瀝青路面大修決策模型研究

1、基于改進(jìn)型 BP 神經(jīng)網(wǎng)絡(luò)的瀝青路面大修決策模型研究摘要:本文針對常規(guī)大修決策模型 PQI 模型的缺陷,利用改進(jìn)型 BP 神經(jīng)網(wǎng)絡(luò)建立瀝青路面大修決策模型。改進(jìn) 型 BP 神經(jīng)網(wǎng)絡(luò)是在神經(jīng)網(wǎng)絡(luò)中間層和輸出層上加入特殊的偏差單元,以加快 BP 神經(jīng)網(wǎng)絡(luò)的收斂速度、并提高其計(jì) 算精度。本文根據(jù)陜西省高速公路瀝青路面的實(shí)際情況,建立了有 5個(gè)輸入單元和一個(gè)輸出單元的神經(jīng)網(wǎng)絡(luò),并利 用歷年路況檢測結(jié)果和專家對路況的主觀評價(jià)結(jié)果對網(wǎng)絡(luò)進(jìn)行了訓(xùn)練。結(jié)果表明神經(jīng)網(wǎng)絡(luò)計(jì)算結(jié)果的精度很高。Study on the Reconstruction Decision Model of Asphalt Pavement

2、Abstract :In order to improve the conventional Reconstruction Decision Model, this paper build up a new one on the basis of Ameliorated Back Propagation Neutral Network(ABPNN by using the information of asphalt pavement in Shannxi province. ABPNN comes from BPNN by adding some bias units on the midd

3、le layer and output layer which can cut short the convergence time and improve the precision of calculation. A neutral network model with five input units and one output unit is created here and trained with the data from annually pavement conditions and panel rating. The result says that the new mo

4、del is proper in place of the conventional one.瀝青路面在使用一段時(shí)間以后,必然出現(xiàn)大量的疲勞破損。當(dāng)這些破損達(dá)到一定程度以后就需 要對瀝青路面進(jìn)行大修。國內(nèi)瀝青路面大修決策模型通常采用定值模型,即利用專家評分技術(shù)與數(shù) 理統(tǒng)計(jì)的方法建立 PQI 模型,根據(jù) PQI 模型的域值來進(jìn)行瀝青路面大修決策。由于專家的意見與瀝 青路面服務(wù)性能指標(biāo)之間沒有特定的關(guān)系,因此這種建模方法經(jīng)常導(dǎo)致 PQI 與實(shí)際路況不一致,從 而無法有效地指導(dǎo)瀝青路面大修決策。 一 BP 網(wǎng)絡(luò)的基本結(jié)構(gòu) 對第 P 個(gè)樣本誤差的計(jì)算公式為:22-=ipi piP O tE , 式中

5、pi t 和 pi O 分別為期望輸出和網(wǎng)絡(luò)的計(jì)算輸出。BP 網(wǎng)絡(luò)的學(xué)習(xí)由 4個(gè)過程組成, 即:輸入模式由輸入層經(jīng)中間層向輸出層的 “ 模式順傳播 ” 過程; 網(wǎng)絡(luò)的希望輸出與網(wǎng)絡(luò)的實(shí)際輸出之差的誤差信號有輸出層經(jīng)中間層向輸入層逐層修正連接權(quán)的 “ 誤差逆?zhèn)鞑?” 過程; 由 “ 模式順傳播 ” 與 “ 誤差逆?zhèn)鞑?” 的反復(fù)交替進(jìn)行的網(wǎng)絡(luò) “ 記憶訓(xùn)練 ” 過程; 網(wǎng)絡(luò)趨 向收斂即網(wǎng)絡(luò)的全局誤差趨向極小值的 “ 學(xué)習(xí)收斂 ” 過程。簡而言之,就是由 “ 模式順傳播 ”“ 誤差 逆?zhèn)鞑?”“ 記憶訓(xùn)練 ”“ 學(xué)習(xí)收斂 ” 的過程。 BP 網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則有時(shí)也稱廣義 規(guī)則。二 對 BP 網(wǎng)絡(luò)的改

6、進(jìn)比起早期的神經(jīng)網(wǎng)絡(luò), BP 網(wǎng)絡(luò)無論在網(wǎng)絡(luò)理論方面還是網(wǎng)絡(luò)性能方面都更加成熟。其突出的 優(yōu)點(diǎn)是具有很強(qiáng)的非線性映射能力和柔性的網(wǎng)絡(luò)結(jié)構(gòu)。網(wǎng)絡(luò)的中間層數(shù)、各層的處理單元數(shù)及網(wǎng)絡(luò) 學(xué)習(xí)系數(shù)都可以根據(jù)具體情況任意設(shè)定,并且隨著結(jié)構(gòu)的差異其性能有所不同。盡管 BP 網(wǎng)絡(luò)得到了廣泛應(yīng)用,但是它并不是一個(gè)十分完善的網(wǎng)絡(luò)。首先學(xué)習(xí)速率必須選得很 小以保證學(xué)習(xí)過程的穩(wěn)定性,這使得 BP 網(wǎng)絡(luò)的學(xué)習(xí)過程很慢。因此, BP 網(wǎng)絡(luò)在很大程度上表現(xiàn)出 它的不實(shí)用性,特別是對實(shí)時(shí)性很強(qiáng)的系統(tǒng)。其次,不能保證收斂到全局最小點(diǎn)。第三,網(wǎng)絡(luò)隱含 層的層數(shù)及隱含層的單元數(shù)的選取尚無理論上的指導(dǎo),而是根據(jù)經(jīng)驗(yàn)確定。因此,網(wǎng)絡(luò)往

