CN104392071A - 一种基于复杂网络的高速列车***安全评估方法 - Google Patents
一种基于复杂网络的高速列车***安全评估方法 Download PDFInfo
- Publication number
- CN104392071A CN104392071A CN201410768888.3A CN201410768888A CN104392071A CN 104392071 A CN104392071 A CN 104392071A CN 201410768888 A CN201410768888 A CN 201410768888A CN 104392071 A CN104392071 A CN 104392071A
- Authority
- CN
- China
- Prior art keywords
- sample
- safe class
- bullet train
- node
- train system
- 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
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L99/00—Subject matter not provided for in other groups of this subclass
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/60—Testing or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Architecture (AREA)
Abstract
本发明公开了属于高速列车***安全技术领域的一种基于复杂网络的高速列车***安全评估方法,该方法包括如下步骤:(1)构建高速列车***物理结构网络模型,基于网络模型构建节点功能属性度;(2)提取部件的功能属性度、失效率、平均无故障时间作为输入量,并利用LIBSVM软件进行SVM训练;(3)进行加权kNN-SVM判断:对于无法分类的样本点进行判断,得出高速列车***的安全性等级。对于物理结构及运行情况复杂的高速列车***,该方法能够解决当***中部件状态发生变化后对***安全性影响程度的评估。实验结果表明该算法的精确度高,实用性好。
Description
技术领域
本发明属于高速列车***安全技术领域,特别涉及一种基于复杂网络的高速列车***安全评估方法。
背景技术
随着高速铁路的发展,动车组的安全性问题也得到广泛的关注。针对高铁列车安全性研究,“频度-后果”矩阵法是比较成熟的,也是应用最广泛的方法。矩阵法中的频率、后果都是由根据专家经验给出,存在较强的主观性。
SVM(支持向量机)具有结构简单、学***票时,无法正确判断出样本所属安全等级。加权kNN(k近邻)是对SVM无法准确分类的样本进行重新判断,即对于k个类别,判断样本点距离哪一类近,就把样本点分到哪一类。
与目前比较常用的高铁安全性评价方法矩阵法相比,基于加权kNN-SVM的安全评估方法,从部件在***中的地位以及部件的可靠性出发,剔出了矩阵法中的主观因素,因此对高铁的安全性评估具有重大的实用价值和推广意义。
发明内容
本发明的目的是提供了一种基于复杂网络的高速列车***安全评估方法,其特征在于,包括下述步骤:
步骤一、根据高速列车物理结构关系,构建高速列车网络模型G(V,E),
1.1.将高速列车***中的部件抽象为节点,即V={v1,v2,…,vn},其中V为节点集合,vi为高速列车***中的节点(部件),n为高速列车***中节点的个数;
1.2.部件与部件之间存在的物理连接关系抽象为连接边,即E={e12,e13,…,eij},i,j≤n。其中E为连接边的集合,eij为节点i和节点j之间的连接边;
1.3.基于高速列车网络模型,计算节点的功能属性度值节点i的功能属性度为
其中λi为节点i的失效率,ki为复杂网络理论中节点i的度,即与该节点相连的边数;
步骤二,通过对高速列车运营故障数据分析,结合高速列车***的物理结构,提取部件的功能属性度值失效率λi、平均无故障时间(MTBF)作为训练样本集,对训练样本集进行归一化处理:
2.1.失效率λi的计算公式为
2.2,平均无故障时间MTBF由故障数据中记录的故障时间得出,即
2.3,利用SVM对样本进行训练,
步骤三、利用kNN-SVM对样本进行安全等级划分。
3.1,对k个安全等级的训练样本进行两两分区,针对个SVM分类器,分别建立最有分类面,其表达式如下:
其中:l为第i个安全等级和第j个安全等级的样本数,K(xij,x)为核函数,x为支持向量,at为SVM的权值系数,bij为偏移系数。
3.2,对于待测部件,分别组合上述两类分类器,并使用投票法,对部件所属的安全等级进行计票。得票最多的类,则为该部件所属安全等级;
3.3,由于高速列车***运行环境复杂,因此,利用SVM分类时容易出现无法分类的情况,因此定义基于加权kNN的判别函数,对部件重新进行安全等级划分,具体步骤如下:
训练集{xi,yi},…,{xn,yn}中,共有k个安全等级即ca1,ca2,…,cak,第i个安全等级的样本中心为其中ni为第i个安全等级的样本数,则部件xj到第i个安全等级样本中心的欧式距离为
式中:xjm为测试样本中第j个样本点的第m个特征属性;cim为第i类样本中心中第m个特征属性;
定义距离判别函数
定义基于加权kNN的不同类别的样本紧密度为
其中:m为k近邻的个数;ui(x)为测试样本属于第i个训练数据的紧密度隶属度;ui(x(j))为第j个近邻属于第i个安全等级的隶属度,即
则样本点的分类判别函数为
di(x)=si(x)×μi(x) (6)
