近年来,人工神经网络的研究已经成为人工智能领域的热点之一,并且该领域的研究成果已经被广泛地应用到各个具体问题中。比如图像识别、自动翻译、语音信号识别等。本文提出了一种新的前馈神经网络优化算法--部分学习机(Partial Learning Machine,PLM)。PLM是一种针对前馈神经网络的优化算法,且只对网络的部分参数进行优化,故称之为部分学习机。PLM算法所优化的网络参数为隐层神经元偏置和输出层权值。本文提出了两种不同类型的PLM算法,分别是基于粒子群算法和最小二乘法的PLM_PSO算法和基于梯度下降法和最小二乘法的PLM_G算法。由本文的算法对比实验可得到以下结论:在公开数据上,本文所提出的PLM_G算法的训练时间比误差反向传播(Back Propagation,BP)算法和PLM_PSO算法少的多。同时,PLM_G算法的测试误差相比于BP算法和极限学习机(Extreme Learning Machine,ELM)算法分别降低了12.25%和8.08%。本文主要研究工作如下:(1)结合粒子群算法和最小二乘法提出PLM_PSO算法。PL]M算法需要对隐层神经元偏置和输出层权值进行调节,其中隐层神经元偏置采用粒子群算法进行优化,输出层权值采用最小二乘法计算。(2)结合梯度下降法和最小二乘法提出PLM_G算法。该算法的隐层节点偏置采用梯度下降法进行优化,输出层权值仍然采用最小二乘法计算。PLM_G算法解决了PLM_PSO算法随着隐层节点的增加而导致寻优时间久的问题。(3)高速列车转向架轴箱振动数据的预处理。通过分析轴箱振动数据发现所采集的数据中存在噪声。因此,在对该数据集进行实验之前,采用基于小波变换的方式对原始数据进行去噪处理。(4)将本文提出的PLM算法应用于实际问题。通过对高速列车转向架轴箱振动数据的分析发现,轴箱的振动值受到高速列车的运营里程、运行速度和加速度等因素的影响。因此,将本文提出的PLM算法应用于该数据,由此所得的模型可作为指导该高速列车转向架轴箱检修周期制定的合理依据。