湖南大學畢業(yè)設計（論文）HUNAN畢業(yè)論文論文題目基于BP神經網絡的高速公路道路安全評價系統(tǒng)設計學生姓名學生學號專業(yè)班級自動化2班學院名稱電氣與信息工程學院指導老師學院院長2015年 4月湖南大學畢業(yè)設計（論文）PAGEIII摘要我國高速公路發(fā)展迅猛，而伴隨而來的交通事故發(fā)生率也是居高不下。為了降低事故發(fā)生率，國家也出臺了許多政策法規(guī)，規(guī)范駕駛員的駕駛行為，同時，有關部門也在積極采取措施，想辦法預防交通事故的發(fā)生。針對道路安全問題，由于其影響因素很多，而且相互之間聯(lián)系很復雜，加上需要處理的數(shù)據(jù)量相當大，要研究道路安全問題，人工神經網絡當然是第一個考慮到的研究方法，而其中的BP神經網絡則是首選。在未來高速公路安全評估領域，大數(shù)據(jù)分析、預防性決策會是研究的主要方向，從源頭減少事故發(fā)生率，消除安全隱患。這將更多需要通過構建網絡評價體系，更多采用數(shù)學、統(tǒng)計學、模糊控制理論以及神經網絡方面的專業(yè)知識進行道路安全評價和危險預警。借助Matlab等軟件構建網絡模型進而分析得到更接近真實情況的數(shù)據(jù)指標，這樣能夠更好地反映現(xiàn)實道路狀況，為決策者、管理者提供更加準確的道路安全信息。這必將是道路安全評價體系建設的一大趨勢。關鍵詞：高速公路，安全評價，神經網絡，評價指標ThedesignofhighwayroadsafetyevaluationsystembasedonBPneuralnetworkAbstractAlongwiththerapiddevelopmentofhighwayinourcountry,thetrafficaccidentrateishigh.Inordertoreducetherateofaccidents,countrieshavealsointroducedanumberofpoliciesandregulations,standardizethedriver’sdrivingbehavior,atthesametime,therelevantdepartmentsareactivelytakingmeasurestopreventtheoccurrenceoftrafficaccidents,Accordingtotheroadsafetyproblem,becausealotoftheinfluencefactors,andbetweentheamountofdataisverycomplex,andneedstobedealtwithisquitelarge,tostudytheroadsafetyproblem,artificialneuralnetworkisthefirsttoconsidertheresearchmethod,andtheBPneuralnetworkispreferred.Inthefuturethehighwaysafetyevaluation,dataanalysis,preventivedecisionwillbethemainresearchdirection,fromthesourcetoreducetheaccidentrate,eliminatesafetyhazards.Thiswillneedmorebyconstructingthenetworkevaluationsystem,byusingtheusingthemathematicalstatistics,moreprofessionalknowledge,thefuzzycontroltheoryandneuralnetworkforroadsafetyevaluationandearlywarning.ConstructionandanalysisofdataareclosertotherealsituationofthenetworkmodelwiththeaidoftheMatlabsoftware,whichcanbetterreflecttherealroadcondition,andtheroadsafetyinformationismoreaccuratelyforthedecisionmakersandmanagers.Thiswillbeabigtrendoftheconstructionoftheroadsafetyevaluationsystem.Keywords:highway,safetyevaluation,neuralnetwork,evaluationindex目錄第一章緒論 11.1研究背景 11.1.1我國高速公路發(fā)展現(xiàn)狀 11.1.2我國高速公路發(fā)展趨勢 11.2研究目的 21.3研究的重點與難點，擬采用的途徑 2第二章道路安全影響因素及相關評價指標 32.1影響因素 32.1.1道路狀況因素 32.1.2車輛因素 32.1.3駕駛員自身因素 32.1.4天氣等其他因素 42.2評價指標確定 