、模糊規(guī)則層和輸出層，其中輸入層和輸出層的神經(jīng)元分別代表影響關(guān)鍵參數(shù)的主要因素的取值和預測得到的維修時間段；

S4、采用PSO算法對FNN的權(quán)重參數(shù)進行反復優(yōu)化，知道解粒子群質(zhì)量區(qū)域穩(wěn)定，得到的權(quán)重組合已經(jīng)是比較接近最佳組合，然后再使用PSO算法對FNN參數(shù)進行進一步優(yōu)化，直到得到最優(yōu)的FNN權(quán)重組合為止。

2.根據(jù)權(quán)利要求1所述的一種利用模糊神經(jīng)網(wǎng)絡(luò)預測軌道質(zhì)量的方法，其特征在于：所述S2中的影響關(guān)鍵參數(shù)的主要因素為狀態(tài)維度：平均故障間隔和事故發(fā)生概率，時間維度：新軌道數(shù)量和舊軌道數(shù)量，環(huán)境維度：氣候因素和電力負荷(僅針對電網(wǎng)設(shè)備)。

3.根據(jù)權(quán)利要求1所述的一種利用模糊神經(jīng)網(wǎng)絡(luò)預測軌道質(zhì)量的方法，其特征在于：所述S3中FNN包括以下步驟：

A1、輸入層：該層中，軌道的影響關(guān)鍵參數(shù)的主要因素取值都將作為輸入數(shù)據(jù)，輸入到FNN中，x_i標識第i個影響因子；

A2、隱含層：該層中的每一個節(jié)點都將輸入層輸入數(shù)據(jù)的值通過高斯函數(shù)進行轉(zhuǎn)化；

式中，r_ij是第i個輸入節(jié)點數(shù)據(jù)到本層第j個模糊神經(jīng)元非線性變換的連接權(quán)，d_ij是控制本層第j個模糊神經(jīng)元非線性變化范圍的參數(shù)；

A3、模糊規(guī)則層：該層主要依據(jù)模糊規(guī)則庫實現(xiàn)模糊推理，這層的節(jié)點成為規(guī)則節(jié)點，每個節(jié)點代表一條模糊規(guī)則，其作用是匹配模糊規(guī)則，完成模糊“AND”運算，并計算神經(jīng)元輸出對應的每條規(guī)則的適應度；

A4、輸出層：這一層進行去模糊化操作，計算所有的規(guī)則的輸出之后，并進行歸一化處理；

式中，第三層節(jié)點和第四層節(jié)點間都有一個權(quán)重v_mn，即：模糊規(guī)則a_mn的權(quán)重，這樣可以得到一個確切的值F作為輸出，F(xiàn)表示預測維修的時間段。