基于BP神经网络的路面沉陷预测方法

技术领域

本发明涉及一种基于BP神经网络的路面沉陷预测方法。

背景技术

沥青路面是我国主要的道路种类，随着我国城市化发展进程的加快，车辆荷载随之增加，由荷载以及其他环境因素所引起的道路病害问题也越来越得到人们的关注。沥青路面沉陷是道路的主要病害之一，准确获取沥青路面沉陷数据、把控沉陷趋势、对沉陷发展进行预测是研究并及时解决沥青路面沉陷问题的关键，更是为道路行车安全提供了保障。因此，沥青路面沉陷数据的精确预测是必不可缺的，也是意义重大的。

发明内容

本发明的目的在于提供一种基于BP神经网络的路面沉陷预测方法。

为解决上述问题，本发明提供一种基于BP神经网络的路面沉陷预测方法，包括：

步骤1：在道路被测路段选取一个监测点，收集所述监测点在先前一段时间内的沉陷数据，作为沉陷样本数据；

步骤2：利用Z-score方法对所述沉陷样本数据进行归一化，使得归一化之后的数据都集中在0附近，且方差为1，得到归一化后的沉陷样本数据；

步骤3：确定神经网络层数、各层节点数、隐含层神经元个数、学习效率以及目标误差，选用S型传递函数f(x)作为节点激励函数，并定义误差函数E，以建立BP神经网络；

步骤4：初始化所述BP神经网络的网络权值与阈值，使所述网络权值与阈值均在区间[-1,1]之内，利用归一化后的沉陷样本数据对所述BP神经网络进行训练，并基于梯度下降法不断修正所述网络权值与阈值，基于所述误差函数E，当训练误差小于所述目标误差，并符合预设精度要求时，停止对所述BP神经网络进行训练，以得到训练好的BP神经网络；

步骤5：利用训练好的BP神经网络对所述监测点的沉陷进行预测。

进一步的，在上述方法中，所述步骤2中利用Z-score方法对所述沉陷样本数据进行归一化的公式如下：

式(1)中，x'为沉陷样本数据x归一化之后的值，μ为均值，σ为标准差。

进一步的，在上述方法中，所述步骤3中，所述S型传递函数f(x)的公式如下：

S型传递函数

其中，e表示自然对数的底。

进一步的，在上述方法中，所述步骤3中，所述误差函数E的公式为：

其中，O

进一步的，在上述方法中，所述步骤4中，初始化所述BP神经网络的网络权值与阈值，使所述网络权值与阈值均在区间[-1,1]之内，包括：

基于梯度下降法并利用(5)、(6)式对所述网络权值与阈值进行调整：

Δw

Δθ

其中，(5)、(6)中，Δw

进一步的，在上述方法中，步骤5：利用训练好的BP神经网络对所述监测点的沉陷进行预测，包括：

步骤5：利用训练好的BP神经网络对沥青路面的监测点的沉陷进行预测。

与现有技术相比，本发明采用BP神经网络对路面沉陷进行预测，为路面沉陷病害的研究提供了一种新方法，对沥青路面沉陷病害的维修与养护具有指导意义。本发明的沥青路面沉陷预测方法，可以提前获取到沉陷的数据，为研究沉陷发展提供了便利，对沥青路面沉陷病害的及时维修与后续养护具有重要指导意义。

附图说明

图1是本发明一实施例的基于BP神经网络的路面沉陷预测方法的流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供一种基于BP神经网络的路面沉陷预测方法，包括：

步骤1：在道路被测路段选取一个监测点，收集所述监测点在先前一段时间内的沉陷数据，作为沉陷样本数据；

例如，在沥青路面某路段选取一个监测点，收集该监测点在先前一段时间内的沉陷数据，作为沉陷样本数据；

具体如，选取某高速公路K10+300～K11+100路段作为研究路段，确定监测点桩号为K10+700。利用监测仪器对该测点沉陷进行测量，测量周期为1个月，连续测量25个月，共测得25组数据。