42.2.1確定原則 42.2.2具體指標的確定 5第三章道路安全評價方法選擇 63.1評價方法介紹 63.1.1常用評價方法 63.1.2BP神經網絡方法 63.2道路安全評價方法確定 9第四章模型建立與實施 114.1BP神經網絡建立 114.1.1BP神經網絡 114.1.2評價模型 154.2BP網絡模型評價樣本 164.2.1模擬樣本 164.2.2指標數(shù)據(jù)模擬 174.3BP網絡模型的MATLAB實現(xiàn) 184.3.1MATLAB簡介 184.3.2MATLAB實現(xiàn) 18第五章結論 29第六章心得體會 30參考文獻 31致謝 32附錄A 33附錄B 34湖南大學畢業(yè)設計（論文）第35頁第一章緒論1.1研究背景1.1.1我國高速公路發(fā)展現(xiàn)狀伴隨著社會經濟的飛速發(fā)展，公路交通的發(fā)展也在大踏步前進。除了傳統(tǒng)的縣道，鄉(xiāng)道，國道干線，更快速高效的高速公路的誕生，無疑是給飛速發(fā)展的經濟提供了強勁的推動力。到2009年底，我國高速公路通車里程達到7.5萬公里，僅次于美國，位列世界第二。高速公路的迅猛發(fā)展與建設，給人類帶來了更加便利快捷的交通出行選擇。然而，凡事都有兩面性，我們研究的對象也是如此。高速公路在給人們帶來便利的同時，也帶來了諸多道路安全隱患。居高不下的事故發(fā)生率，人員傷亡率以及重大財產損失，給高速公路的健康良性運行蒙上了陰影。2011年全國20個省份的高速公路事故死亡人數(shù)出現(xiàn)了上升。隨著高速公路的發(fā)展，距離遠，時間長，駕駛員由于長時間得不到休息，普遍存在疲勞駕駛的現(xiàn)象，加上道路路況、車輛車況和天氣氣候等環(huán)境因素對高速公路的路面安全影響也有很大關系，使得高速公路道路安全形勢變得相當復雜。因此，從交通事故發(fā)生的成因及輔因等方面多角度分析和研究高速公路事故特點、成因以及從源頭上消除安全隱患的管理對策，是十分必要且緊迫的。1.1.2我國高速公路發(fā)展趨勢近十幾年，我國高速公路建設已取得巨大成就。回顧我國高速公路發(fā)展歷程，并與國際高速公路發(fā)展水平作比較，可以發(fā)現(xiàn)，我國高速公路的發(fā)展還有很大空間，而眼下的發(fā)展趨勢也在證明，它正處在更大規(guī)模、更高質量的快速發(fā)展階段。我國高速公路的發(fā)展，將與新興的高鐵交通一起，構建中國交通運輸?shù)男履Ｊ?。與此同時，對道路安全的掌控也會隨著交通的發(fā)展而提出更高的要求。這就需要更先進，更智能的道路安全評估體系來預防和監(jiān)督道路安全隱患，并及時將隱患扼殺在萌芽階段，從而確保高速發(fā)展建設與安全保障相匹配，走又好有快發(fā)展道路，形成真正意義上的有利于經濟社會發(fā)展的新世紀中國道路交通發(fā)展新常態(tài)。1.2研究目的1、了解我國高速公路發(fā)展歷史、現(xiàn)狀以及與之共生的道路安全問題；2、學習并掌握BP神經網絡的原理以及在日常生產生活中的應用實例，學習能夠利用BP神經網絡的原理為高速公路安全問題提出可行性解決辦法；3、利用已學的概率論及其他相關數(shù)學和專業(yè)知識，構建一個基于BP神經網絡的道路安全預警系統(tǒng)，并能經過學習訓練，得到正確的評價結果；4、能夠熟練使用Matlab等軟件解決問題。1.3研究的重點與難點，擬采用的途徑BP神經網絡模型的構建以及與高速公路模型的匹配，通過軟件模擬仿真測得數(shù)據(jù)與實際情況對照得出結果從而驗證算法準確性是本次研究的重點與難點。重點：1、理解與掌握BP神經網絡的原理；2、將BP網絡與其他方法比較，體現(xiàn)出BP神經網絡的優(yōu)點；3、建立BP神經網絡評價體系；4、構建BP神經網絡模型；5、BP算法設計。難點：研究對象（高速公路）數(shù)據(jù)的確定與收集；BP網絡隱含層及節(jié)點數(shù)量的確定；BP網絡學習過程中學習模型的確定（如Sigmod函數(shù)模型）；Matlab軟件的使用（GUI圖形界面的使用）。根據(jù)學習得到的數(shù)據(jù)，在Matlab上進行仿真；擬采用的研究手段：根據(jù)構建的BP網絡，利用采集的數(shù)據(jù)進行學習訓練；根據(jù)訓練結果對BP網絡模型的準確性進行評價并對偏差做修正；利用Matlab軟件對BP網絡進行模擬實現(xiàn)。第二章道路安全影響因素及相關評價指標2.1影響因素2.1.1道路狀況因素道路狀況包括交通設施，安全設施，路面情況等元素。其中交通設施包括隧道、路燈、交通燈、行車線、路標路牌等。安全設施包括護欄、減速帶、緊急電話等。路面情況包括彎道、陡坡，顛簸路段、維修路段等。此外，還有廣告牌等外圍信息。據(jù)相關資料統(tǒng)計顯示，將近70%的高速公路安全事故是因為道路狀況不佳而誘導發(fā)生的。比，有些路面出現(xiàn)破損，而當車速較快時，很難采取緊急避免措施；在急彎處，很多駕駛員會減速，但難免會有失速的時候，這時如果路面太窄或者護欄未能起到保護作用的話，很容易發(fā)生重大安全事故，造成重擔人員傷亡和財產損失。