张云丽 韩宪忠 王克俭
&&&&&&& （河北农业大学信息科学与技术学院，071001，河北保定）
&&&&&&& 摘要：本文在介绍了Matlab神经网络工具箱的基础上，主要对时间序列预测工具箱的使用作了说明，并用实例仿真说明如何进行时间序列预测的调用实现，通过不断的调整参数，最后使训练的模型比较理想，满足实际的需求，表明了直接使用时间序列预测的有效性，并为Matlab神经网络工具箱的使用提供了新的方法。
&&&&&&& 关键词：Matlab；神经网络；时间序列；预测
&&&&&&& 中图分类号：TP391.41&&&&& 文献识别码：A
&&&&&&& 引言
&&&&&&& 时间序列是根据时间顺序得到跟时间相关的变量或者参数的观测数据[1]。对时间序列的研究主要是挖掘其中有价值的信息，找到其中变化的内在规律[2]。时间序列预测是时间序列分析研究的主要内容，是指根据现有的和历史的时间序列的数据，建立能反映时间序列中所包含的动态依存关系的数学模型[3]，从而能对序列未来的趋势做出合理的预测。简单的说，时间序列预测就是用已有的数据预测下一个时间段的值。目前，时间序列预测已经广泛应用在自然界、经济、化学、科学工程等各个领域。
&&&&&&& 随着Matlab版本的不断更新，神经网络工具箱不断的完善，使得仿真的实现日益简单，R2010b后的版本对时间序列预测的实现不需要手动写代码，网络训练完毕，从Simple Script可看到网络代码，并可对代码进行编辑、改编，因此，只要调用就可应用在各个领域。本文结合时间序列预测的特点，将Matlab神经网络工具箱中的时间序列预测应用到温度预测的实例中，通过快速的仿真及不断的调整参数，从而形成较理想的数学模型，为后期进行温度的预测奠定了基础。
&&&&&&& 1Matlab神经网络工具箱简介
&&&&&&& 神经网络分为静态和动态两类。静态神经网络是无反馈、无记忆的，输出仅依赖于当前的输入，例如BP神经网络和RBF神经网络。动态神经网络是有记忆的神经网络，其输出依赖于当前和以前的输入。动态神经网络又分为有反馈和无反馈，有反馈指输出依赖于当前输入和前一个输入输出，无反馈指输出依赖于当前和之前的输入。因此，动态神经网络比静态神经网络功能强，本文选择动态神经网络进行时间序列预测。
&&&&&&& Matlab神经网络工具箱提供了一系列用于模型训练的工具，包括曲线拟合工具箱、模式识别工具箱、聚类工具箱和时间序列工具箱，利用这些工具箱可进行快速的调整参数，通过仿真得到直观的结果。另外，Matlab神经网络工具箱还提供人机交互界面，可根据提示一步一步的完成模型的训练，并对仿真的结果进行分析，直到满足要求为止。
&&&&&&& 选择时间序列工具箱或者直接在命令窗口中输入ntstool，可打开时间序列预测工具箱界面，根据数据选择符合哪种情况，根据人机交互界面的提示，将数据分成训练数据、验证数据、测试数据三类，选择神经元的个数进行训练预测，最后根据Plot Error Autocorrelation和Plot Input-Error Correlation判断误差是否在规定的界限内，如果满足要求则训练结束，否则通过重新训练Train Again、调整参数Adjust Network Size或者改变输入数据Import Larger Data Set来重新进行训练，直到训练误差满足要求为止。
&&&&&&& 2仿真实例
&&&&&&& 假设有一组随时间和加上风扇影响的温度的数据，存放time_series_data.xls中，训练步骤如下：
&&&&&&& （1）导入数据：输入rawData=xlsread(&time_series_data.xls&,&sheet1&,&数据的位置&);输出y_t=rawData(:,3);输入x_t=rawData(:,2);
&&&&&&& （2）调用时间序列预测工具箱：输入nnstart调用出神经网络总窗口，选择其中的Rime Series Tool或直接输入ntstool命令，打开时间序列预测工具箱界面，选择其中的NARX模型；
&&&&&&& （3）设置参数： Inputs列选择x_t，Targets列选择（y_t），Time step列选择Matrix row，将进行训练、验证和测试的数据分别设置为70%、15%和15%，Number of Hidden Neurons列设置隐含层神经元的个数，Number of delays d列设置依赖于几个时间的输入输出。需要注意的是：三种数据的比例、神经元的个数和依赖的时间都是可以改变的，因此需根据需要不断的调整这些参数。
&&&&&&& （4）仿真训练：参数设置好之后，点击Train训练，训练完成后，通过Plot Error Autocorrelation和Plot Input-Error Correlation检查误差是否满足要求，若满足要求，则训练完成；若误差不满足要求，则进行重新训练。
&&&&&&& 从上图可看出，通过不断的训练后Plot Error Autocorrelation中的误差都在95%误差界限内，满足要求，而Input-Error Correlation中仍有超出误差区间的点，还需进一步进行训练，但总体满足了要求。
&&&&&&& 3结语
&&&&&&& 通过直接调用时间序列预测工具箱，简单快速，节省了手写代码的时间，通过对参数不断的调整，最终形成理想的模型，满足实际的需要，为后期进行时间序列预测工具箱的广泛使用奠定了基础，同时也为其他工具箱的使用提供了依据。
&&&&&&& 参考文献
&&&&&&& [1]田铮.时间序列的理论与方法.北京:高等教育出版社，2001.
