下载
加入VIP
  • 专属下载特权
  • 现金文档折扣购买
  • VIP免费专区
  • 千万文档免费下载

上传资料

关闭

关闭

关闭

封号提示

内容

首页 基于线性自适应神经网络的摆式列车横向加速度预测研究

基于线性自适应神经网络的摆式列车横向加速度预测研究.doc

基于线性自适应神经网络的摆式列车横向加速度预测研究

披着狼皮的羊哥哥
2017-11-20 0人阅读 举报 0 0 暂无简介

简介:本文档为《基于线性自适应神经网络的摆式列车横向加速度预测研究doc》,可适用于综合领域

基于线性自适应神经网络的摆式列车横向加速度预测研究基于线性自适应神经网络的摆式研列车横向加速度预测研究究开张济民池茂儒王开文安晓钟发(西南交通大学牵引动力研究中心四川成都眉山车辆厂制动科技有限公司四川眉山)作者简介:张济民()男西南交通大学车辆工程博士研究生主要从事摘要:阐述了用线性自适应神经网络对即将输入的控制参考信号进行多步在线自适应预测并机车车辆的计算机控制、编程实现的方法。对实测信号的仿真分析表明线性自适应网络可以以满意的精度对摆式列车横向加列车通信与网络控制、机速度进行多步预测有效解决由于各种因素造成的滞后补偿问题。关键车车辆动力学及强度方词:线性自适应神经网络多步预测摆式列车横向加速度面的研究工作。中图分类号:TPU文献标识码:A文章编号:X()StudyonpredictionoflateralaccelerationoftiltingtrainbasedonlinearadaptiveneuralnetworksZHANGJiminCHIMaoruWANGKaiwenANXiaozhong(TractionPowerResearchCenter,SouthwestJiaotongUniversity,Chengdu,Sichuan,ChinaBrakeScienceTechnologyJointCoLTD,MeishanRollingStockWorks,Meishan,SichuanChina)Abstract:ThewayiselaboratedtopredictmultisteponlinethereferencecontrolsignaltobeinputsoonwiththelinearadaptiveneuralnetworkandsoisthewayofrealizationbyprogrammingThesimulationanalysisofmeasuredsignalsshowthatthelinearadaptivenetworkisabletopredictmultistepthelateralaccelerationoftiltingtrainwithsatisfyingaccuracy,anditisabletosolveefficientlylagcompensationproblemscausedbyvariousreasonsKeywords:linearadaptionneuralnetworkmultisteppredictiontitlingtrainlateralacceleration的实时性要求对即将输入的参考控制信号进行预测是引言值得研究的方法之一。目前对信号的预测方法有多种用神经网络对信号进行预测是其中之一。文献摆式列车进入曲线后的倾摆控制参考信号(一般用不同的神经网络对不同的应用场合的信号作了一步为头车过曲线时检测到的横向加速度)是由列车头车预测与相应的测量值比较都得到了满意的预测效果。前转向架上的检测系统检测而得到的。检测到的信号列车在线路上运行时对即将运行其上的线路具首先要经过滤波器进行滤波处理。目前在摆式列车上体情况无法检测同时列车的速度不可能是恒定的加使用较多的滤波器是截止频率为Hz的低通滤波器。信速度信号也不能用某一固定的数学模型来获得。虽然号经过滤波后会产生约s的滞后除此之外还线性自适应神经网络具有对这种时变信号进行预测的有控制信号通过列车通信网络及控制网络等造成的时功能然而横向加速度在列车运行中是快速变化的信间滞后等。上述的时间滞后虽可利用列车其他各车辆号要达到一定的精度要求预测时间间隔不能过大进入同一曲线的时间差来进行补偿但如果头车自身因此一步预测不能满足摆式列车倾摆控制补偿滞后也要作倾摆头车的时间滞后就无法得到补偿并且根时间的要求。本文针对上述问题将运用线性自适应神据运行速度的不同紧随头车之后的第二、三或许更多经网络对摆式列车运行时的横向加速度进行多步预测的车辆只能得到部分的补偿。时间滞后得不到完全补并给出基于VC(VisualC)实现的流程图。偿的车辆它们的倾摆控制的实时性就无法得到保障从而导致倾摆滞后严重时会影响列车的运行安全。为满足那些控制参考信号得不到补偿的车辆的倾摆控制线性自适应神经网络及其预测算法线性神经网络及其学习规则收稿日期:收修改稿日期:图给出了具有p个输入一个输出的单层线性神经基金项目:铁道部科技发展计划项目(JB)元网络模型。(wi)为权值向量b为阈值(ui)(i=上式中u()、u()、Δw()、Δb分别表示第p)为输入y为输出n为网络神经元输出。采用线性激一步预测网络的输入、预测输出、权值和阈值改变量。活函数使输出根据输入的不同为任意值。对多步预测神经网络的第m步预测网络设其预*测输出为y输入为u(p)y=u(n)并设y=u(n)。mm则有u(p)ymmu(p)u(p)mm()?u()u()mm图单输出线性神经网络模型线性神经网络采用文献给出的WidrowHoff第一层预测网络的输入时间序列u(n)实际就是信学习规则用来调整网络的权值和阈值使网络线性地号的实测值y是对u(nm)预测。当下一刻信号u(n)逼近某一函m数。