CN105760658A - 一种区间神经网络的高速列车噪声预测方法 - Google Patents

一种区间神经网络的高速列车噪声预测方法 Download PDF

Info

Publication number
CN105760658A
CN105760658A CN201610073453.6A CN201610073453A CN105760658A CN 105760658 A CN105760658 A CN 105760658A CN 201610073453 A CN201610073453 A CN 201610073453A CN 105760658 A CN105760658 A CN 105760658A
Authority
CN
China
Prior art keywords
interval
noise
bullet train
neural network
generalized
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610073453.6A
Other languages
English (en)
Other versions
CN105760658B (zh
Inventor
谢锋云
谢三毛
周建民
江炜文
唐宏兵
张慧慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN201610073453.6A priority Critical patent/CN105760658B/zh
Publication of CN105760658A publication Critical patent/CN105760658A/zh
Application granted granted Critical
Publication of CN105760658B publication Critical patent/CN105760658B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

一种区间神经网络的高速列车噪声预测方法，利用广义区间理论处理获取的影响高速列车噪声参数的不确定性问题，由区间神经网络模型对高速列车运行噪声进行准确预测。所述方法步骤包括（1）选取影响高速列车噪声参数、（2）获取影响噪声参数历史数据、（3）数据预处理、（4）预处理数据区间化、（5）构建初始区间神经网络模型、（6）训练初始区间神经网络模型和（7）高速列车噪声预测。本发明采用广义区间方法处理高速列车影响噪声参数中的不确定性问题，并利用区间神经网络模型预测方法对高速列车运行噪声进行预测，提高了噪声预测结果的可靠性。