计算样本属于各个安全等级的紧密度di(x),di(x)值最高的类别为样本点预测结果;
依据动车组一二级检修章程与故障数据记录,所述高速列车安全性划分为如下等级:
即y=1对应的安全等级1为安全,包含列车的运行状态为无影响、继续运行;y=5对应的安全等级2是较安全,包含列车的运行状态为临修、碎修,晚点;y=10对应的安全等级3是不安全,包含列车的运行状态为停运、未出库。
本发明的有益效果是与现有技术相比,该方法利用复杂网络提取节点的功能属性度,根据故障数据提取失效率、平均无故障时间等特征,通过SVM进行训练;由于SVM对于多分类问题存在的无法分类问题,考虑了节点在***中的位置重要性;引入加权kNN-SVM对样本点进行检验,最终得出部件对高速列车***安全性的影响,能够得到更加准确的分类结果,高速列车的安全性判断得到了验证,验证结果表明此方法具有很高的实用价值。
附图说明
图1为基于复杂网络和加权kNN-SVM的高速列车安全评估方法流程图。
图2为高速列车***物理结构网络模型。
图3为SVM方法无法进行分类的区域。
图4为训练集样本。
具体实施方式
本发明提供了一种基于复杂网络的高速列车***安全评估方法,下面结合附图对本发明进一步说明。
图1所示为高速列车***安全评估步骤流程图。图中所示,首先对高速列车转向架***的功能结构特点,提取出转向架***中的33个部件(步骤1.1)。基于转向架***的物理结构关系,抽象出33个部件之间的作用关系(步骤1.2)。将部件抽象为节点,将部件之间的作用关系抽象为边,构建高速列车转向架***网络模型如图2所示。
从部件的结构角度,基于转向架网络模型,选取节点的功能属性度作为一个输入量(步骤1.3);从部件的可靠性属性角度,结合高速列车运营故障数据,选取失效率λi、平均无故障时间(MTBF)作为输入量(步骤2.1,2.2)。针对高速列车转向架***中的同一个部件,分别计算其在不同运营公里下的λi、MTBF作为训练集。例如,节点14齿轮箱总成在列车运行至2450990公里时,其λ14,1=0.013502,MTBF14,1=150.2262。依据动车组一二级检修章程与故障数据记录,将高速列车***的安全等级划分为三级,即y=1为安全、y=5为较安全、y=10为不安全:
以部件齿轮箱总成为例,选取齿轮箱总成的三个安全等级共90组输入量作为训练集,利用LIBSVM软件包进行SVM训练,计算结果的准确率仅为55.7778%。通过分析发现,高速列车的运行环境比较复杂,利用SVM进行分类时,经常出现无法分类的情况(如图3所示),因此需要利用kNN进行二次判断。
计算齿轮箱总成影响***安全性的3个等级样本中心以及待测样本x(0.02746,0.01443,200.75)到3个安全等级的距离然后分步计算3个安全等级下的:i=1,2,3
最后计算三个安全等级的分类判别函数gi(x)=si(x)×μi(x),得出测试样本(如图4所示)x(0.02746,0.01443,200.75)的最终分类结果为即安全等级。经过大量实验,得到部件齿轮箱总成利用kNN-SVM分类的准确率为96.6667%。针对高速列车转向架***中的每一个部件,分别建立训练集,通过实验对比发现,利用kNN-SVM分类方法显著提高了***安全评估的准确率,如表2所示。
表2两种方法比较
Claims (2)
1.一种基于复杂网络的高速列车***安全评估方法,其特征在于,包括下述步骤:
步骤一,根据高速列车物理结构关系,构建高速列车网络模型G(V,E),
1.1.将高速列车***中的部件抽象为节点,即V={v1,v2,…,vn},其中V为节点集合,vi为高速列车***中的节点,n为高速列车***中节点的个数;
1.2.部件与部件之间存在的物理连接关系抽象为连接边,即E={e12,e13,…,eij},i,j≤n;其中E为连接边的集合,eij为节点i和节点j之间的连接边;
1.3.基于高速列车网络模型,计算节点的功能属性度值节点i的功能属性度为
其中λi为节点i的失效率,ki为复杂网络理论中节点i的度,即与该节点相连的边数;
步骤二,通过对高速列车运营故障数据分析,结合高速列车***的物理结构,提取部件的功能属性度值失效率λi、平均无故障时间MTBF作为训练样本集,对训练样本集进行归一化处理:
2.1.失效率λi的计算公式为
2.2.平均无故障时间MTBF由故障数据中记录的故障时间得出,即
2.3.利用支持向量机SVM对样本进行训练;
步骤三,利用kNN-SVM对样本进行安全等级划分;
3.1.对k个安全等级的训练样本进行两两分区,针对个SVM分类器,分别建立最优分类面,其表达式如下:
其中,l为第i个安全等级和第j个安全等级的样本数,K(xij,x)为核函数,x为支持向量,at为SVM的权值系数,bij为偏移系数;
3.2.对于待测部件,分别组合上述两类分类器,并使用投票法,对部件所属的安全等级进行计票;得票最多的类,则为该部件所属安全等级;
3.3.由于高速列车***运行环境复杂,因此,利用SVM分类时容易出现无法分类的情况,因此定义基于加权kNN的判别函数,对部件重新进行安全等级划分,具体步骤如下:
训练集{xi,yi},…,{xn,yn}中,共有l个安全等级即ca1,ca2,...,cal,第i个安全等级的样本中心为其中ni为第i个安全等级的样本数,则部件xj到第i个安全等级样本中心的欧式距离为
式中:xjm为测试样本中第j个样本点的第m个特征属性;cim为第i类样本中心中第m个特征属性;
定义距离判别函数
定义基于加权kNN的不同类别的样本紧密度为
其中:m为k个近邻的个数;ui(x)为测试样本属于第i个训练数据的紧密度隶属度;ui(x(j))为第j个近邻属于第i个安全等级的隶属度,即
则样本点的分类判别函数为
di(x)=si(x)×μi(x) (6)
计算样本属于各个安全等级的紧密度di(x),di(x)值最高的类别为样本点预测结果。
