基于改進型BP神經(jīng)網(wǎng)絡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，利用改進型BP神經(jīng)網(wǎng)絡建立瀝青路面大修決策模型。改進型BP神經(jīng)網(wǎng)絡是在神經(jīng)網(wǎng)絡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)絡的收斂速度、并提高其計算精度。本文根據(jù)陜西省高速公路瀝青路面的實際情況，建立了有5個輸入單元和一個輸出單元的神經(jīng)網(wǎng)絡，并利用歷年路況檢測結果和專家對路況的主觀評價結果對網(wǎng)絡進行了訓練。結果表明神經(jīng)網(wǎng)絡計算結果的精度很高。STUDYONTHERECONSTRUCTIONDECISIONMODELOFASPHALTPAVEMENTABSTRACTINORDERTOIMPROVETHECONVENTIONALRECONSTRUCTIONDECISIONMODEL,THISPAPERBUILDUPANEWONEONTHEBASISOFAMELIORATEDBACKPROPAGATIONNEUTRALNETWORKABPNNBYUSINGTHEINFORMATIONOFASPHALTPAVEMENTINSHANNXIPROVINCEABPNNCOMESFROMBPNNBYADDINGSOMEBIASUNITSONTHEMIDDLELAYERANDOUTPUTLAYERWHICHCANCUTSHORTTHECONVERGENCETIMEANDIMPROVETHEPRECISIONOFCALCULATIONANEUTRALNETWORKMODELWITHFIVEINPUTUNITSANDONEOUTPUTUNITISCREATEDHEREANDTRAINEDWITHTHEDATAFROMANNUALLYPAVEMENTCONDITIONSANDPANELRATINGTHERESULTSAYSTHATTHENEWMODELISPROPERINPLACEOFTHECONVENTIONALONE瀝青路面在使用一段時間以后，必然出現(xiàn)大量的疲勞破損。當這些破損達到一定程度以后就需要對瀝青路面進行大修。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與數(shù)理統(tǒng)計的方法建立PQI模型，根據(jù)PQI模型的域值來進行瀝青路面大修決策。由于專家的意見與瀝青路面服務性能指標之間沒有特定的關系，因此這種建模方法經(jīng)常導致PQI與實際路況不一致，從而無法有效地指導瀝青路面大修決策。一BP網(wǎng)絡的基本結構BP神經(jīng)網(wǎng)絡由輸入層、隱含層（也稱中間層，可以有多層）和輸出層組成，各層之間全連接。圖1所示的為簡單的三層BP網(wǎng)絡。輸出層隱層輸入層圖1BP網(wǎng)絡模型結構BP神經(jīng)網(wǎng)絡的傳遞函數(shù)一般采用（0，1）S型函數(shù)，其表達式為。XEF1對第P個樣本誤差的計算公式為，式中和分別為期望輸出和網(wǎng)絡的2IPIPOTEPITI計算輸出。BP網(wǎng)絡的學習由4個過程組成，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)絡的希望輸出與網(wǎng)絡的實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的“誤差逆?zhèn)鞑ァ边^程；由“模式順傳播”與“誤差逆?zhèn)鞑ァ钡姆磸徒惶孢M行的網(wǎng)絡“記憶訓練”過程；網(wǎng)絡趨向收斂即網(wǎng)絡的全局誤差趨向極小值的“學習收斂”過程。簡而言之，就是由“模式順傳播”“誤差逆?zhèn)鞑ァ薄坝洃浻柧殹薄皩W習收斂”的過程。BP網(wǎng)絡的學習規(guī)則有時也稱廣義規(guī)則。二對BP網(wǎng)絡的改進比起早期的神經(jīng)網(wǎng)絡，BP網(wǎng)絡無論在網(wǎng)絡理論方面還是網(wǎng)絡性能方面都更加成熟。其突出的優(yōu)點是具有很強的非線性映射能力和柔性的網(wǎng)絡結構。網(wǎng)絡的中間層數(shù)、各層的處理單元數(shù)及網(wǎng)絡學習系數(shù)都可以根據(jù)具體情況任意設定，并且隨著結構的差異其性能有所不同。盡管BP網(wǎng)絡得到了廣泛應用，但是它并不是一個十分完善的網(wǎng)絡。首先學習速率必須選得很小以保證學習過程的穩(wěn)定性，這使得BP網(wǎng)絡的學習過程很慢。因此，BP網(wǎng)絡在很大程度上表現(xiàn)出它的不實用性，特別是對實時性很強的系統(tǒng)。其次，不能保證收斂到全局最小點。第三，網(wǎng)絡隱含層的層數(shù)及隱含層的單元數(shù)的選取尚無理論上的指導，而是根據(jù)經(jīng)驗確定。因此，網(wǎng)絡往往有很大的冗余性，無形中增加了網(wǎng)絡學習的時間。最后，網(wǎng)絡的學習、記憶具有不穩(wěn)定性。一個訓練結束的BP網(wǎng)絡，當給它提供新的記憶模式時，將使已有的連接權打亂，導致已經(jīng)記憶的學習模式的信息消失。要避免這種現(xiàn)象，必須對原來的學習模式連同新加入的新學習模式一起重新訓練。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)絡進行改進。本課題根據(jù)路況建模數(shù)據(jù)的特點，利用在BP網(wǎng)絡中增加反饋信號及偏差單元的網(wǎng)絡模型，生成內(nèi)部回歸網(wǎng)絡，由于這一網(wǎng)絡結構上的特點，尤其是在學習過程中便于引入經(jīng)驗知識（在偏差單元的選擇上，可以采用模糊知識概念），大大提高了學習速度。