&&&&&&& [2]E. KEOGH.Data mining and machine learning in time series database[C]//Proc of the 5th Industrial Conference on Data Mining(ICDM), Leipzig. 2005.
&&&&&&& [3]刘大同.基于Online SVR的在线时间序列预测方法及其应用研究[D].哈尔滨工业大学..
您可能感兴趣的其他文章
&&站长推荐
&&期刊推荐
&&原创来稿文章
&&网络读者服务
转寄给朋友
朋友的昵称:
朋友的邮件地址:
您的邮件地址:
写信给编辑
您的邮件地址:一种基于NARX神经网络的多步预测模型_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
一种基于NARX神经网络的多步预测模型
上传于|0|0|暂无简介
阅读已结束，如果下载本文需要使用1下载券
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，查找使用更方便
还剩3页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢基于narx神经网络的弓网接触力预测方法
专利名称基于narx神经网络的弓网接触力预测方法
基于NARX神经网络的弓网接触力预测方法技术领域
本发明属于铁路安全运行控制技术领域，尤其涉及一种基于NARX神经网络的弓网接触力预测方法。
背景技术发展高速铁路是我国铁路现代化建设的必然趋势，而电力机车以其运量大、速度快、能耗低、污染小、运价廉和安全可靠等优点，成为高速机车中的主力军。在高速电气化铁路系统中，与列车速度直接相关的是弓网受流系统，即在列车高速运行时，必须保持稳定的受流状态，也就是说受电弓与接触线间要有一定的接触压力。当接触压力过小时，易造成离线，即受电弓脱离接触线并产生电弧；当接触压力过大时，接触线抬升量过大，使接触线局部弯曲，引起接触线疲劳损伤，同时使接触线磨耗增大，严重时造成弓网事故。因此，弓网接触力的测量对于保证列车行车安全以及我国高速铁路的发展都具有重要意义。
原华，毕继红等人采用在弓网间建立“接触对”的方法来实现弓网耦合，建立了刚性悬挂接触网耦合模型，对模型进行非线性瞬态动力分析，得到接触力及滑板竖向位移的变化曲线。徐海东，许敏等人基于铁路大系统动力学理论建立了弓网动力学模型，并将机车顶部受电弓基座处的振动响应作为弓网系统的激饶，应用于动力学模型，探讨了车轨耦合振动对弓网接触压力的影响。
国内外学者对弓网的研究方法有现场试验、半实物半虚拟(受电弓为实物，接触网通过计算机仿真得到)试验及计算机模拟等。现场试验对测量方法、数据处理等的要求极高，只有德国等少数国家能够直接测量受电弓与接触网间的接触力。随着高速电子计算机的出现，使利用数值方法来全真模拟接触网这个庞大结构成为可能，计算机模拟方法已成为最通用的研究方法。
接触网与受电弓耦合的实现方法基本分为两种一种是吴天行等提出的通过弓、 网在接触点处位移相等来实现耦合，另外一种是张卫华等提出的通过弹簧实现耦合。前者不必选择接触刚度，但无法考虑离线；而对于后者，由于实际中弓网间的动态接触力和滑板位移的关系是相接触时，两者保持接触刚度的关系；一旦离线，接触力将始终为零，两者间不再存在任何联系。因此用弹簧模拟弓网耦合不能研究离线以后弓、网的振动。
还可以使用工程设计软件ANSYS中的生死单元技术来模拟受电弓沿接触网的移动，具体做法是在接触线每个节点处都建立一个受电弓，在求解过程中通过生死单元技术， 来激活或杀死相应的受电弓。这种方法最大的缺陷是无法考虑受电弓的节点速度、位移的连续性和传递性，因此计算结果与事实相差很大，很不准确。
通过上述介绍可以看出，现有弓网接触力预测方法均存在着不同程度的缺陷，因此有必要提出一种新的弓网接触力预测方法，以提高弓网接触力预测的准确性。发明内容
本发明的目的是，提供一种基于NARX神经网络的弓网接触力预测方法，用以解决常用的弓网接触力预测方法计算的弓网接触力精度不高的问题。
为了实现上述目的，本发明采用的技术方案是，一种基于NARX神经网络的弓网接触力预测方法，其特征是所述方法包括
