在我国铁路行业,随着高速列车的出现以及铁路的进一步提速,列车脱轨事件也呈上升趋势。脱轨造成人民生命和财产的巨大损失,给铁路安全运输造成了极大的威胁。为了得到列车的安全行驶速度,测量和重构作为列车—桥梁(轨道)系统激励源的车辆构架实测横向振动波(俗称蛇行波)具有重要的理论和工程实际意义。预测车桥系统的振动响应,关键在于要求得与实际构架实测蛇行波接近的构架人工蛇行波,基于Monte-Carlo的人工蛇行波随机模拟方法只保留了实测数据中的方差作为重构的唯一约束条件,而其他一些重要特征参数,如频率、概率等都没有得到充分的利用,造成了重构过程中的频率和相位的机会平均,导致了最后重构的蛇行波与实测蛇行波有一定的差距。本文针对小波良好的时频局部性及神经网络强大的非线性映射能力,用小波基代替了神经网络中的Sigmoid函数,构造了带有轮盘赌遗传选择机制的小波神经网络,并对160公里/小时广深铁路实测蛇行波数据进行了分析、重构,仿真结果表明这种方法能够有效地保留实测蛇行波的特征参数。与传统基于Monte-Carlo方法的三角级数随机重构方法相比,基于小波神经网络的人工蛇行波重构方法能够克服重构过程中的频率、相位机会平均,波形可能会出现突变等缺点,经过重构所得到的波形中带有更多实测蛇行波的信息,过渡、衔接地更加自然。该方法也适用于行驶速度高于160公里/小时的高速列车。