改进LSTM的脱轨系数预测方法

• 作者: 张卜 刘怡伶 张文静 刘学文
• 来源期刊: 软件导刊
• 学科: 工学
• 关键词: 脱轨系数预测 深度学习 动态学习率 Dropout
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 人工智能
• 页码范围: 27-31
• 页数: 5页
• 分类号: TP389.1
• 语种: 中文
• DOI: 10.11907/rjdk.202616

摘要

研究基于长短时记忆神经网络模型的优化方法及其在脱轨系数预测中的应用,通过SIMPACK建立列车—轨道仿真场景得到网络训练所需数据集,构建基于长短时记忆神经网络的脱轨系数预测模型,借助动态学习率和Dropout方法针对学习率及网络结构进行优化,并使用优化后的长短时记忆神经网络对脱轨系数进行预测.脱轨系数预测结果表明,经过优化的长短时记忆神经网络预测模型在测试集上的预测误差相较优化前的模型减小23.9％,动态学习率和Dropout方法能高效地优化预测模型,可使模型较准确地预测出脱轨系数变化趋势,可为进一步研究提供支持.