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(duì)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(cè)結(jié)果和專家對(duì)路況的主觀評(píng)價(jià)結(jié)果對(duì)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。STUDYONTHERECONSTRUCTIONDECISIONMODELOFASPHALTPAVEMENTABSTRACTINORDERTOIMPROVETHECONVENTIONALRECONSTRUCTIONDECISIONMODEL,THISPAPERBUILDUPANEWONEONTHEBASISOFAMELIORATEDBACKPROPAGATIONNEUTRALNETWORKABPNNBYUSINGTHEINFORMATIONOFASPHALTPAVEMENTINSHANNXIPROVINCEABPNNCOMESFROMBPNNBYADDINGSOMEBIASUNITSONTHEMIDDLELAYERANDOUTPUTLAYERWHICHCANCUTSHORTTHECONVERGENCETIMEANDIMPROVETHEPRECISIONOFCALCULATIONANEUTRALNETWORKMODELWITHFIVEINPUTUNITSANDONEOUTPUTUNITISCREATEDHEREANDTRAINEDWITHTHEDATAFROMANNUALLYPAVEMENTCONDITIONSANDPANELRATINGTHERESULTSAYSTHATTHENEWMODELISPROPERINPLACEOFTHECONVENTIONALONE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(duì)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(píng)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)BP神經(jīng)網(wǎng)絡(luò)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(jiǎn)單的三層BP網(wǎng)絡(luò)。輸出層隱層輸入層圖1BP網(wǎng)絡(luò)模型結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)一般采用（0，1）S型函數(shù)，其表達(dá)式為。XEF1對(duì)第P個(gè)樣本誤差的計(jì)算公式為，式中和分別為期望輸出和網(wǎng)絡(luò)的2IPIPOTEPITI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(hào)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)鞑ァ边^程；由“模式順傳播”與“誤差逆?zhèn)鞑ァ钡姆磸?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(jiǎn)而言之，就是由“模式順傳播”“誤差逆?zhèn)鞑ァ薄坝洃浻?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(duì)BP網(wǎng)絡(luò)的改進(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(duì)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(duì)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(duì)于人類的大腦來說，新信息的記憶不會(huì)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(duì)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(hào)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(shí)（在偏差單元的選擇上，可以采用模糊知識(shí)概念），大大提高了學(xué)習(xí)速度。輸出計(jì)算節(jié)點(diǎn)閾關(guān)聯(lián)節(jié)點(diǎn)模糊偏差單元輸出單元入輸圖2帶偏差單元的改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)三改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的具體步驟從上面公式的推導(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(duì)AK和YK，提供給網(wǎng)絡(luò)STEP3用輸入模AK式，連接權(quán)計(jì)算中間層各單元的輸入，然后利用通過S函IJWJSJ數(shù)計(jì)算中間層各單元的輸出JBSTEP4用中間層的輸出、連接權(quán)計(jì)算輸出層各單元的輸入LT，然后用LT通過SJJTV函數(shù)計(jì)算輸出層各單元的響應(yīng)KTCSTEP5用希望輸出模式Y(jié)K、網(wǎng)絡(luò)實(shí)際輸出計(jì)算輸出層的各單元的一般化誤差KTKTDSTEP6用連接權(quán)、輸出層的一般化誤差、中間層的輸出計(jì)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(quán)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(quán)JEIWSTEP9選取下一個(gè)學(xué)習(xí)模式對(duì)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(duì)中隨機(jī)選取一個(gè)模式對(duì)，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)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(píng)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。PRBNSIQCPQIN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(duì)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(duì)訓(xùn)練的樣本對(duì)進(jìn)行歸一化處理，并使輸出樣本的值域?yàn)椋?，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(luò)訓(xùn)練樣本采用陜西省高速公路瀝青路面歷年檢測(cè)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(duì)），見表1。表1訓(xùn)練的樣本對(duì)（部分）編號(hào)指標(biāo)1234567PCIN8304669162927387807478288311BPNN8752875284248424802885968235SSIN7315634684848033613593237653RQIN8811903788599153890691169077PRN95949784889594專家評(píng)分870600690760770870850網(wǎng)絡(luò)采用LEVENBERGMARQUARDT學(xué)習(xí)規(guī)則，采用對(duì)數(shù)S型傳遞函數(shù)。對(duì)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(duì)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402040608010510410310210190EPOCHSTRAININGBLUEGOALBLACKPERFORMANCEIS992439E05,GOALIS0001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00001，自適應(yīng)學(xué)習(xí)速率為0001。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(duì)之間的誤差曲面與誤差等高線訓(xùn)練結(jié)果與實(shí)際路況結(jié)果的對(duì)比見圖6。010203040050506065070750808509個(gè)個(gè)個(gè)個(gè)PQIN個(gè)個(gè)個(gè)個(gè)個(gè)個(gè)圖6模擬值與實(shí)測(cè)值對(duì)比為了從數(shù)量上對(duì)實(shí)際路況結(jié)果與模擬結(jié)果進(jìn)行對(duì)比分析，對(duì)實(shí)測(cè)值與模擬值進(jìn)行了相關(guān)分析，結(jié)果見下列圖7、表2。值值值9080706050個(gè)個(gè)個(gè)1009080706050OBSERVEDLINEAR圖7模擬值與實(shí)測(cè)值相關(guān)分析表2實(shí)測(cè)PQI與模擬PQI的相關(guān)性分析指標(biāo)樣本個(gè)數(shù)F臨界F（999）R2結(jié)果361982181260998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(duì)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(duì)。對(duì)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(duì)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(duì)時(shí)，樣本對(duì)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(duì)都加以考慮。參考文獻(xiàn)1何鐵軍等模糊神經(jīng)網(wǎng)絡(luò)在瀝青路面使用性能評(píng)價(jià)中的應(yīng)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(píng)價(jià)模型的探討，東南大學(xué)學(xué)報(bào)，VOL30，NO4，PP129131，20003AHDEBONDTDESIGNOFASPHALTICOVERLAYSPROCEEDINGSOF5THINTERNATIONALCONFERENCEONSTRUCTU