Description

一种区间神经网络的高速列车噪声预测方法
技术领域
本发明涉及一种区间神经网络的高速列车噪声预测方法，属高速列车噪声预测技术领域。
背景技术
高速铁路是世界铁路的共同发展趋势，并已成为铁路现代化的重要标志。高速铁路随着列车运行速度的提高，列车噪声污染也急剧增加，不可避免的为列车沿线的居住环境带来严重的影响。国外高速铁路运行经验表明，高速铁路引起的噪声问题是高速铁路最难解决的问题之一，也是高速铁路设计和建设中迫切需要考虑与解决的问题。如何建立可靠的高速列车运行噪声预测模型，对噪声进行准确的预测，进而提出相应的控制措施，具有重要的理论和现实意义。
目前常用的列车运行噪声预测方法主要有：以现场实测为基础的类比法；以现场实测为基础并与理论计算相结合的比例法；以理论计算为基础模式法；以实验为基础模型法，这些方法都是在基于精确值的基础上进行预测的。由于高速列车运行噪声构成的多样性如轮轨噪声、牵引噪声及空气动力噪声等，以及影响噪声因素的复杂性如列车车型、速度、风速、被测点距离及路况等，使获取预测的先验参数值存在着不确定性，只通过精确值是很难进行准确描述的，因此以传统精确值为基础的高速列车噪声预测方法存在着一定的局限性，这最终将导致预测结果的可靠性降低。
广义区间理论作为不确定性问题有效处理工具之一，Y.Wang于2010在《Impreciseprobabilitiesbasedongeneralizedintervalsforsystemreliabilityassessment》中进行了详细的阐述：广义区间可以处理工程中各种不确定性问题及人类认识客观世界能力的局限性问题而产生的认知不确定性问题，它将不确定量转换为广义区间形式，并通过广义区间的宽度量化不确定性。由于基于广义区间的不确定性处理方法考虑了不确定性问题，将使研究结果更加可靠。传统的神经网络具有很强非线性函数映射功能、很强的学习和容错功能，是工程中常用的预测模型。
发明内容
本发明的目的是，针对高速列车运行产生噪声的不确定性问题，本发明提出一种区间神经网络的高速列车噪声预测方法。
本发明的技术方案如下：一种区间神经网络的高速列车噪声预测方法，利用广义区间理论处理获取的影响高速列车噪声参数的不确定性问题，由区间神经网络模型对高速列车运行噪声进行准确预测。
一种基于区间神经网络的高速列车噪声方法，具体包括如下步骤：
(1)选取影响高速列车噪声参数
高速列车运行噪声与许多因素有关，本发明优取的参数为：高速列车行驶速度、测点与轮轨中心相对位置、空气风速及高速列车车型。
(2)获取影响噪声参数历史数据
针对本发明步骤(1)，采用激光测速仪测量高速列车行驶速度，计为x1；采用激光测距仪测量被测点与轮轨中心相对位置，计为x2；采用风速仪测量空气风速，计为x3；采用图像识别仪识别高速列车车型，计为x4；通过声级计测量该时刻该位置的噪声，计为y。
(3)数据预处理
将测量获取的列车速度x1、相对位置x2及风速x3归一化处理，归一化处理方法为：其中i＝1,2,3，min(xi)为xi中最小值，max(xi)为xi中最大值。从而得到归一化的列车速度x1'、相对位置x'2及风速x'3。将图像识别仪获取的高速列车车型CHR1、CHR2、CHR3及CHR5分别用数值1、2、3及5进行量化表示。
(4)预处理数据区间化
考虑测量高速列车噪声参数中的各种不确定性问题，依据广义区间及误差理论，将预处理数据转换为广义区间形式，其中，将归一化的高速列车行驶速度x1'转换成广义区间形式将归一化的与轮轨中心相对位置x'2转换成广义区间形式将归一化的空气风速x'3转换成广义区间形式将高速列车车型CHR1、CHR2、CHR3及CHR5分别表述为广义区间形式：[1,1]、[2,2]、[3,3]及[5,5]；将声级计获取的噪声y转换为
其中，广义区间x的数学定义为：
即广义区间x通过一对下界实数x和上界实数来表述，kR表示广义闭区间的实数集合，式中的x不受的任何约束。
(5)构建初始区间神经网络模型
将区间化了的噪声参数值作为区间神经网络的输入；与输入向量对应的噪声作为区间神经网络的输出；区间神经网络中输入层和隐含层使用正切S型传递函数，输出层采用线性传递函数；隐层个数由确定，其中：n1为隐含层神经元数，m为输出层神经元数，n为输入层神经元数，a∈[1,10]，从而构成初始的区间神经网络模型。
(6)训练初始区间神经网络模型
将区间化了的影响噪声参数值作为测试样本，代入初始区间神经网络模型中，采用梯度下降迭代方法，训练初始区间神经网络模型，直到初始区间神经网络模型优化为止。