7、往有很大 的冗余性,無形中增加了網(wǎng)絡(luò)學(xué)習(xí)的時(shí)間。最后,網(wǎng)絡(luò)的學(xué)習(xí)、記憶具有不穩(wěn)定性。一個(gè)訓(xùn)練結(jié)束 的 BP 網(wǎng)絡(luò),當(dāng)給它提供新的記憶模式時(shí),將使已有的連接權(quán)打亂,導(dǎo)致已經(jīng)記憶的學(xué)習(xí)模式的信 息消失。要避免這種現(xiàn)象,必須對原來的學(xué)習(xí)模式連同新加入的新學(xué)習(xí)模式一起重新訓(xùn)練。而對于 人類的大腦來說,新信息的記憶不會影響已記憶的信息,這就是人類大腦記憶的穩(wěn)定性。為此需要對 BP 網(wǎng)絡(luò)進(jìn)行改進(jìn)。本課題根據(jù)路況建模數(shù)據(jù)的特點(diǎn),利用在 BP 網(wǎng)絡(luò)中增加反饋 信號及偏差單元的網(wǎng)絡(luò)模型,生成內(nèi)部回歸網(wǎng)絡(luò),由于這一網(wǎng)絡(luò)結(jié)構(gòu)上的特點(diǎn),尤其是在學(xué)習(xí)過程 中便于引入經(jīng)驗(yàn)知識(在偏差單元的選擇上,可以采用模糊知識概念 ,

8、大大提高了學(xué)習(xí)速度。 三從上面公式的推導(dǎo),可以歸納出整個(gè)學(xué)習(xí)過程的步驟,如下:Step1:初始化 ;Step2:選取模式對 A k 和 Y k ,提供給網(wǎng)絡(luò) ;Step3:用輸入模 A k 式,連接權(quán)ijW 計(jì)算中間層各單元的輸入 j S ,然后利用 j S 通過 S 函數(shù) 計(jì)算中間層各單元的輸出 j b ;Step4:用中間層的輸出 j b 、連接權(quán) jt V 計(jì)算輸出層各單元的輸入 Lt ,然后用Lt 通過 S 函 數(shù)計(jì)算輸出層各單元的響應(yīng) k t C ;Step5:用希望輸出模式 Y k 、網(wǎng)絡(luò)實(shí)際輸出 k t C 計(jì)算輸出層的各單元的一般化誤差 k t d ;Step6:用連接權(quán) jt

9、V 、輸出層的一般化誤差 k t d 、中間層的輸出 j b 計(jì)算中間層各單元的一般化誤差 k j e ;Step7:用輸出層各單元的一般化誤差 k t d 、中間層各單元的輸出 j b 修正連接權(quán) jtV;Step8:用中間層各單元的一般化誤差 k j e 、輸入層各單元的輸入 A k 修正連接權(quán) ij W ; Step9:選取下一個(gè)學(xué)習(xí)模式對提供給網(wǎng)絡(luò),返回到步驟 3,知道全部 m 個(gè)模式訓(xùn)練完畢 ; Step10:重新從 m 個(gè)學(xué)習(xí)模式對中隨機(jī)選取一個(gè)模式對,返回步驟 3,直至網(wǎng)絡(luò)全局誤差函數(shù) E 小于預(yù)先設(shè)定的一個(gè)極小值 ;Step11:網(wǎng)絡(luò)訓(xùn)練成功,結(jié)束學(xué)習(xí)。 四 基于改進(jìn) BP 網(wǎng)

10、絡(luò)的瀝青路面大修決策模型根據(jù)上面分析得出的建模步驟,我們可以結(jié)合陜西省高速公路瀝青路面的實(shí)際情況建立大修決 策模型。我們希望通過 PCI 、 RQI 、 SSI 、 BPN 以及 PR 等 5個(gè)分項(xiàng)指標(biāo)最終得到一個(gè)總的評價(jià)指標(biāo) PQIn , 所以基本的網(wǎng)絡(luò)結(jié)構(gòu)圖形式見圖 3。 圖 3 帶偏差單元的改進(jìn)型 BP 網(wǎng)絡(luò)結(jié)構(gòu)輸入層中 5個(gè)神經(jīng)元對應(yīng) 5個(gè)分指標(biāo),輸出層 1個(gè)神經(jīng)元,隱層共 25個(gè)神經(jīng)元,關(guān)聯(lián)節(jié)點(diǎn)為 25個(gè),中間層有 1個(gè)偏差單元,輸出層有 1個(gè)偏差單元。為了加強(qiáng)網(wǎng)絡(luò)收斂的速度,對訓(xùn)練的樣本對進(jìn)行歸一化處理,并使輸出樣本的值域?yàn)?0, 1 。 處理采用下面的公式。PCI 的歸一化函數(shù)如

