[发明专利]基于BP神经网络的路面沉陷预测方法

说明书

本发明提供了一种基于BP神经网络的路面沉陷预测方法，包含以下步骤：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；对样本数据进行归一化处理；确定神经网络的网络层数、各层节点数、隐含层神经元个数、学习效率以及目标误差，建立BP神经网络；初始化权值与阈值，使其均在区间[‑1,1]内，利用样本数据训练神经网络，通过迭代的方式，基于梯度下降法不断修正网络权值与阈值，当训练误差小于目标误差，符合精度要求时，停止训练；根据训练好的BP神经网络对先前的监测点的沉陷进行预测。本发明采用BP神经网络对沥青路面沉陷进行预测，对沥青路面沉陷病害的维修与养护具有指导意义。

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_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。

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_ij(t+1)＝ηδ_jY_i+aΔw_ij(t)(5)，