其中，区间神经网络模型是对传统神经网络模型在广义区间涵义上的延拓，其将传统神经网络的参数依据广义区间理论，转换为了广义区间参数形式。
(7)高速列车噪声预测
依据第(2)，第(3)及第(4)步骤相同的过程，处理需要测试的影响噪声参数样本，从而得到影响噪声参数值的区间测试样本，将区间测试样本输入优化的区间神经网络模型中，计算模型输出结果，同时采用区间重心法则计算出精确值输出结果，即为高速列车噪声预测结果。
本发明与传统的列车噪声预测方法相比的有益效果是，本发明采用广义区间方法处理高速列车影响噪声参数中的不确定性问题，并利用区间神经网络模型预测方法对高速列车运行噪声进行预测，提高了噪声预测结果的可靠性。具体来说，本发明具有以下优势：
1)将影响高速列车噪声参数中的不确定量转换为广义区间形式，通过广义区间理论处理获取信息中存在的不确定性问题，可解决高速列车噪声预测模型输入中的参数值不确定性问题；
2)将广义区间理论与传统神经网络模型组合应用于预测，可以处理传统神经网络中的模型不确定性问题，把区间神经网络模型应用于高速列车噪声预测，由于预测过程中的不确定性问题得到了有效处理，将提高高速列车噪声预测结果的可靠性。
附图说明
图1为本发明方法的流程框图。
具体实施方式
本发明的具体实施方式如图1所示。
本发明将通过以对高速列车噪声预测为例实施例作进一步的说明。
()选取影响高速列车噪声参数
高速列车运行噪声与许多因素有关，如：高速列车车型，被测点与轮轨中心距离空气风速、高速列车车速、路况及环境等。本发明实施例优选的参数为：高速列车行驶速度、测点与轮轨中心相对位置、空气风速及高速列车车型。
(2)获取影响噪声参数历史数据
针对本实施例步骤(1)，本实施例获取影响噪声参数历史数据包括：采用激光测速仪测量高速列车行驶速度，计为x1；采用激光测距仪测量被测点与轮轨中心相对位置，计为x2；采用风速仪测量空气风速，计为x3；采用图像识别仪识别高速列车车型，计为x4；通过声级计测量该时刻该位置的噪声，计为y。
(3)数据预处理
将测量获取的列车速度x1、相对位置x2及风速x3归一化处理，归一化处理方法为：其中i＝1,2,3，min(xi)为xi中最小值，max(xi)为xi中最大值。从而得到归一化的列车速度x1'、相对位置x'2及风速x'3。将图像识别仪获取的高速列车车型CHR1、CHR2、CHR3及CHR5分别用数值1、2、3及5进行量化表示。
(4)预处理数据区间化
考虑测量高速列车噪声参数中的各种不确定性问题，依据广义区间及误差理论，将预处理数据转换为广义区间形式，其中，将归一化的高速列车行驶速度x1'转换成广义区间形式将归一化的与轮轨中心相对位置x'2转换成广义区间形式将归一化的空气风速x'3转换成广义区间形式将高速列车车型CHR1、CHR2、CHR3及CHR5分别表述为广义区间形式：[1,1]、[2,2]、[3,3]及[5,5]；将声级计获取的噪声y转换为
其中，广义区间x的数学定义为：
即广义区间x通过一对下界实数x和上界实数来表述，kR表示广义闭区间的实数集合，式中的x不受的任何约束。
(5)构建初始区间神经网络模型
将区间化了的噪声参数值作为区间神经网络的输入；与输入向量对应的噪声作为区间神经网络的输出；区间神经网络中输入层和隐含层使用正切S型传递函数，输出层采用线性传递函数；隐层个数由确定，其中：n1为隐含层神经元数，m为输出层神经元数，n为输入层神经元数，a∈[1,10]，从而构成初始的区间神经网络模型。
本实施例中优选输入层神经元个数n为4个，输出层神经元数m为1个，隐含层神经元数n1为11个。
(6)训练初始区间神经网络模型
将区间化了的影响噪声参数值作为测试样本，代入初始区间神经网络模型中，采用梯度下降迭代方法，训练初始区间神经网络模型，直到初始区间神经网络模型优化为止。
其中，区间神经网络模型是对传统神经网络模型在广义区间涵义上的延拓，其将传统神经网络的参数依据广义区间理论，转换为了广义区间参数形式。
(7)高速列车噪声预测
依据实施例中的第(2)，第(3)及第(4)步骤相同的过程，处理需要测试的影响噪声参数样本，从而得到影响噪声参数值的区间测试样本，将区间测试样本输入优化的区间神经网络模型中，计算模型输出结果，同时采用区间重心法则计算出精确值输出结果，即为高速列车噪声预测结果。
上述实施例仅是本发明方法的一个优选的方案，但本发明的方法不局限于其对高速列车噪声预测，对其他的列车噪声预测都可适用。

