CN110968949A - 一种高速列车车载设备电磁敏感性预测模型的建模方法 - Google Patents

一种高速列车车载设备电磁敏感性预测模型的建模方法 Download PDF

Info

Publication number
CN110968949A
CN110968949A CN201911167532.3A CN201911167532A CN110968949A CN 110968949 A CN110968949 A CN 110968949A CN 201911167532 A CN201911167532 A CN 201911167532A CN 110968949 A CN110968949 A CN 110968949A
Authority
CN
China
Prior art keywords
vehicle
prediction model
mounted equipment
neural network
electromagnetic sensitivity
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.)
Pending
Application number
CN201911167532.3A
Other languages
English (en)
Inventor
张丹
闻映红
宋亚丽
张金宝
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.)
Beijing Jiaotong University
Original Assignee
Beijing 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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN201911167532.3A priority Critical patent/CN110968949A/zh
Publication of CN110968949A publication Critical patent/CN110968949A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

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

Abstract

本发明提供了一种高速列车车载设备电磁敏感性预测模型的建模方法，基于神经网络建模原理，利用实际测试数据构建神经网络模型的训练及验证数据集，避免了仿真建模所遇到的需探测设备的内部电路等问题。通过选择合适的神经网络建模方法及对参数合理的初始化设置，最终以训练数据集完成了对于模型的训练，并利用验证集对模型预测结果的准确性进行了验证分析，证明了所建立的神经网络快速预测模型是有效的，这为高速动车组车载设备的电磁敏感性分析提供了新的有效途径。