由此可見，道路狀況很大程度上對高速公路的安全具有舉足輕重的作用。2.1.2車輛因素車輛因素包括:車輛自身的結構、性能以及其在高速公路上的運行速度。在高速公路上，車輛速度普遍都很快，而其中不同車輛由于性能差異，在高速公路上的速度表現(xiàn)也會有所不同，大小車車速差距更加明顯。因此，保持合理的車距以把握好車輛間的安全距離，對高速公路道路安全至關重要。2.1.3駕駛員自身因素由于高速公路是一個全封閉的交通運行環(huán)境，在路面上行駛的車輛時不允許臨時停車的。所以，作為駕駛員來說，準確的判斷、精湛的操作、冷靜的心態(tài)特別重要。有些駕駛員高速公路駕駛經驗不足，可能不適應大強度長時間集中注意力的駕駛，會出現(xiàn)駕駛疲勞，反應遲鈍，最終導致對突發(fā)情況處置不及時而發(fā)生事故。另外，又去缺乏經驗，對突發(fā)情況缺乏有效處置能力，肯能會因處置不當發(fā)生本該可以避免的安全事故。還有一方面，就是超載超速，這是高速公路最大的人為隱患，應該嚴厲防范杜絕。2.1.4天氣等其他因素雨雪霧霾等惡劣天氣會導致高速公路能見度極度下降，影響道路安全。在陽光強烈時，單調的路面及周圍景觀容易讓人神經疲勞，也會誘發(fā)交通安全事故。2.2評價指標確定2.2.1確定原則由上述可以知道，高速公路交通安全是個比較復雜的問題，影響高速公路安全的因素很多而且很復雜，主要設計人員、車輛、天氣、路況等諸多因素，他們之間緊密聯(lián)系，同時又相互影響。顯然，如果全部考慮這些因素，對其進行逐一逐項的分析研究，是對人力物力資源的極大浪費，而且也沒有這個必要。對于這個問題，我們應該抓住主要矛盾，要有選擇性的進行分析。要從中選擇選擇對高速公路安全影響較大，具有直接作用的因素來分析。對于其他相關因素，可以聯(lián)合主要對象，作為參考因素。這樣，既能高效進行研究，又能較為客觀全面的反映研究對象的實際情況。凡事都有原則，本次研究也不例外。對于高速公路安全評價指標體系，大致原則有這些：明確性：對于研究對象，首先一定要明確研究對象的特點，明確研究方法的針對性選取。對自己選區(qū)的主要研究研究因素，一定要明確其在影響高速公路安全上分別起到什么作用，進而對不同的影響因素有側重的進行分析研究，提高效率?？茖W性：科學性包括的方面比較多，獨立性，穩(wěn)定性，容錯性，一致性等。獨立性指各因素間的研究應相應獨立，單獨考慮是不能相互影響，否則會產生干擾，影響研究的進行，甚至影響結果的準確定性。穩(wěn)定性指對充滿變化的現(xiàn)實環(huán)境，所研究的體系應具有穩(wěn)定性，能夠適應變化的條件，得到與實際情況較為接近的數(shù)據(jù)或者結果。容錯性指在研究分析過程中對于個別少數(shù)因偶然因素產生的數(shù)據(jù)誤差具有相容性，對產生的沖突具有相容調和能力。一致性是指研究過程應嚴格遵守實際情況，結果應該能夠較為準確的反映實際情況。易分析性：對于研究對象的指標，在保證能夠反映實際情況的前提下，應盡量使得相關數(shù)據(jù)你能夠較為容易獲得，易于分析處理，這樣嫩能夠減少工作量，提高體系運行效率，從而提高實用性。周全性：評價體系要能夠較為全面反映研究對象的實際情況，能夠準確反映總體情況和要求，不能產生偏向，盡量避免因片面分析而產生誤差甚至錯誤的結果。可行性：可行性，個人理解即實際應用過程中的簡化性。研究過程在實際應用中應該能夠簡便的進行，可操作性強。這樣，這個體系才能真正意義上說是可以應用于實際情況的。2.2.2具體指標的確定在眾多道路安全影響因素中，對道路安全的影響程度是不一樣的。鑒于本此研究，我選取了一些對高速公路安全影響最大的影響因素：1、實時降水量；2、坡道長度；3、彎道半徑；4、隧道個數(shù)；5、大型車比例；6、平均車速氣溫第三章道路安全評價方法選擇3.1評價方法介紹3.1.1常用評價方法1、事故率法事故率法是以事故率作為評價指標，通過數(shù)據(jù)分析對高速公路安全情況進行直接評估。這種犯法特點是直觀、線性，具有較強的可讀性和可比較性。但這種方法的缺陷是比較片面，只考慮的事故發(fā)生本身的情況，容易得到片面的、不具代表性的結論，因而得到的結果往往與實際情況有偏差。2、層次法層次分析法（AHP）是一種系統(tǒng)性的、結實實用的評價決策方法。他在研究過程中對數(shù)據(jù)信息的需求量較少。但也是因為這一點，由于定量數(shù)據(jù)少，定性因素多，所得結果往往難以令人相信。而當指標過多時會出現(xiàn)連接層與層間的權重值很難確定。另外，特征值和特征向量的精確求法比較復雜。3.1.2BP神經網絡方法人工神經網絡（ANN）是由人工神經元互聯(lián)組成的網絡，它是從微觀結構和功能上對人腦的抽象、簡化，是模擬人類智能的一條重要途徑，反映了人腦功能的若干基本特征，如并行信息處理、學習、聯(lián)想、模式分類、記憶等。