基于极端学习机的轮轨力预测研究.pdf

《基于极端学习机的轮轨力预测研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、铁道建筑114RailwayEngineering文章编号：1003—1995(2014)04—0114—04基于极端学习机的轮轨力预测研究郭剑峰，王卫东，刘金朝，靖稳峰(1．中国铁道科学研究院基础设施检测研究所，北京100081；2．西安交通大学数学与统计学院，陕西西安710049)摘要：在列车运行过程中测量轮轨力可以实时揭示轮轨间的动态相互作用状态。利用测力轮对直接测量轮轨作用力虽检测精度高，但制造和维修成本也高。本文提出了一种基于极端学习机的轮轨力预测技术，该技术与基于传统神经网络学习算法的预测方法相比，具有快

2、速、稳定、准确的特点。分析结果表明，使用该方法以车辆加速度和轨道不平顺作为输入，预测的轮轨作用力与仿真结果的相关系数达到0．8以上，能满足工程应用要求。关键词：极端学习机轮轨力加速度轨道不平顺预测技术中图分类号：U213．212文献标识码：ADOI：10．3969／i．issn．1003．1995．2014．04．31轮轨间的相互作用力可以揭示车辆的运行安全3)需要人为设置大量的网络训练参数，例如学习性，通过测量轮轨之间相互作用的垂向力和横向力进速率等参数。若学习速率较小，则算法收敛速度慢，训而可以计算出脱轨系数、轮

3、重减载率、轮轴横向力等指练时间长；若学习速率较大，则可能破坏训练算法的收标。这些指标对评价车辆运行安全与否，研究脱轨机敛性。理等起着非常重要的作用。。国内外已经研究了轮针对SLFN传统学习算法的上述问题，需要一种轨力的直接测量方法并成功应用在综合检测中。训练速度快，能获得全局最优解的算法，才能使SLFN但对于轮轨力的预测技术，目前国内外的研究者仅使在工程上获得应用。用传统神经网络学习算法进行预测，存在着训练速2004年，新加坡南洋理工大学的黄广斌教授提出度慢、参数调整复杂、容易搜索到局部极小解等问题。了极端学习机(E

4、xtremeLearningMachine，ELM)学习近年来，一种新的极端学习算法解决了上述问题，算法，这种算法是一种简单易用、有效的SLFN学习算可将其用于轮轨力预测技术中。法，只需要设置神经网络中隐含层节点的个数，并且在算法的执行过程中不需要调整网络的输人权值以及隐1极端学习机的基本理论含层的输出阈值，只要随机产生一次，就能得到唯一最优解，因此具有学习速度快、能获得全局最优解、泛化单隐层前馈神经网络(Single—hiddenLayerFeed—性能好的优点。forwardNeuralNetwork，SLFN)

5、以其具有非常好的学习1．1SLFN模型能力而在很多领域中得到了广泛应用。但传统的基于对于任意一个SLFN，其输入层、隐含层、输出层神梯度下降和误差反向传播的学习算法，如BP，RBF等经元节点间完全连接。设网络的输入层有m个神经存在如下缺点：元，输出层有n个神经元，隐含层有k个神经元，其神1)网络训练速度慢，需要通过多次迭代修正权值经网络模型如图1所示。和阈值，训练时间很长。2)可能会陷入局部极小点，很容易产生局部最优解，无法搜索找到全局最优解。收稿日期：2013—08—10；修回日期：2013-09-19基金项目：国

6、家自然科学基金资助项目(51178464)；国家973重点基础研究发展计划项目(2013CB329406)；中国铁道科学研究院基金项目(1251JJ75O3，1251GC7403)作者简介：郭剑峰(1987一)，男，北京人，博士研究生。图1SLFN模型2014年第4期郭剑峰等：基于极端学习机的轮轨力预测研究115输入层与隐含层问的连接权值矩阵W为邵=T(10)rlwll式中，日为隐含层输出矩阵，表达式为埘，w=llL：W1g(w1l+b1)g(wx1+b)g('．，1x2+b1)g(wx2+b^)H=g(1f+b1)

7、g(w+b)rtt卢一z⋯卢]：z⋯(2)ELM学习算法基于如下两个性质：L卢。卢⋯卢hJ性质1：对实数域上任意z个不同样本(，Y)和在任意区间上无限可微的激活函数g()，则对有Z个隐含层神经元的SLFN，对任意的输入权系数矩阵’．，和阈值矩阵b，其隐含层输出矩阵日可逆并且lt／#一TI=0。性质2：对实数域上任意z个不同样本(，Y)和在任意区间上无限可微的激活函数g()，若给定一个任意小的误差(>0)，总存在一个含有Q(Q≤z)个II隐含层神经元的SLFN，对任意的输入层和隐含层连接㈩权系数矩阵w和隐含层阈值矩阵b

8、，有：ll一Tll