Description

一种高速列车车载设备电磁敏感性预测模型的建模方法
技术领域
本发明涉及神经网络、电磁兼容、电磁测量技术领域，尤其涉及一种高速列车车载设备电磁敏感性预测模型的建模方法。
背景技术
高速动车组在跨线运行中将经历复杂动态变化的电磁环境，面临着来自系统内外的各类电磁骚扰源的发射，且有辐射、传导和串扰等多种传输耦合途径并存，而像车载通信、信号设备等这些弱电系统的信号传输与接收设备又极易受到空间中其他系统产生的电磁骚扰的影响，所以为了保证这些车载设备的正常工作，有必要对其电磁敏感性进行建模分析。
利用仿真软件对车载设备的电磁敏感性进行建模分析时，模型比较复杂，需要同时考虑设备内部的具体电路设置及详细的工作原理，稍有不慎就会导致预测结果有误，而且设备内部的电路结构往往是厂家保密部分，所以并不易得。而基于神经网络建模方法对车载设备的电磁敏感性进行分析就能很好的避免这些问题，它的黑盒建模理论使其并不需要知道设备内部的具体结构，只需要基于有效的实测数据就可以很方便的构建出车载设备的电磁敏感性快速预测模型，且预测速度较快，模型应用也具有一定拓展性。
发明内容
本发明的实施例提供了一种高速列车车载设备电磁敏感性预测模型的建模方法，以实现有效地分析高速列车车载设备的电磁敏感性，为车载设备的正常有效工作提供保障。
为了实现上述目的，本发明采取了如下技术方案。
一种高速列车车载设备电磁敏感性预测模型的建模方法，包括如下步骤：
基于神经网络建模原理，分析车载设备电磁敏感性预测模型的建模步骤，获得基本建模流程；
通过测试获得车载设备电磁敏感性的监测数据，基于该监测数据构建车载设备电磁敏感性预测模型的训练数据集和验证数据集；
基于车载设备的工作原理，选择车载设备电磁敏感性预测模型所属的神经网络结构类型，进行参数的初始化设置；
通过训练数据集对初始化后的车载设备电磁敏感性预测模型进行训练，通过验证数据集对训练后的车载设备电磁敏感性预测模型进行验证。
优选地，基本建模流程包括：
分析车载设备输入量与输出量；
构建车载设备电磁敏感性预测模型的建模数据集；
确定车载设备电磁敏感性预测模型所属的神经网络结构类型的选择机制。
优选地，通过测试获得车载设备电磁敏感性的监测数据，基于该监测数据构建车载设备电磁敏感性预测模型的训练数据集和验证数据集包括：
将检测数据通过随机抽取的方式分为两部分，一部分用于构建训练数据集，另一部分用于构建验证数据集。
优选地，训练数据集和验证数据集的数据数量比为7:3。
优选地，基于车载设备的工作原理，选择的车载设备电磁敏感性预测模型所属的神经网络结构类型为误差反向传播神经网络。
优选地，进行参数的初始化设置包括：
根据车载设备电磁敏感性预测模型的输入参数、输出参数确定该车载设备电磁敏感性预测模型的神经网络各层的神经元数量和隐含层层数；
初始化该神经网络各层神经元之间的连接权值和隐含层、输出层的偏差阈值；
设置车载设备电磁敏感性预测模型的学习速率、神经元激励函数和神经网络训练函数。
优选地，通过训练数据集对初始化后的车载设备电磁敏感性预测模型进行训练包括：
调节车载设备电磁敏感性预测模型的神经网络各层神经元之间的连接权值，以及各层的偏差阈值；
当该连接权值和偏差阈值满足设定条件时，停止训练车载设备电磁敏感性预测模型；
通过验证数据集对训练后的车载设备电磁敏感性预测模型进行验证包括：
基于验证数据集对训练后的车载设备电磁敏感性预测模型进行算例验证；
将该算例验证的结果与预测结果进行比较，获得预测误差；
当该预测误差在预设的误差范围内，完成车载设备电磁敏感性预测模型的构建；
当该预测误差偏离预设的误差范围，返回基于车载设备的工作原理，选择车载设备电磁敏感性预测模型所属的神经网络结构类型，进行参数的初始化设置的步骤执行。
由上述本发明的实施例提供的技术方案可以看出，本发明提供的高速列车车载设备电磁敏感性预测模型的建模方法，基于神经网络建模原理，利用实际测试数据构建神经网络模型的训练及验证数据集，避免了仿真建模所遇到的需探测设备的内部电路等问题。通过选择合适的神经网络建模方法及对参数合理的初始化设置，最终以训练数据集完成了对于模型的训练，并利用验证集对模型预测结果的准确性进行了验证分析，证明了所建立的神经网络快速预测模型是有效的，这为高速动车组车载设备的电磁敏感性分析提供了新的有效途径。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实提供的一种高速列车车载设备电磁敏感性预测模型的建模方法的处理流程图；