神經網絡對控制領域有吸引力的特征：能逼近任意L2上的非線性函數(shù)；信息的并行性分布式處理與存儲；可以多輸入、多輸出；便于用超大規(guī)模集成電路（VLSI）或光學集成電路系統(tǒng)實現(xiàn)，或用現(xiàn)有的計算機技術實現(xiàn)能進行學習，適應環(huán)境的變化。1943年建立的第一個神經元模型——MP模型，為神經網絡的研究與發(fā)展奠定了基礎。至今，已建立了多種神經元與網絡的模型，取得了相當多的成果。其中一些模型被用于自動控制領域。決定網絡性能的三大要素：神經元的特性；神經元之間相互連接的形式——拓補結構；為適應環(huán)境而改善技能的學習規(guī)則。神經網絡是由大量處理單元組成的非線性大規(guī)模自適應動力系統(tǒng)。它是在現(xiàn)代神經科學研究成果的基礎上提出的，試圖通過模擬大腦神經網絡處理、記憶信息的方式設計一種新的機器使之具有人腦那樣的信息處理能力。同時，對這種神經網絡的研究將進一步加深對思維及智能的認識。人工神經網絡具有以下基本屬性：非線性、非局限性、非定常性、非凸性。反向傳播網絡是一種多層前饋網絡，它是神經網絡的重要一類。該網絡的監(jiān)督學習采用誤差反向傳播算法。反向傳播網絡自出現(xiàn)以來，一直是神經網絡中最為流行的神經計算模型，得到了極其廣泛的應用。誤差反向傳播的思想最早由Bryson等人于1969年提出。1974年，Werbos在哈佛大學的博士論文里也是研究誤差反向傳播。Parker于1985年發(fā)表的技術報告也是論述了誤差反向傳播。直到1986年，Rumelhart及其研究小組在Nature雜志上發(fā)表其研究成果時，反向傳播網絡和反向傳播算法才得到人們的關注。反向傳播學習算法簡稱BP算法，采用BP算法的前饋型神經網絡簡稱BP網絡。BP網絡與多層感知機沒有本質的區(qū)別，但是BP網絡具有更加強大的計算能力，能夠反應更加復雜的映射。BP網絡結構：圖1BP算法基本流程結束遺傳操作遺傳操作初始化：結束遺傳操作遺傳操作初始化是否滿足結構進化種植條件是否滿足結構進化種植條件確定結構為最優(yōu)個體結構，權值初始化確定結構為最優(yōu)個體結構，權值初始化是否滿足結構進化終止條件是否滿足結構進化終止條件是否用BP算法訓練網絡是否用BP算法訓練網絡BP算法訓練網絡BP算法訓練網絡結束結束圖23.2道路安全評價方法確定安全評價體系是一個多層次的復雜系統(tǒng)，對么一個對象的影響因素往往涉及多個因素，因而通常情況，我們會根據(jù)自身經驗，結合查閱的書籍資料進行相關評價與評定。這樣做會帶來一些因缺乏嚴謹性而產生的問題。主要有以下幾個方面：評價指標之間存在各種各樣的關系，其中就有一些非線性甚至更加復雜的關系，這就需要有更加高級的方式去表現(xiàn)這些復雜的關系。由于各影響因素對你研究對象的作用效果、影響程度大小不一，因而在考慮諸多影響因素時，權值的分配就顯得比較重要，分配的合理就能夠較為準確的反映實際情況。對有些影響因素，可能不是太好鑒別與區(qū)分其對研究對象的影響究竟是怎么樣的，或者說對研究對象的影響效果究竟有多大。合理的取舍，抓住主要影響因素是提高研究效率，降低人力物力消耗的必然要求。在以往的一些評價方法，諸如層次法，事故率法等等，這些方法適用于定性或者定量的分析研究。但是在研究過程中，不把人為因素產生的干擾帶進研究過程是相當困難的。而這些方法，往往在研究問題時會參雜研究者的個人情感思想在里邊，從而影響研究結果的科學性與普適性。人工神經網絡可以有效的避免和解決上述產生的問題。人工神經網絡以其對非線性問題的處理能力，可以輕松處理解決一般線性方法無法解決的問題；對神經網絡結構來說，其自適應性的學習能力，很大程度上擴展了神經網絡的應用范圍，在自主獲取信息，進行數(shù)據(jù)處理及判斷的同時，通過學習產生適應性，為解決問題提供了更加便利的途徑；人工神經網絡具有記憶功能，當類似問題再次出現(xiàn)是，網絡系統(tǒng)就能夠哥怒遺忘做過的學習與記憶進行相同的處理，達到提高系統(tǒng)運行效率的目的。本次采用的神經網絡方法主要思想如下：首先分析研究對象的特點，構建適合的神經網絡結構；然后將采集的樣本數(shù)據(jù)在已經構建的網絡中進行學習訓練，由輸入，網絡層，輸出結果，并與期望值進行比較；網絡進行學習訓練后，得到的收斂結果即是該網絡對目前問題及與其類似問題的評價準則。當后期需要對類似對象進行相關評價時，就將整理收集的相關數(shù)據(jù)輸入網絡中進行學習訓練，計算出結果，這個結果就是對該研究對象最終的評價結果。而網絡會根據(jù)具體情況自動分配樣本的權值，并隨著網絡訓練次數(shù)，在迭代過程中調整權值，從而可以使得的結果更佳具有說服力。第四章模型建立與實施4.1BP神經網絡建立4.1.1BP神經網絡BP網絡是神經網絡中最高效，最精華，應用最廣泛的分支。它結構簡單，可塑性強。將近九成的學習算法蘇用的網絡都是BP網絡，可見其應用之廣。BP網絡的特點有如下幾個：網絡中每個神經元模型包含一個非線性激活函數(shù)。而其中滿足非線性要求的一個普遍應用形式是由logistic函數(shù)定義的sigmod非線性函數(shù)：y=其中，是神經元i的激活值，即網絡中全部加權值和偏置值之差，y是i的輸出量。