輸出計算節(jié)點閾關聯(lián)節(jié)點模糊偏差單元輸出單元入輸圖2帶偏差單元的改進型BP神經(jīng)網(wǎng)絡三改進的BP神經(jīng)網(wǎng)絡學習的具體步驟從上面公式的推導，可以歸納出整個學習過程的步驟，如下STEP1初始化STEP2選取模式對AK和YK，提供給網(wǎng)絡STEP3用輸入模AK式，連接權計算中間層各單元的輸入，然后利用通過S函IJWJSJ數(shù)計算中間層各單元的輸出JBSTEP4用中間層的輸出、連接權計算輸出層各單元的輸入LT，然后用LT通過SJJTV函數(shù)計算輸出層各單元的響應KTCSTEP5用希望輸出模式YK、網(wǎng)絡實際輸出計算輸出層的各單元的一般化誤差KTKTDSTEP6用連接權、輸出層的一般化誤差、中間層的輸出計算中間層各單元的一般JTVKTDJB化誤差KJESTEP7用輸出層各單元的一般化誤差、中間層各單元的輸出修正連接權KTJJTVSTEP8用中間層各單元的一般化誤差、輸入層各單元的輸入AK修正連接權JEIWSTEP9選取下一個學習模式對提供給網(wǎng)絡，返回到步驟3，知道全部M個模式訓練完畢STEP10重新從M個學習模式對中隨機選取一個模式對，返回步驟3，直至網(wǎng)絡全局誤差函數(shù)E小于預先設定的一個極小值STEP11網(wǎng)絡訓練成功，結束學習。四基于改進BP網(wǎng)絡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，我們可以結合陜西省高速公路瀝青路面的實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個分項指標最終得到一個總的評價指標PQIN，所以基本的網(wǎng)絡結構圖形式見圖3。PRBNSIQCPQIN圖3帶偏差單元的改進型BP網(wǎng)絡結構輸入層中5個神經(jīng)元對應5個分指標，輸出層1個神經(jīng)元，隱層共25個神經(jīng)元，關聯(lián)節(jié)點為25個，中間層有1個偏差單元，輸出層有1個偏差單元。為了加強網(wǎng)絡收斂的速度，對訓練的樣本對進行歸一化處理，并使輸出樣本的值域為（0，1）。處理采用下面的公式。PCI的歸一化函數(shù)如下PCINPR的歸一化函數(shù)如下RNPQIN的歸一化函數(shù)如下10NANPQISSI的歸一化函數(shù)如下54EXP710SISINRQI的歸一化函數(shù)如下4720EXP91RQIRQINBPN的歸一化函數(shù)如下136E56BPNBPNN網(wǎng)絡訓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個樣本對），見表1。表1訓練的樣本對（部分）編號指標1234567PCIN8304669162927387807478288311BPNN8752875284248424802885968235SSIN7315634684848033613593237653RQIN8811903788599153890691169077PRN95949784889594專家評分870600690760770870850網(wǎng)絡采用LEVENBERGMARQUARDT學習規(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)絡及其改進型。訓練的誤差曲線見圖402040608010510410310210190EPOCHSTRAININGBLUEGOALBLACKPERFORMANCEIS992439E05,GOALIS0001圖4訓練過程中的SSE與目標誤差訓練的設定目標誤差為00001，自適應學習速率為0001。利用網(wǎng)絡進行學習時，當訓練次數(shù)達到90次時，便可以滿足要求，總共耗時30S。這表明，這一網(wǎng)絡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訓練結果與實際路況結果的對比見圖6。010203040050506065070750808509個個個個PQIN個個個個個個圖6模擬值與實測值對比為了從數(shù)量上對實際路況結果與模擬結果進行對比分析，對實測值與模擬值進行了相關分析，結果見下列圖7、表2。值值值9080706050個個個1009080706050OBSERVEDLINEAR圖7模擬值與實測值相關分析表2實測PQI與模擬PQI的相關性分析指標樣本個數(shù)F臨界F（999）R2結果361982181260998通過上面的分析，不難看出利用神經(jīng)網(wǎng)絡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。五結論由于改進型BP神經(jīng)網(wǎng)絡不需要固定的表達式，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)多個單項指標來進行綜合決策，而且單項指標與綜合指標之間關系不明確，所以很適合利用改進型BP神經(jīng)網(wǎng)絡建模，而且通過上面的分析，我們可以看出在訓練樣本對的值域范圍內(nèi)，精度是比較高的。因此，為了達到很好的使用效果，我們建議在選取訓練樣本對時，樣本對個數(shù)要多一些，值域范圍也要盡量的大一些，最好能把在實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1何鐵軍等模糊神經(jīng)網(wǎng)絡在瀝青路面使用性能評價中的應用，公路交通科技，VOL17，NO4，PP1518,20002李志剛等高速公路瀝青路面性能綜合評價模型的探討，東南大學學報，VOL30，NO4，PP129131，20003AHDEBONDTDESIGNOFASPHALTICOVERLAYSPROCEEDINGSOF5THINTERNATIONALCONFERENCEONSTRUCTU