图2为本发明实提供的一种高速列车车载设备电磁敏感性预测模型的建模方法的基本建模流程图；
图3为本发明实提供的一种高速列车车载设备电磁敏感性预测模型的建模方法的一种实际测量系统框图；
图4为本发明实提供的一种高速列车车载设备电磁敏感性预测模型的建模方法的一种数据处理实施例的流程图；
图5为本发明实提供的一种高速列车车载设备电磁敏感性预测模型的建模方法的一种神经网络实施例的基本结构框图；
图6为本发明实提供的一种高速列车车载设备电磁敏感性预测模型的建模方法的一种不同神经网络参数设置对预测结果的影响分析图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
参见图1，本发明提供的一种高速列车车载设备电磁敏感性预测模型的建模方法，基于神经网络建模原理进行构建，包括如下步骤：
基于神经网络建模原理，分析车载设备电磁敏感性预测模型的建模步骤，获得基本建模流程；
通过测试获得车载设备电磁敏感性的监测数据，基于该监测数据构建所述车载设备电磁敏感性预测模型的训练数据集和验证数据集；
基于车载设备的工作原理，选择所述车载设备电磁敏感性预测模型所属的神经网络结构类型，进行参数的初始化设置；
通过所述训练数据集对初始化后的所述车载设备电磁敏感性预测模型进行训练，通过所述验证数据集对训练后的所述车载设备电磁敏感性预测模型进行验证；
本发明提供的高速列车车载设备电磁敏感性预测模型的建模方法，基于神经网络建模原理，利用实际测试数据构建神经网络模型的训练及验证数据集，避免了仿真建模所遇到的需探测设备的内部电路等问题。通过选择合适的神经网络建模方法及对参数合理的初始化设置，最终以训练数据集完成了对于模型的训练，并利用验证集对模型预测结果的准确性进行了验证分析，证明了所建立的神经网络快速预测模型是有效的，这为高速动车组车载设备的电磁敏感性分析提供了新的有效途径。
在本发明提供的实施例中，首先对神经网络建模原理进行分析，神经网络建模方法是一种基于人工智能的建模方法，它的基本建模步骤包括对研究对象原理的分析，基本参数的选择，初始网络结构的构建以及训练，验证等，它可以很方便的表示一些较复杂的非线性关系，而且它不考虑中间的具体作用过程，只对输入输出量进行研究，即相当于“黑盒”建模；
以车载应答器传输模块(BTM)的敏感性分析为例，由于生产厂商对设备的内部电路设有保密性，所以在不知道内部电路的情况下，要想对设备的敏感性进行分析，就要借助神经网络建模方法的“黑盒”建模理论，即将其设备看成一个黑盒，直接通过搭建BTM传输系统实验平台，由测试的方法得到其输入输出参数的大小，进而基于测试数据训练验证神经网络模型，最终实现对设备敏感性的预测分析；
基于上述对于BTM敏感性具体实施例研究的分析，再结合神经网络方法的基本建模原理，最终获得基本建模流程；
在一些优选实施例中，如图2所示，基本建模流程包括如下子步骤：
分析车载设备输入量与输出量；
构建车载设备电磁敏感性预测模型的建模数据集；
确定车载设备电磁敏感性预测模型所属的神经网络结构类型的选择机制。
选择合适的神经网络建模方法，对车载设备电磁敏感性预测模型神经网络的相关参数进行初始化设置；
对初设的车载设备电磁敏感性预测模型进行训练和验证；
判断模型是否满足要求，若满足则模型构建完成；若不满足要求，需要重新调整神经网络结构及参数设置，再次训练验证，知道满足预先设定的条件为止；
以研究BTM设备敏感性为例，上述前三个子步骤还可细化为：
通过敏感性试验平台的实测，BTM设备的输入量为其工作频点内的频率点，输出量可选择以设备端口电压值的形式显示；
根据BTM敏感性试验平台获得的测试数据分别构建用于神经网络建模的训练集和验证集；
确定车载设备电磁敏感性预测模型所属的神经网络结构类型的选择机制，选择合适的神经网络建模方法，对车载设备电磁敏感性预测模型神经网络的相关参数进行初始化设置。
