论文部分内容阅读
近几年来,随着高速铁路列车运营速度的不断提高,列车运行控制系统对列车定位精度提出了更高的要求。高速铁路列车采用应答器与里程计相结合的方式进行定位。每经过一个应答器,应答器对列车位置进行一次校正,定位误差为Om,但列车在相邻应答器之间的定位误差将随着列车的不断向前运行而逐渐增大,直到经过下一个应答器,定位误差校正为Om。工程中常常采用增加额外定位设备的方式来减小定位误差,这无疑将增加投入成本和维护成本以及定位系统的复杂度。因此,本文将在现有定位设备的基础上,应用机器学习相关算法来减小列车在相邻应答器之间的定位误差,从而提高列车定位精度。本文从以下几个方面对高速铁路列车定位问题展开了研究：首先,文章对车载设备与地面设备双向通信的无线消息包进行了分析,并提出列车位置信息只与列车在相邻位置报告点处的速度及走行时间有关,同时建立了高速铁路列车位置计算数学模型。该模型不受外界环境因素影响,与列车的牵引、制动特性无关。其次,由于列车在运行过程中的精确位置信息是很难获取的,本文对列车在相邻应答器之间精确位置进行了合理的假设,即采用按距离分配误差的方式获得列车的精确位置信息。并以列车位置计算数学模型为基础建立了3种列车位置计算模型,分别是基于最小二乘法(LSM)、基于支持向量机(SVM)和基于最小二乘支持向量机(LSSVM)的列车位置计算模型。受环境和天气以及运营年限的影响,列车定位设备的精度和可靠性等各项性能参数将发生不同程度的变化,因此,有必要对列车位置计算模型的参数进行在线调整。本文针对3种列车位置计算模型的特点提出了相对应的在线学习策略,以提高模型适应性。最后,本文利用武广(武汉-广州)高速铁路列车的实际运行数据并借助MATLAB仿真平台对所建立的列车位置计算模型进行了训练和验证。结果表明：1)与工程中常用的速度平均法相比,所建立的3种列车位置计算模型均能有效的减小定位误差；2)与速度平均法相比,LSM模型的误差百分比在训练和验证中分别减少了45.9%和53.9%；3)与LSM模型相比,SVM模型的误差百分比在训练和验证中分别更进一步的减少了38.8%和14.3%；4)除了运行时间外,SVM模型与LSSVM模型具有几乎相同的表现；5)所提出的在线学习策略能在原有模型的基础上进一步减小定位误差。综合考虑定位误差与运行时间,本文认为有在线学习策略的LSSVM模型更适合用于计算列车位置。