Claims (3)

1.一种区间神经网络的高速列车噪声预测方法，包括选取影响高速列车噪声参数和获取影响噪声参数历史数据；其特征在于，所述方法还包括以下步骤：
(1)数据预处理
将测量获取的列车速度x1、相对位置x2及风速x3归一化处理，归一化处理方法为：其中i＝1,2,3，min(xi)为xi中最小值，max(xi)为xi中最大值；从而得到归一化的列车速度x′1、相对位置x'2及风速x'3；将图像识别仪获取的高速列车车型CHR1、CHR2、CHR3及CHR5分别用数值1、2、3及5进行量化表示；
(2)预处理数据区间化
将预处理数据转换为广义区间形式；其中，将归一化的高速列车行驶速度x′1转换成广义区间形式将归一化的与轮轨中心相对位置x'2转换成广义区间形式将归一化的空气风速x'3转换成广义区间形式将高速列车车型CHR1、CHR2、CHR3及CHR5分别表述为广义区间形式：[1,1]、[2,2]、[3,3]及[5,5]；将声级计获取的噪声y转换为
其中，广义区间x的数学定义为：
x : = [ x , x ‾ ] ∈ k R
即广义区间x通过一对下界实数x和上界实数来表述，kR表示广义闭区间的实数集合，式中的x不受的任何约束；
(3)构建初始区间神经网络模型
将区间化了的噪声参数值作为区间神经网络的输入；与输入向量对应的噪声作为区间神经网络的输出；区间神经网络中输入层和隐含层使用正切S型传递函数，输出层采用线性传递函数；隐层个数由确定，其中：n1为隐含层神经元数，m为输出层神经元数，n为输入层神经元数，a∈[1,10]，从而构成初始的区间神经网络模型；
(4)训练初始区间神经网络模型
将区间化了的影响噪声参数值作为测试样本，代入初始区间神经网络模型中，采用梯度下降迭代方法，训练初始区间神经网络模型，直到初始区间神经网络模型优化为止；
其中，区间神经网络模型是对传统神经网络模型在广义区间涵义上的延拓，其将传统神经网络的参数依据广义区间理论，转换为了广义区间参数形式；
(5)高速列车噪声预测
依据步骤(1)及步骤(2)相同的过程，处理需要测试的影响噪声参数样本，从而得到影响噪声参数值的区间测试样本，将区间测试样本输入优化的区间神经网络模型中，计算模型输出结果，同时采用区间重心法则计算出精确值输出结果，即为高速列车噪声预测结果。
2.根据权利要求1所述一种区间神经网络的高速列车噪声预测方法，其特征在于，所述影响高速列车噪声参数包括高速列车行驶速度、测点与轮轨中心相对位置、空气风速及高速列车车型。
3.根据权利要求1所述一种区间神经网络的高速列车噪声预测方法，其特征在于，所述获取影响噪声参数历史数据包括：采用激光测速仪测量高速列车行驶速度，计为x1；采用激光测距仪测量被测点与轮轨中心相对位置，计为x2；采用风速仪测量空气风速，计为x3；采用图像识别仪识别高速列车车型，计为x4；通过声级计测量该时刻该位置的噪声，计为y。
CN201610073453.6A 2016-02-03 2016-02-03 一种区间神经网络的高速列车噪声预测方法 Expired - Fee Related CN105760658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610073453.6A CN105760658B (zh) 2016-02-03 2016-02-03 一种区间神经网络的高速列车噪声预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610073453.6A CN105760658B (zh) 2016-02-03 2016-02-03 一种区间神经网络的高速列车噪声预测方法

Publications (2)

Publication Number Publication Date
CN105760658A true CN105760658A (zh) 2016-07-13
CN105760658B CN105760658B (zh) 2018-09-28

Family

ID=56329632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610073453.6A Expired - Fee Related CN105760658B (zh) 2016-02-03 2016-02-03 一种区间神经网络的高速列车噪声预测方法

Country Status (1)