2.根据权利要求1所述一种基于复杂网络的高速列车***安全评估方法,其特征在于,依据动车组一二级检修章程与故障数据记录,所述高速列车安全性划分为如下等级:
即y=1对应的安全等级1为安全,包含列车的运行状态为无影响、继续运行;y=5对应的安全等级2是较安全,包含列车的运行状态为临修、碎修,晚点;y=10对应的安全等级3是不安全,包含列车的运行状态为停运、未出库。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410768888.3A CN104392071B (zh) | 2014-12-12 | 2014-12-12 | 一种基于复杂网络的高速列车***安全评估方法 |
PCT/CN2015/095721 WO2016091084A1 (zh) | 2014-12-12 | 2015-11-27 | 一种基于复杂网络的高速列车***安全评估方法 |
US15/123,684 US9630637B2 (en) | 2014-12-12 | 2015-11-27 | Complex network-based high speed train system safety evaluation method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410768888.3A CN104392071B (zh) | 2014-12-12 | 2014-12-12 | 一种基于复杂网络的高速列车***安全评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104392071A true CN104392071A (zh) | 2015-03-04 |
CN104392071B CN104392071B (zh) | 2017-09-29 |
Family
ID=52609974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410768888.3A Active CN104392071B (zh) | 2014-12-12 | 2014-12-12 | 一种基于复杂网络的高速列车***安全评估方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9630637B2 (zh) |
CN (1) | CN104392071B (zh) |
WO (1) | WO2016091084A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105629928A (zh) * | 2015-12-23 | 2016-06-01 | 潘小胜 | 一种地铁紧急处理安全装置 |
WO2016091084A1 (zh) * | 2014-12-12 | 2016-06-16 | 北京交通大学 | 一种基于复杂网络的高速列车***安全评估方法 |
CN105809251A (zh) * | 2016-03-01 | 2016-07-27 | 北京交通大学 | 一种多属性融合的动车组***关键部件辨识方法 |
CN106778796A (zh) * | 2016-10-20 | 2017-05-31 | 江苏大学 | 基于混合式协同训练的人体动作识别方法及*** |
CN107862763A (zh) * | 2017-11-06 | 2018-03-30 | 中国人民解放军国防科技大学 | 列车安全预警评估模型训练方法、模块及监测评估*** |
CN108583629A (zh) * | 2018-05-04 | 2018-09-28 | 兰州容大信息科技有限公司 | 一种铁路车务故障处理方法 |
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***台 |
CN110309550A (zh) * | 2019-06-10 | 2019-10-08 | 北京交通大学 | 一种基于势能场与网络效率的高速列车***可靠性分析方法 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9824243B2 (en) * | 2015-09-11 | 2017-11-21 | Nxp Usa, Inc. | Model-based runtime detection of insecure behavior for system on chip with security requirements |
CN107733089A (zh) * | 2017-11-10 | 2018-02-23 | 国网福建省电力有限公司 | 一种基于svm的变电站刀闸二次回路故障预测方法 |
CN108196525B (zh) * | 2017-12-27 | 2019-11-12 | 卡斯柯信号有限公司 | 高速列车运行控制***的运行安全风险动态分析方法 |
CN108995675B (zh) * | 2018-06-28 | 2020-07-24 | 上海工程技术大学 | 一种轨道交通运营风险智能识别预警***及方法 |
CN109033582A (zh) * | 2018-07-12 | 2018-12-18 | 西安英特迈思信息科技有限公司 | 一种高速列车多参数智能阈值准则 |
CN110059126B (zh) * | 2019-04-25 | 2023-04-07 | 湖南中车时代通信信号有限公司 | 基于lkj异常值数据的复杂关联网络分析方法及*** |