进一步的，在一些优选实施例中，通过测试获得车载设备电磁敏感性的监测数据，基于该监测数据构建所述车载设备电磁敏感性预测模型的训练数据集和验证数据集的步骤包括：
在实验室搭建车载设备电磁敏感性的实际测试平台，根据其工作原理设计试验，得到电磁敏感性的实际测试数据，测试系统如图3所示；通过信号源经功率放大器及衰减器，产生一个骚扰源模拟信号，让其对所研究的车载设备通过空间耦合的方式产生干扰；车载设备信号接收端口将接收到的干扰信号通过电缆线传送到车载设备主机中去，当干扰信号逐渐增大，在导致车载设备主机不能正常工作的瞬间，记录车载设备主机端口此时接收到的干扰信号的大小，在所关注的频段内等间隔采样取点，每个频点重复以上工作，记录下的即为车载设备的电磁敏感性数据。
进一步的，按照图4所示的流程对实际测试得到的数据进行处理；将实测数据按照7：3的比例随机抽取为两部分，其中70％的数据构建车载设备电磁敏感性预测模型的训练集，用以对初始化之后的模型进行训练；剩下30％的数据作为验证集，验证模型预测结果的准确性，即模型的有效性。
进一步的，在一些优选实施例中，基于车载设备的工作原理，选择所述车载设备电磁敏感性预测模型所属的神经网络结构类型，进行参数的初始化设置的步骤包括：
根据研究问题的复杂程度及车载设备的工作原理，选择合适的神经网络建模方法。首先对常用神经网络建模方法的特点进行分析，本实施例共选用了三种不同的神经网络建模方法进行对比，分别为误差反向传播(Back-Propagation)神经网络即BP神经网络建模方法、径向基函数(Radial-based Function Method)即RBF神经网络建模方法和广义回归神经网络(Generalized Regression Neural Network)即GRNN神经网络建模方法。最终确定选用BP神经网络进行建模，基本结构如图5所示。其中，x1,x2......xn是BP神经网络的输入量，Y1,Y2......Ym是BP神经网络的预测输出量，wij和wjk是BP神经网络连接权值。模型主要分为三层：输入层、隐含层和输出层，每一层的神经元个数及隐含层的层数需在初始化网络的时候选定。除了这些，对神经网络模型的相关参数也要进行初始化设置，主要包括：初始化各层神经元之间的连接权值及隐层、输出层的偏差阈值，同时需给定学习速率、神经元激励函数及神经网络训练函数等，最终完成神经网络模型的初始化。
以BTM敏感设备为例，通过分析其输入输出变量均为1，所以神经网络的输入层和输出层只需设置一个神经元，又通过对测试数据的分析得知，其数据集比较简单，所以可选择最常用的处理简单问题的BP神经网络。进一步，通过多次建模不断尝试训练，最终选定单隐层包括10个神经元的网络结构，训练函数选定为麦夸特法，这样已经完全能够满足对模型预测结果精度的要求。隐含层设置不同神经元个数时的对比结果如图6所示，由此可知，神经网络建模的参数初始化设置并没有具体的规范，可以根据问题的复杂程度和性质，考虑可能适合的初始参数设置，具体还是应该以预测结果的精确程度为准进行确定。
进一步的，在一些优选实施例中，通过训练数据集对初始化后的所述车载设备电磁敏感性预测模型进行训练的步骤包括：
利用之前构建好的训练数据集对已经初始化的神经网络进行训练，它会在训练过程中自动调节各层神经元之间的连接权值及各层的偏差阈值大小，直到满足某一设定的结束条件时，训练就会自动停止，并将此时的各项参数保存下来，即模型训练完成；
通过所述验证数据集对训练后的所述车载设备电磁敏感性预测模型进行验证的步骤包括：
利用之前构建好的验证集数据对已经训练完成的神经网络预测模型进行算例验证，将预测结果与实际测试结果之间的差值定义为预测误差，以此评判神经网络的准确性；若预测误差满足要求，则模型构建完成；若预测误差偏离了预设的误差范围，说明预测误差较大，则需返回上述基于车载设备的工作原理，选择所述车载设备电磁敏感性预测模型所属的神经网络结构类型，进行参数的初始化设置的步骤，以及再次进行训练验证，直到预测误差满足设定的要求，即完成了车载设备电磁敏感性快速预测模型的构建。