11、下:PCI PCI n =PR 的歸一化函數(shù)如下:PR PR n =PQIn 的歸一化函數(shù)如下:100nan PQI PQI =SSI 的歸一化函數(shù)如下:*5. 4exp(7. 141100SSI SSI n -+=RQI 的歸一化函數(shù)如下:*472. 0exp(9. 91100RQI RQI n -+=BPN 的歸一化函數(shù)如下:*136. 0exp(6. 561100BPN BPN n -+=網(wǎng)絡(luò)訓(xùn)練樣本采用陜西省高速公路瀝青路面歷年檢測成果中的數(shù)據(jù)(已經(jīng)進(jìn)行歸一化 ,由于 數(shù)據(jù)較多,此處不一一列出,僅僅列出部分(前 7個(gè)樣本對 ,見表 1。表 1 訓(xùn)練的樣本對(部分 網(wǎng)絡(luò)采用 Levenb

12、erg-Marquardt 學(xué)習(xí)規(guī)則, 采用對數(shù) S 型傳遞函數(shù)。 對數(shù) S 型函數(shù)可以將神經(jīng)元 的輸入范圍(-, 映射到(0, +1的區(qū)間上,對數(shù) S 型傳遞函數(shù)是可微的,很適合于 BP 網(wǎng)絡(luò) 及其改進(jìn)型。訓(xùn)練的誤差曲線見圖 4 圖 4 訓(xùn)練過程中的 SSE 與目標(biāo)誤差訓(xùn)練的設(shè)定目標(biāo)誤差為 0.0001,自適應(yīng)學(xué)習(xí)速率為 0.001。利用網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)時(shí),當(dāng)訓(xùn)練次數(shù) 達(dá)到 90次時(shí),便可以滿足要求,總共耗時(shí) 30s 。這表明,這一網(wǎng)絡(luò)的收斂速度是很好的。單因素的 誤差曲面和誤差等高線圖見圖 5。 圖 5 樣本對之間的誤差曲面與誤差等高線 圖 6 模擬值與實(shí)測值對比為了從數(shù)量上對實(shí)際路況結(jié)果與模

13、擬結(jié)果進(jìn)行對比分析,對實(shí)測值與模擬值進(jìn)行了相關(guān)分析,結(jié)果 見下列圖 7、表 2。 圖 7 模擬值與實(shí)測值相關(guān)分析表 2 實(shí)測 PQI 與模擬 PQI 的相關(guān)性分析 通過上面的分析,不難看出利用神經(jīng)網(wǎng)絡(luò)建立瀝青路面大修決策模型相對于其它數(shù)值模型來說 無論從精度還是從方便易用的角度來說,都是有過之而無不及的。五 結(jié)論由于改進(jìn)型 BP 神經(jīng)網(wǎng)絡(luò)不需要固定的表達(dá)式, 因此它幾乎可以模擬任何存在一定內(nèi)部聯(lián)系的數(shù)據(jù)對。對于瀝青路面大修決策來說，常常根據(jù)多個(gè)單項(xiàng)指標(biāo)來進(jìn)行綜合決策，而且單項(xiàng)指標(biāo)與綜合 指標(biāo)之間關(guān)系不明確，所以很適合利用改進(jìn)型 BP 神經(jīng)網(wǎng)絡(luò)建模，而且通過上面的分析，我們可以 看出在訓(xùn)練樣本對

14、的值域范圍內(nèi)，精度是比較高的。因此，為了達(dá)到很好的使用效果，我們建議在 選取訓(xùn)練樣本對時(shí)，樣本對個(gè)數(shù)要多一些，值域范圍也要盡量的大一些，最好能把在實(shí)際決策過程 中可能遇到的一些極限樣本對都加以考慮。 參考文獻(xiàn) 1 2 3 何鐵軍等模糊神經(jīng)網(wǎng)絡(luò)在瀝青路面使用性能評價(jià)中的應(yīng)用 ，公路交通科技，Vol.17，No.4，pp15-18,2000. 李志剛等高速公路瀝青路面性能綜合評價(jià)模型的探討 ，東南大學(xué)學(xué)報(bào)，Vol.30，No.4，pp129-131，2000. A.H.de BondtDesign of Asphaltic OverlaysProceedings of 5th International Conference on Structural Design of Asphalt Pavement，Vol