[发明专利]基于BP神经网络的路面沉陷预测方法

权利要求书

1.一种基于BP神经网络的路面沉陷预测方法，其特征在于，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。

2.如权利要求1所述的基于BP神经网络的路面沉陷预测方法，其特征在于，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。

3.如权利要求1所述的基于BP神经网络的路面沉陷预测方法，其特征在于，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。

4.如权利要求1所述的基于BP神经网络的路面沉陷预测方法，其特征在于，所述步骤3中，所述误差函数E的公式为：

其中，O_k为期望输出，Y_k为网络计算的实际输出，k表示第k个神经元节点。

5.如权利要求1所述的基于BP神经网络的路面沉陷预测方法，其特征在于，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_ij(t+1)＝ηδ_jY_i+aΔw_ij(t) (5)，

Δθ_ij(t+1)＝ηδ_j+aΔθ_ij(t) (6)，

其中，(5)、(6)中，Δw_ij(t+1)表示t+1时刻的网络权值，Δw_ij(t)表示t时刻的网络权值，Δθ_ij(t+1)表示t+1时刻的阈值，θ_ij(t)表示t时刻的阈值，Y_i是i神经元在t时刻的实际输出值，η为学习效率，a为动量因子(a为1到10之间的常数)，δ_j为节点的误差，i、j分别表示神经元第i个神经元、第j个神经元。

6.如权利要求1所述的基于BP神经网络的路面沉陷预测方法，其特征在于，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。