综上所述，本发明实施例采用了神经网络建模的方法建立了高速动车组车载设备的电磁敏感性快速预测模型。利用实际测试数据构建神经网络模型的训练及验证数据集，基于黑盒建模原理，避免了仿真建模所遇到的需探测设备的内部电路等问题。通过选择合适的神经网络建模方法及对参数合理的初始化设置，最终以训练集数据完成了对于模型的训练，并利用验证集对模型预测结果的准确性进行了验证分析，证明了所建立的神经网络快速预测模型是有效的，这为高速动车组车载设备的电磁敏感性分析提供了新的有效途径。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种高速列车车载设备电磁敏感性预测模型的建模方法，其特征在于，包括如下步骤：
基于神经网络建模原理，分析车载设备电磁敏感性预测模型的建模步骤，获得基本建模流程；
通过测试获得车载设备电磁敏感性的监测数据，基于该监测数据构建所述车载设备电磁敏感性预测模型的训练数据集和验证数据集；
基于车载设备的工作原理，选择所述车载设备电磁敏感性预测模型所属的神经网络结构类型，进行参数的初始化设置；
通过所述训练数据集对初始化后的所述车载设备电磁敏感性预测模型进行训练，通过所述验证数据集对训练后的所述车载设备电磁敏感性预测模型进行验证。
2.根据权利要求1所述的方法，其特征在于，所述基本建模流程包括：
分析车载设备输入量与输出量；
构建车载设备电磁敏感性预测模型的建模数据集；
确定车载设备电磁敏感性预测模型所属的神经网络结构类型的选择机制。
3.根据权利要求1所述的方法，其特征在于，所述的通过测试获得车载设备电磁敏感性的监测数据，基于该监测数据构建所述车载设备电磁敏感性预测模型的训练数据集和验证数据集包括：
将所述的检测数据通过随机抽取的方式分为两部分，一部分用于构建所述训练数据集，另一部分用于构建所述验证数据集。
4.根据权利要求3所述的方法，其特征在于，所述训练数据集和验证数据集的数据数量比为7:3。
5.根据权利要求1所述的方法，其特征在于，基于车载设备的工作原理，选择的所述车载设备电磁敏感性预测模型所属的神经网络结构类型为误差反向传播神经网络。
6.根据权利要求5所述的方法，其特征在于，所述的进行参数的初始化设置包括：
根据所述车载设备电磁敏感性预测模型的输入参数、输出参数确定该车载设备电磁敏感性预测模型的神经网络各层的神经元数量和隐含层层数；
初始化该神经网络各层神经元之间的连接权值和隐含层、输出层的偏差阈值；
设置所述车载设备电磁敏感性预测模型的学习速率、神经元激励函数和神经网络训练函数。
7.根据权利要求1所述的方法，其特征在于，所述的通过所述训练数据集对初始化后的所述车载设备电磁敏感性预测模型进行训练包括：
调节所述车载设备电磁敏感性预测模型的神经网络各层神经元之间的连接权值，以及各层的偏差阈值；
当该连接权值和偏差阈值满足设定条件时，停止训练所述车载设备电磁敏感性预测模型；
所述的通过所述验证数据集对训练后的所述车载设备电磁敏感性预测模型进行验证包括：
基于所述验证数据集对训练后的所述车载设备电磁敏感性预测模型进行算例验证；
将该算例验证的结果与预测结果进行比较，获得预测误差；
当该预测误差在预设的误差范围内，完成所述车载设备电磁敏感性预测模型的构建；
当该预测误差偏离预设的误差范围，返回所述基于车载设备的工作原理，选择所述车载设备电磁敏感性预测模型所属的神经网络结构类型，进行参数的初始化设置的步骤执行。
CN201911167532.3A 2019-11-25 2019-11-25 一种高速列车车载设备电磁敏感性预测模型的建模方法 Pending CN110968949A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911167532.3A CN110968949A (zh) 2019-11-25 2019-11-25 一种高速列车车载设备电磁敏感性预测模型的建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911167532.3A CN110968949A (zh) 2019-11-25 2019-11-25 一种高速列车车载设备电磁敏感性预测模型的建模方法