Country Link
CN (1) CN105760658B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108337057A (zh) * 2018-02-08 2018-07-27 合肥工业大学 一种基于三层神经网络的列车通信信道预测方法
CN109918687A (zh) * 2017-12-08 2019-06-21 北京通号国铁城市轨道技术有限公司 一种基于机器学习的列车动力学仿真方法及仿真平台
CN110502726A (zh) * 2019-08-28 2019-11-26 西南交通大学 一种轨道车辆车内噪音预测方法及装置
CN112633597A (zh) * 2020-12-30 2021-04-09 南京理工大学 基于rbf神经网络的地铁列车ato速度曲线预测方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110674996B (zh) * 2019-09-27 2022-06-10 河南大学 一种城市交通噪声预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
J. FRY AND P. JENNINGS: "Using Multi-Layer Perceptrons to Predict Vehicle Pass-By Noise", 《NEURAL COMPUT & APPLIC》 *
YAN WANG: "Imprecise probabilities based on generalized intervals for system reliability assessment", 《INT.J.RELIABILITY AND SAFETY》 *
李辉 等: "基于神经网络方法的高速列车车外气动噪声预测", 《噪声与振动控制》 *
袁玲: "交通噪声预测的神经网络模型", 《长安大学学报（自然科学版）》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918687A (zh) * 2017-12-08 2019-06-21 北京通号国铁城市轨道技术有限公司 一种基于机器学习的列车动力学仿真方法及仿真平台
CN108337057A (zh) * 2018-02-08 2018-07-27 合肥工业大学 一种基于三层神经网络的列车通信信道预测方法
CN108337057B (zh) * 2018-02-08 2020-08-14 合肥工业大学 一种基于三层神经网络的列车通信信道预测方法
CN110502726A (zh) * 2019-08-28 2019-11-26 西南交通大学 一种轨道车辆车内噪音预测方法及装置
CN112633597A (zh) * 2020-12-30 2021-04-09 南京理工大学 基于rbf神经网络的地铁列车ato速度曲线预测方法
CN112633597B (zh) * 2020-12-30 2022-09-27 南京理工大学 基于rbf神经网络的地铁列车ato速度曲线预测方法

Also Published As

Publication number Publication date
CN105760658B (zh) 2018-09-28

Similar Documents

Publication Publication Date Title
CN105760658A (zh) 一种区间神经网络的高速列车噪声预测方法
CN107941537B (zh) 一种机械设备健康状态评估方法
Ye et al. Short-term traffic speed forecasting based on data recorded at irregular intervals
CN104778837B (zh) 一种道路交通运行态势多时间尺度预测方法
Chen et al. Soft computing methods applied to train station parking in urban rail transit
CN109214581B (zh) 一种考虑风向和置信区间的铁路沿线风速预测方法
CN101592673B (zh) 铁路沿线风速预测的方法
CN102063641A (zh) 高速铁路沿线风速预测方法
CN104765916A (zh) 一种高速列车动力学性能参数优化方法
CN107967803A (zh) 基于多源数据及变权重组合预测模型的交通拥堵预测方法
CN108008099A (zh) 一种污染源定位方法
Li et al. Wheel wear prediction on a high-speed train in China
CN114757365A (zh) 一种基于深度学习的高速铁路路基沉降预测及预警方法
Gou et al. A wind hazard warning system for safe and efficient operation of high-speed trains
Rosso et al. Review on deep learning in structural health monitoring
CN115471679A (zh) 一种天然河道水位流量同步同化方法及智能系统
Bouabaz et al. A cost estimation model for repair bridges based on artificial neural network
CN115758289A (zh) 一种基于多任务学习神经网络的钢轨波磨识别方法
CN112163669A (zh) 基于bp神经网络的路面沉陷预测方法
CN106446384B (zh) 一种桥式起重机主梁结构的损伤识别方法
Zhang Predicting model of traffic volume based on Grey-Markov
Xie et al. A data-driven convolutional regression scheme for on-board and quantitative detection of rail corrugation roughness
Bian et al. Speed adaptability assessment of railway Balise transmission module using a deep-adaptive-attention-based encoder–decoder network
CN113486599B (zh) 一种抽油机有效冲程的计算方法
CN109214582A (zh) 一种风向空间关联驱动的铁路沿线风速预测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180928

Termination date: 20190203

CF01 Termination of patent right due to non-payment of annual fee