В работе приведено обоснование необходимости создания прогнозной нелинейной модели эксплуатационных показателей работы железной дороги. Это позволит минимизировать потери при планирования проверки путей средствами мобильной диагностики. Выявлены недостатки прогнозирования при использовании нелинейного регрессионного уравнения. Приведены основные средства диагностики, ограничивающие скорости движения поездов. Рассмотрены существующие нейронные модели сети. Определена оптимальная структура сети на основе многослойного персептрона. Проведен анализ чувствительности обученных нейронных сетей. Установлена более гибкая структура многослойной сети по сравнению с регрессионным уравнением.
. Сафарбаков А.М. Основы технической диагностики деталей и оборудования: учебное пособие / А.М. Сафарбаков, А.В. Лукьянов, С.В. Пахомов. – Ч. 1 – Иркутск: ИрГУПС, 2007. – 128 с. 2. Сафарбаков А.М. Основы технической диагностики деталей и оборудования: учебное пособие / А.М. Сафарбаков, А.В. Лукьянов, С.В. Пахомов. – Ч. 2 – Иркутск: ИрГУПС, 2007. – 110 с. 3. Гапанович, В.А. Математическое и информационное обеспечение системы УРРАН / В.А. Гапанович, A.M. Замышляев, И.Б. Шубинский // Надежность. -2013. - №1. - С. 3-11. 4. Краковский, Ю.М. Прогнозирование бокового износа рельсов как процедура оценки их остаточного ресурса/ Ю.М. Краковский, В.А. Начигин// Контроль. Диагностика. - 2010. - № 6. - С. 30-35. 5. Перелыгин В. Н. Прогнозирование технической скорости/ В. Н. Перелыгин, А. А. Антонов, А. Ю. Перелыгина// Железнодорожный транспорт – 2014. - №12. – С.19-20. 6. Advanced Multivariable Control Systems of Aeroengines // Eds.: Sun Jianguo, V. I. Vasilyev, B.G. Ilyasov, Beijing, China, BUAA Press, 2005. – 621 p. 7. Isermann, R. Fault Diagnosis of Machines via Parameter Estimation and Knowledge Processing. – Automatica 29, 1993, p.815–836. 8. Е.С.Борисов О методах обучения многослойных нейронных сетей прямого распространения. ч.1 Общие положения - http://mechanoid.kiev.ua. 9. Е.С.Борисов О методах обучения многослойных нейронных сетей прямого распространения. ч.2 Градиентные методы первого порядка - http://mechanoid.kiev.ua. 10. Narendra, K. S. Neural Networks for Control. Theory and Practice // Proceedings of the IEEE, Vol. 84, No. 10, 1996, p.1385 –1405. 11. GNU Octave - http://www.gnu.org/software/octave. 12. Артёмкин, Д.Е. Разработка математического и программного обеспечения автоматизированного прогнозирования временных рядов на основе нейрокомпьютерных технологий: дис. канд. тех. наук/ Д.Е. Артёмкин. – Рязань, 2003. – 140 с. 13. Боровиков, В.П. Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных / В.П. Боровиков. – 2-е изд. – М.: Горячая линия – Телеком, 2008. – 392 с. 14. Бэстенс, Д.-Э. Нейронные сети и финансовые рынки. Принятие решений в торговых операциях/ Д.-Э. Бэстенс, В.-М. Ван Ден Берг, Д. Вуд . – М.: ТВП, 1997. – 236с. 15. Хайкин, С. Нейронные сети: полный курс, 2-е изд., испр.:Пер. с англ. /С. Хайкин.– М.:ООО И.Д. Вильямс, 2006. – 1104с.