CN111061246B (zh) * | 2019-12-06 | 2021-01-22 | 北京航空航天大学 | 一种机械产品装配过程故障模式、影响及危害性分析方法 |
CN111539374B (zh) * | 2020-05-07 | 2022-05-20 | 上海工程技术大学 | 基于多维数据空间的轨道列车轴承故障诊断方法 |
CN113139335B (zh) * | 2021-04-09 | 2023-05-09 | 郑州宥新算法智能科技有限公司 | 一种基于bp神经网络的轨道电路故障智能诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050100992A1 (en) * | 2002-04-17 | 2005-05-12 | Noble William S. | Computational method for detecting remote sequence homology |
CN101853441A (zh) * | 2010-05-11 | 2010-10-06 | 北京交通大学 | 基于复杂网络提高铁路旅客运送效率的方法及*** |
CN101866544A (zh) * | 2010-05-11 | 2010-10-20 | 北京交通大学 | 基于复杂网络分析灾害天气对列车开行影响的方法及*** |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0848241A1 (en) * | 1996-12-12 | 1998-06-17 | European Community | Impact test apparatus |
GB0713096D0 (en) * | 2007-02-02 | 2007-08-15 | Duong Henri | Detectable anti-collision automatic braking device for vehicle |
CN102521432B (zh) | 2011-11-18 | 2014-04-09 | 北京交通大学 | 轨道不平顺状态的安全性评判方法 |
US9283945B1 (en) * | 2013-03-14 | 2016-03-15 | Wabtec Holding Corp. | Braking systems and methods of determining a safety factor for a braking model for a train |
CN103955556B (zh) | 2014-03-27 | 2017-07-28 | 北京交通大学 | 高速铁路列车运行控制车载***故障逻辑建模方法 |
JP6420972B2 (ja) * | 2014-06-13 | 2018-11-07 | 公益財団法人鉄道総合技術研究所 | 列車制御システム設計用シミュレータ |
CN104392071B (zh) | 2014-12-12 | 2017-09-29 | 北京交通大学 | 一种基于复杂网络的高速列车***安全评估方法 |
-
2014
- 2014-12-12 CN CN201410768888.3A patent/CN104392071B/zh active Active
-
2015
- 2015-11-27 US US15/123,684 patent/US9630637B2/en active Active
- 2015-11-27 WO PCT/CN2015/095721 patent/WO2016091084A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050100992A1 (en) * | 2002-04-17 | 2005-05-12 | Noble William S. | Computational method for detecting remote sequence homology |
CN101853441A (zh) * | 2010-05-11 | 2010-10-06 | 北京交通大学 | 基于复杂网络提高铁路旅客运送效率的方法及*** |
CN101866544A (zh) * | 2010-05-11 | 2010-10-20 | 北京交通大学 | 基于复杂网络分析灾害天气对列车开行影响的方法及*** |
Non-Patent Citations (5)
Title |
---|
LIJIE LI等: ""Reliability Model Construction for Complex System Based on Common Cause Failure Network"", 《ADVANCES IN MULTIMEDIA》 * |
YUAN ZHANG等: ""Roller bearing safety region estimation and state identification based on LMD-PCA-LSSVM"", 《MEASUREMENT》 * |
何永明: ""基于KNN-SVM的网络安全态势评估模型"", 《计算机工程与应用》 * |
王艳辉等: ""高速列车群运营安全保障仿真模拟实验平台设计"", 《中国铁道科学》 * |
肖雪梅等: ""基于复杂网络和熵的城轨路网运营安全评价模型"", 《中国安全科学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016091084A1 (zh) * | 2014-12-12 | 2016-06-16 | 北京交通大学 | 一种基于复杂网络的高速列车***安全评估方法 |
