高速列車智能自主定位模型與在線學習算法：基于應(yīng)答器實測數(shù)據(jù)的機器學習

1 概述
1．1 高速鐵路的發(fā)展
1．1．1 世界高鐵發(fā)展現(xiàn)狀
1．1．2 國內(nèi)高鐵發(fā)展技術(shù)簡介
1．2 高速列車的發(fā)展
1．3 高速列車定位技術(shù)的發(fā)展
1．4 本書的結(jié)構(gòu)
參考文獻
2 高速列車運行控制系統(tǒng)
2．1 歐洲的高速列車控制系統(tǒng)
2．2 日本的高速列車控制系統(tǒng)
2．3 中國的高速列車控制系統(tǒng)
2．4 高速列車定位系統(tǒng)的關(guān)鍵技術(shù)
2．4．1 地-車信息傳輸
2．4．2 列車測速與定位
2．5 本章小結(jié)
參考文獻
3 高速列車定位系統(tǒng)與關(guān)鍵技術(shù)
3．1 高速列車定位系統(tǒng)
3．2 測速定位系統(tǒng)
3．3 衛(wèi)星定位技術(shù)
3．4 應(yīng)答器定位
3．5 本章小結(jié)
參考文獻
4 利用應(yīng)答器數(shù)據(jù)的列車位置計算模型
4．1 CTCS-3級列控系統(tǒng)介紹
4．1．1 無線閉塞中心
4．1．2 鐵路綜合數(shù)字移動通信系統(tǒng)
4．1．3 車載設(shè)備
4．2 高速列車位置計算模型
4．2．1 無線消息
4．2．2 建立列車位置計算模型
4．3 數(shù)據(jù)預(yù)處理及評價指標
4．3．1 數(shù)據(jù)預(yù)處理
4．3．2 評價指標
4．4 基于速度平均法的位置計算算法
4．5 本章小結(jié)
參考文獻
5 基于SVM的高速列車智能定位模型與學習算法
5．1 基于最小二乘法的位置計算算法
5．1．1 最小二乘法的創(chuàng)立
5．1．2 最小二乘法的原理
5．1．3 最小二乘法位置計算模型
5．2 基于支持向量機的位置計算算法
5．2．1 支持向量機簡介
5．2．2 支持向量機的優(yōu)點
5．2．3 支持向量回歸機
5．2．4 支持向量機位置計算模型
5．3 基于最小二乘支持向量機的位置計算算法
5．3．1 最小二乘支持向量機簡介
5．3．2 最小二乘支持向量機位置計算模型
5．4 在線學習策略
5．5 本章小結(jié)
參考文獻
6 基于SVM的高速列車智能定位軟件開發(fā)
6．1 圖形用戶界面GUI介紹
6．2 軟件總體設(shè)計
6．3 軟件模塊設(shè)計
6．4 軟件操作步驟
6．5 武廣高鐵數(shù)據(jù)集分析
6．6 本章小結(jié)
參考文獻
7 基于神經(jīng)網(wǎng)絡(luò)的高速列車定位模型與學習算法
7．1 京滬高鐵與數(shù)據(jù)集介紹
7．2 BP神經(jīng)網(wǎng)絡(luò)模型
7．3 RBF神經(jīng)網(wǎng)絡(luò)模型
7．4 ANFIS神經(jīng)網(wǎng)絡(luò)模型
7．5 各定位模型比較與在線學習算法
7．5．1 訓(xùn)練集結(jié)果分析與對比
7．5．2 驗證集結(jié)果分析與對比
7．5．3 驗證集參數(shù)在線學習方法與非在線學習方法分析與對比
7．6 本章小結(jié)
參考文獻
8 基于神經(jīng)網(wǎng)絡(luò)的高速列車定位軟件開發(fā)
8．1 軟件架構(gòu)與總體設(shè)計
8．2 數(shù)據(jù)載入模塊
8．3 數(shù)據(jù)處理模塊
8．4 結(jié)果顯示模塊
8．5 軟件應(yīng)用
8．5．1 軟件數(shù)據(jù)準備
8．5．2 軟件操作步驟
8．6 本章小結(jié)
參考文獻
9 各種智能定位模型的綜合比較
9．1 6種智能定位模型的復(fù)雜度分析
9．2 無在線學習的比較
9．2．1 京滬高鐵數(shù)據(jù)集的分析
9．2．2 武廣高鐵數(shù)據(jù)集的分析
9．2．3 鄭西高鐵數(shù)據(jù)集的分析
9．3 兩種在線學習策略的比較
9．3．1 京滬高鐵數(shù)據(jù)集在線學習方法分析
9．3．2 武廣高鐵數(shù)據(jù)集在線學習方法分析
9．3．3 鄭西高鐵數(shù)據(jù)集在線學習方法分析
9．4 本章小結(jié)
10 總結(jié)與展望
10．1 總結(jié)
10．2 展望