简介:针对桥梁结构监测采集到的桥梁异常状态下长期积累演变的惊人数据量,提出了基于主成分分析与人工神经网络相结合的桥梁结构异常状态识别方法。布设多种类型传感器监测获取高维数据,采用主成分分析法对原始高维特征数据进行预处理,将结构异常特征变量的主成分作为人工神经网络的输入特征。该方法有效的降低了神经网络的结构复杂度,同时提高人工神经网络的训练速度,也保证了人工神经网络具有良好的收敛性和稳定性。应用于江苏南通如泰运河大桥和江苏无锡开源大桥的实际监测数据的结果表明,基于主成分分析的人工神经网络方法用于桥梁结构异常状态识别,与传统的神经网络以及其他模式识别算法相比,有更好的识别精度。
简介:大城市轨道交通的迅猛发展令轨道客流逐年攀升,换乘站点已成为城市大规模客流的主要集散地,由此带来了客流拥塞的安全隐患.本文旨在研究轨道换乘站客流拥塞风险的识别方法.基于实时回传的AFC数据,提取轨道换乘站客流,并在时变特征分析的基础上将客流划分为3类:进站客流、出站客流和换乘客流,将对应的客流量选取为客流拥塞风险评价指标.将轨道的运营时间(05:00—23:00)以15min为最小单元细分为72个时段,基于灰色聚类构建轨道换乘站客流拥塞风险评价模型,实现对轨道换乘不同时段客流拥塞风险等级的识别.应用该方法对北京市东直门轨道换乘站的客流拥塞风险进行评价,验证了该方法的有效性.