US9630637B2 (en) | 2014-12-12 | 2017-04-25 | Beijing Jiaotong University | Complex network-based high speed train system safety evaluation method |
CN105629928A (zh) * | 2015-12-23 | 2016-06-01 | 潘小胜 | 一种地铁紧急处理安全装置 |
CN105809251A (zh) * | 2016-03-01 | 2016-07-27 | 北京交通大学 | 一种多属性融合的动车组***关键部件辨识方法 |
CN105809251B (zh) * | 2016-03-01 | 2018-01-30 | 北京交通大学 | 一种多属性融合的动车组***关键部件辨识方法 |
CN106778796A (zh) * | 2016-10-20 | 2017-05-31 | 江苏大学 | 基于混合式协同训练的人体动作识别方法及*** |
CN106778796B (zh) * | 2016-10-20 | 2020-04-21 | 江苏大学 | 基于混合式协同训练的人体动作识别方法及*** |
CN107862763A (zh) * | 2017-11-06 | 2018-03-30 | 中国人民解放军国防科技大学 | 列车安全预警评估模型训练方法、模块及监测评估*** |
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***台 |
CN108583629A (zh) * | 2018-05-04 | 2018-09-28 | 兰州容大信息科技有限公司 | 一种铁路车务故障处理方法 |
CN110309550A (zh) * | 2019-06-10 | 2019-10-08 | 北京交通大学 | 一种基于势能场与网络效率的高速列车***可靠性分析方法 |
CN110309550B (zh) * | 2019-06-10 | 2021-06-22 | 北京交通大学 | 一种基于势能场与网络效率的高速列车***可靠性分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104392071B (zh) | 2017-09-29 |
US20170015339A1 (en) | 2017-01-19 |
WO2016091084A1 (zh) | 2016-06-16 |
US9630637B2 (en) | 2017-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104392071A (zh) | 一种基于复杂网络的高速列车***安全评估方法 | |
Huang et al. | Railway dangerous goods transportation system risk identification: Comparisons among SVM, PSO-SVM, GA-SVM and GS-SVM | |
CN103077347B (zh) | 一种基于改进核心向量机数据融合的复合式入侵检测方法 | |
CN106202886B (zh) | 基于模糊粗糙集与决策树的轨道电路红光带故障定位方法 | |
CN104050361B (zh) | 一种监狱服刑人员危险性倾向的智能分析预警方法 | |
CN103914064B (zh) | 基于多分类器和d-s证据融合的工业过程故障诊断方法 | |
CN101853531B (zh) | 基于预分类技术和rbf神经网络的直升机飞行状态识别方法 | |
CN102496069A (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
CN106355030A (zh) | 一种基于层次分析法和加权投票决策融合的故障检测方法 | |
CN110414780B (zh) | 一种基于生成对抗网络的金融交易数据的欺诈检测方法 | |
CN101404071B (zh) | 基于分组粒子群算法的电子电路故障诊断神经网络方法 | |
CN102663264A (zh) | 桥梁结构健康监测静态参数的半监督协同评估方法 | |
CN103632168A (zh) | 一种机器学习中的分类器集成方法 | |
CN110737976B (zh) | 一种基于多维度信息融合的机械设备健康评估方法 | |
CN102879677A (zh) | 基于粗糙贝叶斯网络分类器的智能故障诊断方法 | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN105606914A (zh) | 一种基于iwo-elm的航空功率变换器故障诊断方法 | |
CN103901880A (zh) | 基于多分类器和d-s证据融合的工业过程故障检测方法 | |
CN106295332A (zh) | 基于区间数和理想解的信息安全风险评估方法 | |
CN104268381A (zh) | 一种基于AdaBoost算法的卫星故障诊断方法 | |
CN104463548A (zh) | 一种多因素影响下的承运量化选择方法 | |
CN104123678A (zh) | 一种基于状态等级评估模型的电力继电保护状态检修方法 | |
CN106482967A (zh) | 一种代价敏感支持向量机机车车轮检测***及方法 | |
CN107885849A (zh) | 一种基于文本分类的情绪指数分析*** | |
CN106650113A (zh) | 一种基于模糊聚类的桥梁监测数据异常情况识别方法 |
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 |