（2）一個神經網絡包括不屬于輸入輸出的中間層，即隱含層。網絡可以在隱含層階段對輸入信息進行有效信息的提取和學習，也正是這樣，神經網絡能夠適應更加復雜的環(huán)境與任務。（3）網絡中所有的去啊之都可以根據(jù)具體情況進行修改和調整，以保證與實際情況有較高契合度。BP算法的過程：變量與參數(shù)=[],(k=1,2,……,N)為輸入向量，或稱之為訓練樣本，N為樣本個數(shù)。=為第N次迭代是輸入層與隱含層I之間的權值向量。=為第N次迭代時隱含層I與隱含層J之間的權值向量。=為第N次迭代時隱含層J與輸出層之間的權值向量。（n）=[],(k=1,2,……,N)為第N次迭代式網絡的實際輸出。=[],(k=1,2,……,N)為期望輸出。為學習速率，n為迭代次數(shù)。（2）初始化。給、、分別置一個隨機非零的數(shù)。（3）隨即樣本，n=0。（4）隨即樣本，計算前向BP網絡每層神經元輸入信號u與輸出信號v。（n）=（n）,p=1,2,…,P。（5）由期望輸出和上一步求得的實際輸出（n）計算誤差E（n），判斷是否滿足要求，如果滿足的話，就跳到下邊最后一步，如果不滿足，就跳到下一步（6）。（6）判斷n+1是否大于迭代次數(shù)，如果大于的話就跳到最后一步，反之，就對輸入樣本，反向計算每一層神經元的局部梯度。其中，（n）=（n）（1-（n））（（n）-（n））,p=1,2,…,P。（n）=f(（n）),j=1,2,…J（n）=f(（n）),i=1,2,…I（7）計算修正值，同時修正權值，n=n+1，跳到（4）。相關計算公式如下：j=1,2,…,J;p=1,2,…,P;i=1,2,…,I;m=1,2,…,M（8）檢查并判斷所有樣本是否都訓練完畢，如果是，則結束本次訓練，否則跳到過程（3）。性能分析：一、BP網絡優(yōu)點1、BP網絡實現(xiàn)了輸入到輸出的映射，能夠實現(xiàn)復雜的非線性映射。當in喊層可配置時，BP網絡能夠記憶學習樣本能夠在線輸入輸出的樣本間聯(lián)系。BP網絡的記憶容量與隱含層神經元數(shù)量有關，所以如果需要擴充網絡記憶容量，就要在網絡隱含層上增加神經元。2、BP網絡具有較強的自學習能力，通過學習，BP網絡可以在較大精度范圍內實現(xiàn)非線性映射。3、BP網絡可以根據(jù)已經學習得到的規(guī)律應用于類似的樣本學習，具有泛化能力。二、BP網絡的問題1、學習速度慢：BP算法為梯度下降法，在延吉就復雜對象時會出現(xiàn)“鋸齒現(xiàn)象”。2、存在麻痹現(xiàn)象：當研究對象過于復雜時會出現(xiàn)輸出分辨率不高的情況，這樣就會造成全職之間誤差變化小，從而導致訓練過程暫停。3、BP網絡算法是基于多層神經網絡，因而需要把每次迭代的步長的更新規(guī)則預先置于神經網絡，這樣就會使得網絡運行效率有所降低。4、BP網絡在訓練極其復雜的對象，研究非線性問題時，會陷入局部極值，這也標志著此次訓練失敗。5、新加入的樣本元素會影響成功學習的神經網絡，而且對其進行描述的各項特征數(shù)目應該與其他樣本保持一致。鑒于以上對BP網絡不足的描述，專家們提出了改進的BP網絡算法，即加動量的反向傳播算法。大致說明如下：0<<1此式被稱為廣義delta規(guī)則，其中為遺忘因子，為常數(shù)。含有的項稱為動量項。當本次的前一次同符號時，其加權求和值增大，使較大，從而增加了w的調節(jié)速度；反之，若符號相反，即說明有震蕩，所起到的作用是穩(wěn)定作用。訓練樣本數(shù)據(jù)處理（1）輸入輸出的選擇輸入量必須是對樣本研究結果影響最大的而且相互之間要保持獨立性。而輸出量是根據(jù)人對于該樣本所要達到的目標而進行設定。對輸入量的處理即歸一化，通過處理，將輸入數(shù)據(jù)的值規(guī)范在[0,1]范圍內，確保神經網絡對數(shù)據(jù)的識別準確度，以及在學習過程中權值的合理調整。一種簡單而快速的歸一化算法是線性轉換算法。線性轉換算法常見有兩種形式：

y=(x-min)/(max-min)<1>其中min為x的最小值，max為x的最大值，輸入向量為x，歸一化后的輸出向量為y。上式將數(shù)據(jù)歸一化到[0,1]區(qū)間，當激活函數(shù)采用S形函數(shù)時（值域為(0,1)）時這條式子適用。

y=2*(x-min)/(max-min)–1<2>

