典型文献
基于QPSO-DBN集成学习的城轨列车定位研究
文献摘要：
高精度的定位是实现列车自动驾驶的重要前提.针对现有机器学习用于列车定位时,存在特征选取理论依据不足、难以确定恰当的模型结构,从而导致列车定位数据不稳定、不精确等问题,提出了一种基于集成深度置信网络(deep belief network,DBN)的城轨列车定位新方法.该方法首先对原始数据集进行预处理,其次利用皮尔逊系数对特征进行筛选,然后基于Stacking集成模型,利用量子粒子群算法(quantum particle swarm optimization,QPSO)优化集成模型中DBN基学习器的结构.将所提出的QPSO-DBN集成模型与经典机器学习方法、传统算法优化的集成模型相比,进一步提高了列车的定位精度.最后,通过仿真实验验证了所提出模型的优越性.
文献关键词：
深度置信网络;量子粒子群算法;集成学习;列车定位
中图分类号：
作者姓名：
徐凯;杨锐
作者机构：
重庆交通大学信息科学与工程学院 重庆 400074
文献出处：
引用格式：
[1]徐凯;杨锐-.基于QPSO-DBN集成学习的城轨列车定位研究)[J].电子测量与仪器学报,2022(09):21-28
A类：
B类：
QPSO,DBN,集成学习,城轨列车,列车定位,定位研究,列车自动驾驶,习用,存在特征,特征选取,难以确定,模型结构,定位数据,深度置信网络,deep,belief,network,原始数据,皮尔逊系数,Stacking,集成模型,量子粒子群算法,quantum,particle,swarm,optimization,基学习器,机器学习方法,传统算法,算法优化,定位精度,出模
AB值：
0.364982
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
