1.一种基于复杂网络的高速列车系统安全评估方法，其特征在于，包括下述步骤：
步骤一，根据高速列车物理结构关系，构建高速列车网络模型G(V,E)，
1.1.将高速列车系统中的部件抽象为节点，即V＝{v1,v2,…,vn}，其中V为节点集合，vi为高速列车系统中的节点，n为高速列车系统中节点的个数；
1.2.部件与部件之间存在的物理连接关系抽象为连接边，即E＝{e12,e13,…,eij}，i,j≤n；其中E为连接边的集合，eij为节点i和节点j之间的连接边；
1.3.基于高速列车网络模型，计算节点的功能属性度值 节点i的功能属性度为其中λi为节点i的失效率，ki为复杂网络理论中节点i的度，即与该节点相连的边数；
步骤二，通过对高速列车运营故障数据分析，结合高速列车系统的物理结构，提取部件的功能属性度值 失效率λi、平均无故障时间MTBF作为训练样本集，对训练样本集进行归一化处理：
2.1.失效率λi的计算公式为
2.2.平均无故障时间MTBF由故障数据中记录的故障时间得出，即
2.3.利用支持向量机SVM对样本进行训练；
步骤三，利用kNN-SVM对样本进行安全等级划分；
3.1.对k个安全等级的训练样本进行两两分区，针对 个SVM分类器，分别建立最优分类面，其表达式如下：
其中，l为第i个安全等级和第j个安全等级的样本数，K(xij,x)为核函数，x为支持向量，at为SVM的权值系数，bij为偏移系数；yt为高速列车安全等级；
3.2.对于待测部件，分别组合上述两类分类器，并使用投票法，对部件所属的安全等级进行计票；得票最多的类，则为该部件所属安全等级；
3.3.由于高速列车系统运行环境复杂，因此，利用SVM分类时容易出现无法分类的情况，因此定义基于加权kNN的判别函数，对部件重新进行安全等级划分，具体步骤如下：
训练集{xi,yi}，…，{xn,yn}中，共有l个安全等级即ca1，ca2，…，cal，第i个安全等级的样本中心为 其中ni为第i个安全等级的样本数，则部件xj到第i个安全等级样本中心的欧式距离为
式中：xjm为测试样本中第j个样本点的第m个特征属性；cim为第i类样本中心中第m个特征属性；
定义距离判别函数
定义基于加权kNN的不同类别的样本紧密度为
其中：m为k个近邻的个数；ui(x)为测试样本属于第i个训练数据的紧密度隶属度；ui(x(j))为第j个近邻属于第i个安全等级的隶属度，即
则样本点的分类判别函数为
di(x)＝si(x)×μi(x)   (6)
计算样本属于各个安全等级的紧密度di(x)，di(x)值最高的类别为样本点预测结果。
2.根据权利要求1所述一种基于复杂网络的高速列车系统安全评估方法，其特征在于，依据动车组一二级检修章程与故障数据记录，所述高速列车安全性划分为如下表1所示等级；即y＝1对应的安全等级1为安全，包含列车的运行状态为无影响、继续运行；y＝5对应的安全等级2是较安全，包含列车的运行状态为临修、碎修，晚点；y＝10对应的安全等级3是不安全，包含列车的运行状态为停运、未出库；
表1 列车的运行安全等级