這條公式將數(shù)據(jù)歸一化到[-1,1]區(qū)間。當激活函數(shù)采用雙極S形函數(shù)（值域為(-1,1)）時這條式子適用。在本次學習過程中，我們對數(shù)據(jù)歸一化采用的是第一種公式。輸出量的處理輸出數(shù)據(jù)的處理主要有兩種方法:多中取一法、數(shù)值表示法。多中取一法能夠比較直觀的反映出樣本的屬性及關系。數(shù)值法可以得到學習過程中取得的具體樣本數(shù)據(jù)，這種方法更接近實際情況，而且評價過程也可以更加直觀。網絡結構設計（1）權值人工神經網絡會自動給定權值，在訓練過程中，網絡會自動調整權值，從而得到期望的輸出結果。（2）隱含層節(jié)點數(shù)確定隱含層節(jié)點數(shù)是神經網絡結構設計的重要環(huán)節(jié)。如果一個網絡具有無限個隱含層節(jié)點，則它可以實現(xiàn)人已非線性映射。而對于有限個輸入輸出，為了提高效率，減少不必要的浪費，我們需要確定最佳節(jié)點數(shù)。隱含層節(jié)點數(shù)的確定，到目前為止，我們更多的做法是根據(jù)以往經驗與自身對所研究問題的理解來確定。所以，隱含層的確定，與研究對象、輸入輸出項都有緊密關系。過多或過少，都會影響到樣本在網絡中的學習效果。增加節(jié)點可以提高網絡與樣本學習相互配合的精度，另一方面，為了保證網絡對新的樣本數(shù)據(jù)有良好的適應性，有需要盡可能減少節(jié)點數(shù)量，因而需要通過不斷反復的實驗摸索，找到最合適的隱含層節(jié)點數(shù)。最佳的確定標準是期望函數(shù)映射性能能夠是網絡形成一個邊界，同時滿足能夠解決分類問題和保證收斂速度的要求。確定節(jié)點數(shù)的大致方法有如下幾個：1、如果所需要逼近的樣本函數(shù)不穩(wěn)定，變化劇烈，那么可調整的連接權數(shù)應該較多，對應的隱含層節(jié)點數(shù)也應相應多一點。2、如果逼近要求高，節(jié)點數(shù)也應該對應多一點。3、在學習開始前，可對隱含層節(jié)點進行預操作，比如事先放入較少節(jié)點，在學習過程中根據(jù)需要適當增加節(jié)點數(shù)，或者事先放入足夠多節(jié)點，在學習過后，把不需要的權值和節(jié)點進行刪除，盡量簡化網絡結構。另外，還可以根據(jù)一些經驗公式來初步確定節(jié)點數(shù)量，請恕這里不再贅述。4.1.2評價模型評價模型的建立分以下幾個步驟：1、評價指標的確定：2、目標向量的確定：3、向量歸一化處理：4、確定研究對象：5、初始化：6、輸入樣本，進行訓練學習：7、經過訓練，獲得該類樣本的評價指標體系：流程圖如下：開始開始計算輸入輸出誤差數(shù)據(jù)歸一化處理初始化數(shù)據(jù)確定研究對象確定目標向量確定評價指標·計算輸入輸出誤差數(shù)據(jù)歸一化處理初始化數(shù)據(jù)確定研究對象確定目標向量確定評價指標計算局部梯度并修正權值計算局部梯度并修正權值 滿足誤差條件？滿足誤差條件？NNYY輸入目標路段數(shù)據(jù)輸入目標路段數(shù)據(jù)得到結果得到結果圖34.2BP網絡模型評價樣本4.2.1模擬樣本神經網絡的訓練樣本是對象應該能夠較為全面的體現(xiàn)評價體系的特點，因此應該具有代表性。在選擇對象時，要考慮到其應該能夠放映當今高速公路的普遍情況，對其研究結果能夠得出較為準確的結論。本次訓練，由于數(shù)據(jù)獲取渠道的限制，研究對象是借鑒于前人搜集的數(shù)據(jù)，以該樣本數(shù)據(jù)作為模擬樣本，在此基礎上進行的學習訓練，并將此次學習訓練的結果與前人既得結論比照，進而判斷該體系的準確性與科學性。4.2.2指標數(shù)據(jù)模擬對研究對象所取的指標有如下幾個：1、實時降水量；2、坡道長度；3、彎道半徑；4、隧道個數(shù)；5、大型車比例；6、平均車速氣溫表4.1指標名稱實時降水量（mm）坡道長度（km）彎道半徑（km）隧道個數(shù)（個）大型車比例（%）平均車速（km/h）指標值5326025080由于指標有6個，即網絡輸入層神經元個數(shù)為6個，所以樣本數(shù)量不能因為太少而缺乏代表性。所以，可以取10個樣本作為研究對象，考慮各自的6個指標的情況。引用的數(shù)據(jù)樣本如下表所示：表4.2樣本序號12345實時降水量（mm）53.5432坡道長度（km）32.950.72彎道半徑(km)26016063200700隧道個數(shù)(個)21131大型車比例（%）5057647245平均車速（km/h）8087939581樣本序號678910實時降水量（mm）75.5614坡道長度（km）30.5411.9彎道半徑(km)15001500200012002200隧道個數(shù)(個)42213大型車比例（%）5640646254平均車速（km/h）7890888992樣本路段安全評價指標值樣本序號12345特大事故14261重大事故194524579一般事微事故42031413樣本序號678910特大事故40001重大事故50114012一般事故6313161132輕微事故3586954.3BP網絡模型的MATLAB實現(xiàn)4.3.1MATLAB簡介MATLAB2012a是2012年最新發(fā)行的MATLAB版本，它為數(shù)據(jù)分析與處理提供了強大的工具。MATLAB具有以下幾個特點：（1）計算功能強大。（2）繪圖非常方便。MATLAB具有較強的圖形界面編輯的能力。（3）具有各種功能強大的工具箱。（4）HELP功能完整。自帶的基于HTML的完整的HELP手冊功能強大。