Publications (1)

Publication Number Publication Date
CN110968949A true CN110968949A (zh) 2020-04-07

Family

ID=70031555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911167532.3A Pending CN110968949A (zh) 2019-11-25 2019-11-25 一种高速列车车载设备电磁敏感性预测模型的建模方法

Country Status (1)

Country Link
CN (1) CN110968949A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695201A (zh) * 2020-06-11 2020-09-22 中国人民解放军国防科技大学 一种基于数据的磁浮列车运行状态的监测方法
CN112860658A (zh) * 2021-01-15 2021-05-28 北京交通大学 基于数据挖掘的高速列车电磁发射预测方法
CN115190456A (zh) * 2022-07-08 2022-10-14 福州理工学院 一种车载通信延时建模方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102385655A (zh) * 2011-10-31 2012-03-21 北京航空航天大学 一种电子设备辐射耦合电磁敏感性仿真方法
CN102426617A (zh) * 2011-10-31 2012-04-25 北京航空航天大学 一种电子设备传导耦合电磁敏感性仿真方法
CN104915515A (zh) * 2015-06-26 2015-09-16 武汉大学 一种基于bp神经网络的gfet建模方法
CN106787678A (zh) * 2017-01-10 2017-05-31 湖南中车时代电动汽车股份有限公司 一种emc连接器及电机控制器
CN109934334A (zh) * 2019-03-04 2019-06-25 三峡大学 一种基于扰动的叶绿素a含量相关因子敏感性分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102385655A (zh) * 2011-10-31 2012-03-21 北京航空航天大学 一种电子设备辐射耦合电磁敏感性仿真方法
CN102426617A (zh) * 2011-10-31 2012-04-25 北京航空航天大学 一种电子设备传导耦合电磁敏感性仿真方法
CN104915515A (zh) * 2015-06-26 2015-09-16 武汉大学 一种基于bp神经网络的gfet建模方法
CN106787678A (zh) * 2017-01-10 2017-05-31 湖南中车时代电动汽车股份有限公司 一种emc连接器及电机控制器
CN109934334A (zh) * 2019-03-04 2019-06-25 三峡大学 一种基于扰动的叶绿素a含量相关因子敏感性分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YINGHONG WEN ET AL.: "Fast Prediction Model for the Susceptibility of Balise", 《IEEE XPLORE》 *
张爱民等: "一种电子设备电磁敏感性的仿真", 《西安交通大学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695201A (zh) * 2020-06-11 2020-09-22 中国人民解放军国防科技大学 一种基于数据的磁浮列车运行状态的监测方法
CN111695201B (zh) * 2020-06-11 2023-06-02 中国人民解放军国防科技大学 一种基于数据的磁浮列车运行状态的监测方法
CN112860658A (zh) * 2021-01-15 2021-05-28 北京交通大学 基于数据挖掘的高速列车电磁发射预测方法
CN112860658B (zh) * 2021-01-15 2024-04-09 北京交通大学 基于数据挖掘的高速列车电磁发射预测方法
CN115190456A (zh) * 2022-07-08 2022-10-14 福州理工学院 一种车载通信延时建模方法

Similar Documents

Publication Publication Date Title
US10685159B2 (en) Analog functional safety with anomaly detection
CN110009171B (zh) 用户行为模拟方法、装置、设备及计算机可读存储介质
CN110968949A (zh) 一种高速列车车载设备电磁敏感性预测模型的建模方法
US20180157573A1 (en) Response-time baselining and performance testing capability within a software product
Mao et al. A model for quantifying uncertainty in the estimation of noise-contaminated measurements of transmissibility
US8650137B2 (en) Method and apparatus for creating state estimation models in machine condition monitoring
CN108664690A (zh) 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法
KR102681637B1 (ko) 문제소음 발음원 식별을 위한 소음데이터의 인공지능 장치 및 전처리 방법
CN104035431B (zh) 用于非线性过程监控的核函数参数的获取方法和系统
CN105335379B (zh) 突变测试中对突变、测试用例、随机种子的组合排序的方法和设备
NAIKAN Review of simulation approaches in reliability and availability modeling
CN112070357A (zh) 一种基于改进bp神经网络的雷达辐射源威胁评估方法
EP3913550A1 (en) Model generation device, model generation method, model generation program, model generation system, inspection system, and monitoring system
US20170082680A1 (en) Systems and methods for determining whether a circuit is operating properly
US11356174B1 (en) Estimating performance margin of a multi-section path using optical signal-to-noise ratio (OSNR)
CN113037589A (zh) 网关设备的压力测试方法、装置、测试平台及存储介质
CN115599653A (zh) 一种构建焊接质量诊断模型的方法、系统、介质
Pokorádi Sensitivity investigation of fault tree analysis with matrix-algebraic method
Elsayed et al. BoostGuard: Interpretable misbehavior detection in vehicular communication networks
KR101846970B1 (ko) 전자전 위협신호의 분류를 위한 딥 신경망 학습장치 및 방법
CN117456637A (zh) 车辆数据检测方法、车辆数据检测装置、车辆和存储介质
US20230367704A1 (en) Fuzzy testing a software system
Krenker et al. Bidirectional Artificial Neural Networks for Mobile‐Phone Fraud Detection
Worden et al. Genetic optimisation of a neural damage locator
KR102101792B1 (ko) 유동 해석 장치 및 이를 위한 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200407

RJ01 Rejection of invention patent application after publication