线性网络的误差函数为被实测到时u(n)要起方面的作用:一方面按式*另()、式()依次计算各预测层的预测输出设为yme(w,b)(ty)()一方面用它作为第一层预测网络的目标值并与y进yw(i)u(i)b()i行比较来调整第一层网络的权值及阈值。其他各层的*式()称为误差平方和t为目标值。目标输出即为上一层的输出y。这样第m步预测网络m通过沿着相对于误差平方和的最快下降方向连续的目标函数为*调整网络权值和阈值可使式()的值达到最小。根据文(w,b)(yy)emmm()献的梯度下降法可得由式()、式()可得第m步预测网络的权值、阈值调整ew(i)çç(ty)u(i)()公式:w(i)*w(i)ç(yy)u(i)mmmmΔb=η(ty)()*()bç(yy)mmm式中:η学习率。*=u(n)则式()、式()对第一层预测网络如果令y调整后的权值、阈值为同样适用。多步预测的线性自适应神经网络的结构如w=wΔw()图所示。b=bΔb()式()、式()的权值、阈值表达式表示是自身的迭代。WidrowHoff学习规则只能对单层的线性神经元网络进行训练。对多层线性网络利用迭加原理都可以设计出一个与其性能相当的单层线性神经元网络。一步及多步预测算法一步预测线性自适应神经网络可看作多步预测线性图多步线性自适应神经网络预测模型自适应神经网络的第步预测网络因此一步预测完全可(i=p)从多步预测的第步获得而其他各步网络结构与线性神经网络相同不同的是各预测网络的输入输出的定义与摆式列车横向加速度多步预测的实现线性神经网络有差别。首先分析一步预测网络的情况。图是从线路试验头车(头车无倾摆机构)采集到一步预测网络的输出是在输入为u(ni)(n为采的经过截止频率为Hz的滤波器滤波后的横向加速度信样时刻npi=p。p为预测神经网络输入*号的一部分(对信号进行了最大值不超过的放大处理)。数)时的下一时刻的预测值u(n)其目标值是下一*对它用前面所述算法进行步线性自适应预测,即m=时刻的实测值u(n)。用u(n)与u(n)计算误根据参考文献的经验每步预测网络的输入个数取差平方和可实现对神经网络的权值和阈值的在线自适为个p=输出为个。第步预测网络的输入为个已应的调整以满足给定的误差要求。由式()可得线知的采样滤波信号其他各步的输入按式()可得。初始性自适应神经网络一步预测的准则函数为化各预测网络权值向量、阈值为选取较小的学习率设*e(w,b)u(n)u(n)置误差函数目标值。图是实现步预测算法的流程图。由式()、式()可得权值、阈值的预先调整公式为超前步仿真的计算结果见图、、:图、图分*w(i)çu(n)u(n)u(i)别为超前步(相当于一步预测)、超前步预测网络的*bçu(n)u(n)预测值与相应的实测值图为各层预测网络(相当于各步预测)的均方误差和曲线图。从图、、中可看出:超前步预测的预测值与实测信号的误差很小而超前步预测的误差较大在频率变化处的误差较其他位置大随着预测步数的增加其均方误差和按线性增长。图第步线性自适应仿真结果列车运行加速度图图各步仿真与相应实测信号的均方误差和因此超前预测步数不能无穷大但是其误差在一定的超前预测步数下可以满足工程实际的应用要求在摆式列车中应用线性自适应神经网络对列车横向加速度进行超前多步预测可以解决控制系统中滞后的问题。参考文献:,,杨名利摆式列车控制系统的试验模拟及其鲁棒控制的研究,D,成都:西南交通大学图多步线性自适应预测流程图,,高山单渊达基于径向基函数网络的短期负荷预测,J,():电力系统自动化,,SimonHaykin,LiangLiNonlinearAdaptivePredictionofNonstationarySignal,sJ,IEEETransactionsonSignalProcessing():,,XiaoMingGao,XiaoZhiGao,JarnoMA,SeppoJOvaskaPowerPredictioninMobileCommunicationSystemsUsinganOptimalNeuralNetworkStructure,J,IEEETransactionsonNeuralNetworks():,,DenisBonnet,VeroniqueLabouisse,AlainGrumbachδNARMANetworks:ANewApproachtoSignalPredictio,nJ,IEEENeuralTransactionsonSignalProcessing():,,HenryLeung,TitusLo,SichunWangPredictionofNoisyChaoticSeriesUsinganOptimalRadialBasisFunctionNeuralNetTimework,J,IEEETransactionsonNeuralNetworks():图一步线性自适应仿真结果,,闻新周露王丹力熊晓英Matlab神经网络应用设结论计,M,北京:科学出版社,,戴葵神经网络设计,M,北京:机械工业出版社通过用线性自适应神经网络对摆式列车横向加速,,杨建刚人工神经网络实用教程,M,杭州:浙江大学出版社度进行一步及多步在线自适应预测研究可知线性自,,许东吴铮基于MatlabX的系统分析与设计神适应神经网络能以较高精度对信号进行多步在线预测。,西安:西安电子科技大学出版社经网络,M随着超前预测步数的增加其均方误差和按线性增长

用户评价(0)

关闭

新课改视野下建构高中语文教学实验成果报告(32KB)

抱歉,积分不足下载失败,请稍后再试!

提示

试读已结束,如需要继续阅读或者下载,敬请购买!

文档小程序码

使用微信“扫一扫”扫码寻找文档

1

打开微信

2

扫描小程序码

3

发布寻找信息

4

等待寻找结果

我知道了
评分:

/12

基于线性自适应神经网络的摆式列车横向加速度预测研究

VIP

在线
客服

免费
邮箱

爱问共享资料服务号

扫描关注领取更多福利