4.3.2MATLAB實現(xiàn)MATLAB含有專用的神經網絡工具箱，因而能夠很方便的進行神經網絡的算法設計。在MATLAB中，神經網絡研究使用的工具箱是newff函數(shù)。Newff函數(shù)在生成BP神經網絡的時候會給網絡各層的權值和閾值賦予初始值，即缺省初始化，其值范圍應在[0,1]范圍內。調用格式如下：Net=newff(PR，[S1S2…SN1]，{TF1TF2…TFN1}，BTF，BLF，PF)其中：net=newff用于在MATLAB窗口創(chuàng)建新的BP神經網絡；PR是表示神經網絡輸入向量值范圍的矩陣；[S1S2…SN1]表示網絡的隱含層與輸出層間神經元的個數(shù)；{TF1TF2…TFN1}是網絡隱含層和輸出層間數(shù)據(jù)的傳輸函數(shù)，默認函 數(shù)是“tansig”；BTF是訓練函數(shù)，默認函數(shù)是“trainlm”；BLF是權值學習函數(shù)，默認函數(shù)是“l(fā)earngdm”；PF是表示性能的參數(shù)，默認值是“MSE”。1、歸一化處理由于輸入的原始數(shù)據(jù)在數(shù)量級、數(shù)值方面有很大差別，如果直接引用原始數(shù)據(jù)，會出現(xiàn)過飽和的情況，因而需要對原始數(shù)據(jù)進行歸一化處理。程序代碼如下：p=[53.543275.5614;32.950.7230.5411.9;2601606320070015001500200012002200;2113142213;50576472455640646254;80879395817890888992];%輸入量矩陣t=[1426140001;19452457950114012;175332102156313161132;42031413358695];%輸出量矩陣fori=1:7P(i,:)=(0.8*p(i,:)-min(p(i,:)))/(max(p(i,:))-min(p(i,:))+0.1);end;fori=1:4T(i,:)=(t(i,:)-min(t(i,:)))/(max(t(i,:))-min(t(i,:)));end;部分程序（含重要參數(shù)）如下：net=newff(minmax(P),T,[164],{'tansig','purelin'},'traingd');%創(chuàng)建名為net的BP神經網絡inputWeights=net.IW{1,1};%輸入層與隱含層的連接權重inputbias=net.b{2};%輸入層與隱含層的閾值net.trainParam.epochs=5000;%網絡參數(shù)：最大訓練次數(shù)為5000次net.trainParam.goal=0.001;%網絡參數(shù)：訓練精度為0.001net.trainparam.lr=0.5;%網絡參數(shù)：學習設置率為0.5net.trainParam.mc=0.6;%動量2、結果處理數(shù)據(jù)歸一化之后，就可以通過加權平均得到評價等級。具體公示如下：=0.45+0.35+0.15+0.05等級分為4個，分別為：差： >0.5中:0.35<0.5良:0.2<0.35優(yōu):0<0.23、結果經過在MATLAB上進行第1次訓練并仿真，得到如下結果：圖3圖4圖5圖6為了能夠體現(xiàn)參數(shù)不同而產生的差異，在既有實驗結果的基礎上，調整了算法程序的部分參數(shù)，進行第2次訓練，修改后的訓練過程如下（部分程序）：net=newff(minmax(P),T,[134],{'tansig','purelin'},'traingd');%創(chuàng)建名為net的BP神經網絡inputWeights=net.IW{1,1};%輸入層與隱含層的連接權重inputbias=net.b{2};%輸入層與隱含層的閾值net.trainParam.epochs=5000;%網絡參數(shù)：最大訓練次數(shù)為5000次net.trainParam.goal=0.0001;%網絡參數(shù)：訓練精度為0.001net.trainparam.lr=0.5;%網絡參數(shù)：學習設置率為0.5net.trainParam.mc=0.6;%動量由此程序得到第2次訓練的結果如下圖所示：圖7圖8以上即為對該網絡結構的一次學習訓練的結果。具體分析如下：1、如上圖1所示，該網絡是一個四層網絡，其中有兩層隱含層，輸入層有6個節(jié)點，第一個隱含層有16個節(jié)點，第二個隱含層有4個節(jié)點，輸出層有4個節(jié)點。2、本次訓練采用的是梯度下降法，對應的函數(shù)是“traingd”。3、第一次學習在訓練到157次是達到要求，即出現(xiàn)“Performancegoalmet”，且此時訓練精度為0.000993，達到了給定的要求（0.001）。最終TRAIN曲線斜率為0.00411，說明訓練已經趨于收斂。全局誤差為0.037483，雖然還不是很理想，但基本符合要求。第二次相關數(shù)據(jù)也接近合理范圍。 