[发明专利]基于Hadoop平台的BP神经网络的地铁信号系统故障预测方法

权利要求书

1.一种基于Hadoop平台的BP神经网络的地铁信号系统故障预测方法，其特征在于，包括以下步骤：

步骤1、对存储于微机监控系统中的轨道电路数据进行提取并储存到Hadoop平台中；

步骤2、由Hadoop从每个文件中提取出相应的设备状态数据，整合并按日期存储在HDFS中；

步骤3、对损坏数据进行识别和修复，采用的方法为根据时间节点在数据库中寻找与其相似的节点来进行填补；

步骤4、进行神经网络训练，根据轨道电路反馈数据的特征选取三层神经网络，根据不同的设备确定输入节点个数，根据经验公式选择隐含层节点、节点阀值和权值；采用传统神经网络赋值方法为随机数；

步骤5、选取最大迭代次数为1000次，最小误差为0.001，并采用Widrow-Hoff学习规则进行反向训练；

步骤6、利用Hadoop平台将原始数据和神经网络算法切割为一些小的数据按键值对的方式传送给5个节点，在同一时刻进行BP神经网络训练，并规定每次迭代次数为100次；

步骤7、将各个节点通过迭代所产生的节点阀值和均值作为输入，并求平均值再重新分配给各个节点，以加快训练速度。

步骤8、在完成训练后，提取当前状态设备信息，将待预测数据和集中在主节点中的神经节点阀值和权值传输给一个新的节点，最终节点产生的结果与真实数据相比较并验证其准确率。

2.根据权利要求1所述的地铁信号系统故障预测方法，其特征在于，前述方法中，使用Hadoop平台对设备状态信息提取分组，并分别进行运算。

3.根据权利要求1所述的地铁信号系统故障预测方法，其特征在于，前述方法中，使用相似信息填补法对损坏的设备状态信息进行修复。

4.根据权利要求1所述的地铁信号系统故障预测方法，其特征在于，前述方法中，通过Hadoop平台并行运算和分布式储存对传统BP神经网络算法进行改进，结合Hadoop平台并行运算和分布式储存与传统BP神经网络算法，将神经网络节点参数多次重组。