步骤2：利用Z-score方法对所述沉陷样本数据进行归一化，使得归一化之后的数据都集中在0附近，且方差为1，得到归一化后的沉陷样本数据；

步骤3：确定神经网络层数、各层节点数、隐含层神经元个数、学习效率以及目标误差，选用S型传递函数f(x)作为节点激励函数，并定义误差函数E，以建立BP神经网络；

步骤4：初始化所述BP神经网络的网络权值与阈值，使所述网络权值与阈值均在区间[-1,1]之内，利用归一化后的沉陷样本数据对所述BP神经网络进行训练，并基于梯度下降法不断修正所述网络权值与阈值，基于所述误差函数E，当训练误差小于所述目标误差，并符合预设精度要求时，停止对所述BP神经网络进行训练，以得到训练好的BP神经网络；

在此，初始化权值与阈值，使其均在区间[-1,1]内，利用归一化之后的样本数据对BP神经网络进行训练，在25组样本数据中，将80％的数据即20组数据作为完全训练组，另外的20％组数据即5组数据作为训练的验证组，为了验证训练结果的合理性与有效性。在训练迭代过程中从最后一层向前计算各权值和阈值对总误差的影响，据此对各权值和阈值进行修正，该过程不断进行，直到达到收敛为止，满足精度要求,停止训练。

步骤5：利用训练好的BP神经网络对所述监测点的沉陷进行预测。

在此，BP神经网络是一种前馈式、误差反向传播的神经网络，同时也是神经网络中应用最广泛的一种。BP神经网络有着极强的信息综合处理能力，适用于解决工程中复杂的、不确定性因素较大的非线性问题，容错性和适应性是该算法的一大特点，在进行分析求解时，能够自动排除干扰项并抽取对问题求解有用的数据特征，以求得准确的结果。BP神经网络是一种学习算法，在样本训练迭代过程中通过反向误差传播原理不断学习样本之间的内在关系，并将这些关系应用在之后的预测中。因此，利用BP神经网络对沥青路面沉陷数据进行预测对于研究沉陷发展，解决沥青路面沉陷病害问题具有重要的指导意义。

本发明采用BP神经网络对路面沉陷进行预测，为路面沉陷病害的研究提供了一种新方法，对沥青路面沉陷病害的维修与养护具有指导意义。本发明的沥青路面沉陷预测方法，可以提前获取到沉陷的数据，为研究沉陷发展提供了便利，对沥青路面沉陷病害的及时维修与后续养护具有重要指导意义。

本发明的BP神经网络的路面沉陷预测方法一实施例中，所述步骤2中利用Z-score方法对所述沉陷样本数据进行归一化的公式如下：

式(1)中，x'为沉陷样本数据x归一化之后的值，μ为均值，σ为标准差。

本发明的BP神经网络的路面沉陷预测方法一实施例中，所述步骤3中，所述S型传递函数f(x)的公式如下：

S型传递函数

其中，e表示自然对数的底。

本发明的BP神经网络的路面沉陷预测方法一实施例中，所述步骤3中，所述误差函数E的公式为：

其中，O

在此，BP神经网络由输入层，隐含层以及输出层三层构成，每一层包含若干个神经元，而层与层之间用节点相互连接，输入层与输出层均为一层，而隐含层可以为多层，主要取决于样本空间的大小，样本空间越大则所需建立的隐含层也越多。在本实施例中采用一个隐含层，将时间、交通量、填土高度以及地基固结压缩度四个指标作为影响沥青路面沉陷的因素确定为输入节点，将沉陷值这单一指标作为输出节点。在输入节点和输出节点较少的情况下，隐含层神经元个数可取2m+1个，m为输入层节点数。因此，本实施例隐含层神经元个数选用9个。选用Sigmoid函数作为传输函数，定义E为误差函数，两式子分别如下：

(3)式中O

本发明的BP神经网络的路面沉陷预测方法一实施例中，所述步骤4中，初始化所述BP神经网络的网络权值与阈值，使所述网络权值与阈值均在区间[-1,1]之内，包括：

基于梯度下降法并利用(5)、(6)式对所述网络权值与阈值进行调整：

Δw

Δθ

其中，(5)、(6)中，Δw

在此，δ

δ

式(7)、(8)中Y

本发明的BP神经网络的路面沉陷预测方法一实施例中，步骤5：利用训练好的BP神经网络对所述监测点的沉陷进行预测，包括：

利用训练好的BP神经网络对沥青路面的监测点的沉陷进行预测。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。