4、在以上所得數(shù)據(jù)中，T表示期望輸出的結果，t表示經過網絡訓練得到的輸出結果，抽取第一組樣本的T和t輸出結果進行比較，得下表（由于第二次訓練次數(shù)多，數(shù)據(jù)較為精確這里取第二次實驗的數(shù)據(jù)）：表4.3期望輸出實際輸出偏差率0.16670.16610.00360.33330.33380.00150.06590.06590.00000.03130.03130.0000由此可得知，第二次學習過程比第一次更加接近實際情況，即第二次的網絡模型構建的評價體系更加科學準確。5、把表中實際輸出數(shù)據(jù)帶入之前的加權公式中進行計算，得到的評價等級I=0.203025，因此，樣本1高速公路路段的安全評價等級為“良”。結合實際路段的數(shù)據(jù)，可知該評價比較合理，可以采用或采納。第五章結論本文在對高速公路安全因素的分析上，采用了實時降水量、坡道長度、彎道半徑、隧道個數(shù)、大型車比例、平均車速氣溫作為體系評價的指標，運用BP神經網絡進行算法設計并運用MATLAB軟件實現(xiàn)。通過本文的分析設計，可以得到以下結論：1、道路路面狀況、天氣原因、車輛因素是可以作為道路安全評價的指標。2、可以運用BP神經網絡對道路安全進行評價研究，并可以得到直觀的評價結果，同時經過爪化運算可以方便得到道路的安全級別。3、MATLAB軟件中含有神經網絡的專用工具箱，即NEWFF函數(shù)。經過樣本的訓練學習，可以得到更接近于實際情況的評價體系，而且訓練精度能夠達到事先的要求。第六章心得體會高速公路安全一直是大家都十分關心的問題，一旦發(fā)生事故，必然會造成重大人員財產損失。針對高速公路安全的預防與處置，我利用BP神經網絡為高速公路安全構建了一個評價體系。如前文一系列敘述與分析，“基于BP神經網絡的告訴公路安全評價體系”初步構成。人們可以利用這個體系對自己關心的告訴公路安全情況進行分析觀察，由該體系訓練得到的結論可以作為評價安全等級的參考因素，具有一定的科學性、合理性。萬事開頭難?；仡櫿麄€分析、構建、仿真的全過程，自己頗有心得。從剛開始的無所適從，到慢慢理清思路，收集整理資料數(shù)據(jù)，再到對BP神經網絡的深入學習研究，對MATLAB軟件強大功能的認識與動手實踐，這整個過程完全有自己親手一步一步完成。前后總共花費了差不多一個半月的時間，從什么都不懂，到慢慢熟悉，這一路走來，自己學到了很多，特別是做研究的態(tài)度和方法。好事多磨。在整個設計過程中，我多次遇到過很棘手的問題。比如在用MATLAB仿真訓練時，由于軟件NEWFF工具箱的原因，同一個程序，每次運行的結果都不一樣，同一程序需要經過反復的訓練跟實驗。Validationchecks是用來防止網絡訓練過適的，即是訓練時網絡的驗證誤差大于訓練誤差的次數(shù)，默認值為6就是大于次數(shù)達到6次訓練就會停止。網絡訓練過適時，即使performance還在減小網絡性能也不會提高，反而會降低，因此要設定過適次數(shù)來提前訓練以保證網絡性能。在參數(shù)選擇設定方面，輸入層與隱含層的節(jié)點數(shù)的取值范圍可以根據(jù)一些公式來大致確定，彬彬通過逐一帶入仿真調試，進而確定最合適的節(jié)點數(shù)。最大訓練次數(shù)訓練精度以及學習設置率和動量的確定則需要在訓練過程中不斷調整以達到最佳狀態(tài)。這也是在仿真過程中最繁瑣，最難，也是最考驗耐力的關鍵。經過這次完整的設計實踐，我覺得自己在課題項目研究上的能力有的質的提高，自己的動手時間能力，軟件應用能力、水平也得到明顯加強，為自己在今后工作中應對工作上的各種挑戰(zhàn)打下了扎實的理論與實踐基礎，我相信自己在以后的工作中一定能夠展露出自己的能力與素養(yǎng)，在工作上干出一番成績。參考文獻[1]徐麗娜.神經網絡控制.[M].哈爾濱：哈爾濱工業(yè)大學出版社，1999[2]史忠植.神經網絡.[M].北京：高等教育出版社，2009[3]SimonHaykin.神經網絡原理.[M].北京：機械工業(yè)出版社，2004[4]MartinT.Hagan,HowardB.Demuth,MarkH.Beale.神經網絡設計.[M].北京：機械工業(yè)出版社，2002[5]楊陽.基于運行車速的高速公路交通安全性能研究[D].湖南大學,2012.[6]李聰穎,王肇飛.基于BP神經網絡的高速公路交通安全評價系統(tǒng)設計與實現(xiàn)[J].武漢理工大學學報(交通科學與工程版),2010,03:476-479.[7]陳君,李聰穎,丁光明.基于BP神經網絡的高速公路交通安全評價[J].同濟大學學報(自然科學版),2008,07:927-931.[8]張巍.基于BP人工神經網絡的道路安全評價研究[D].長安大學,2006.[9]吾斯曼?若孜.基于BP神經網絡的的高速公路交通安全評價[J].華東公路,2013,04:87-89.[10]徐晶.高速公路交通安全微觀評價方法及應用研究[D].北京交通大學,2011.[11]趙勝.高速公路交通動態(tài)評