步骤1 通过仿真试验获取试验数据；其中，试验数据包括接触线不平顺数据和与其对应的弓网接触力数据；
步骤2 对试验数据进行归一化处理；
步骤3 建立NARX神经网络预测模型；
步骤4:从归一化处理后的试验数据中，抽取第一设定数量的数据对作为训练样本；其中，数据对是指归一化处理后的接触线不平顺数据和与其对应的归一化处理后的弓网接触力数据；
步骤5 将训练样本中的归一化处理后的接触线不平顺数据和与其对应的归一化处理后的弓网接触力数据分别作为输入数据和输出数据，采用贝叶斯正则化算法训练NARX 神经网络预测模型；
步骤6 再从归一化处理后的试验数据中，抽取第二设定数量的数据对作为测试样本；其中，数据对是指归一化处理后的接触线不平顺数据和与其对应的归一化处理后的弓网接触力数据；
步骤7 以测试样本中的归一化处理后的接触线不平顺数据作为输入数据输入到步骤5训练的NARX神经网络预测模型中，对输出结果进行反归一化处理，将反归一化处理后的输出结果作为弓网接触力预测值。
所述通过仿真试验获取试验数据具体是，先建立弓网耦合动力学模型，再利用 MATLAB/Simulink软件进行动态仿真获取接触线不平顺数据和与其对应的弓网接触力数据。
所述对试验数据进行归一化处理具体是利用公式
1.一种基于NARX神经网络的弓网接触力预测方法，其特征是所述方法包括步骤1 通过仿真试验获取试验数据；其中，试验数据包括接触线不平顺数据和与其对应的弓网接触力数据；步骤2 对试验数据进行归一化处理； 步骤3 建立NARX神经网络预测模型；步骤4 从归一化处理后的试验数据中，抽取第一设定数量的数据对作为训练样本；其中，数据对是指归一化处理后的接触线不平顺数据和与其对应的归一化处理后的弓网接触力数据；步骤5 将训练样本中的归一化处理后的接触线不平顺数据和与其对应的归一化处理后的弓网接触力数据分别作为输入数据和输出数据，采用贝叶斯正则化算法训练NARX神经网络预测模型；步骤6 再从归一化处理后的试验数据中，抽取第二设定数量的数据对作为测试样本； 其中，数据对是指归一化处理后的接触线不平顺数据和与其对应的归一化处理后的弓网接触力数据；步骤7 以测试样本中的归一化处理后的接触线不平顺数据作为输入数据输入到步骤 5训练的NARX神经网络预测模型中，对输出结果进行反归一化处理，将反归一化处理后的输出结果作为弓网接触力预测值。
2.根据权利要求1所述的方法，其特征是所述通过仿真试验获取试验数据具体是，先建立弓网耦合动力学模型，再利用MATLAB/Simulink软件进行动态仿真获取接触线不平顺数据和与其对应的弓网接触力数据。
3.根据权利要求1所述的方法，其特征是所述对试验数据进行归一化处理具体是利用公式
4.根据权利要求1所述的方法，其特征是所述NARX神经网络预测模型的中间层节点采用tan-sigmoid函数，输出层节点采用线性函数，输入层节点个数为1，中间层节点数目为15，输出层节点数目为1，输入输出延迟都为45 ；其中，所述tan-sigmoid函数为
5.根据权利要求1所述的方法，其特征是所述第一设定数量的数据对为1300个数据对。
6.根据权利要求1所述的方法，其特征是所述第二设定数量的数据对为700个数据对。
7.根据权利要求1所述的方法，其特征是所述步骤7之后还包括采用均方根误差法评价NARX神经网络预测模型性能的步骤，具体是利用公式评价训练后的NARX神经网络预测模型的性能；其中，y(i)为测试样本中的目标值， ym(i)为反归一化处理后的预测值，N为测试样本中的数据个数。
本发明公开了铁路安全运行控制技术领域中的一种基于NARX神经网络的弓网接触力预测方法。包括通过仿真试验获取试验数据；对试验数据进行归一化处理；建立NARX神经网络预测模型；从归一化处理后的试验数据中，抽取第一设定数量的数据对作为训练样本，采用贝叶斯正则化算法训练NARX神经网络预测模型；再从归一化处理后的试验数据中，抽取第二设定数量的数据对作为测试样本，以测试样本中作为输入数据输入到训练的NARX神经网络预测模型中，将输出结果反归一化处理后作为弓网接触力预测值。本发明采用NARX神经网络模型预测弓网接触力，提高了弓网接触力的预测精度。
文档编号G06N3/02GKSQ
公开日日 申请日期日 优先权日日
发明者张媛, 张道于, 朱跃, 秦勇, 贾利民, 邢宗义, 陈皓 申请人:北京交通大学