亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于GA-灰色神經(jīng)網(wǎng)絡(luò)的瀝青路面使用性能預(yù)測

        2019-03-04 08:46:56陳仕周李冠男
        關(guān)鍵詞:使用性能灰色遺傳算法

        陳仕周, 李 山, 熊 峰, 李冠男

        (1. 重慶交通大學(xué) 土木工程學(xué)院,重慶400074; 2. 重慶鵬方路面工程技術(shù)研究院,重慶400054)

        0 引 言

        路面使用性能預(yù)測是道路養(yǎng)護(hù)和路面管理系統(tǒng)的基礎(chǔ),準(zhǔn)確掌握路面使用性能變化情況可以確定路網(wǎng)中各路段的最佳預(yù)養(yǎng)護(hù)時機(jī),以便維持路面高服務(wù)水平,有助于行車的舒適性、安全性及運(yùn)輸?shù)慕?jīng)濟(jì)性[1-2]。目前,國內(nèi)外學(xué)者已提出多種形式的預(yù)測模型,主要分為概率型和確定型[3]。其中概率型模型是指預(yù)估路況指標(biāo)某一時刻的狀態(tài)分布,主要建模方法有馬爾可法、半馬爾可夫法和殘存曲線法等;其優(yōu)點(diǎn)是考慮了路況發(fā)展的隨機(jī)性,但由于是對狀態(tài)概率轉(zhuǎn)移矩陣進(jìn)行預(yù)測,不如對路況指標(biāo)預(yù)測直觀,且狀態(tài)轉(zhuǎn)移概率確定帶有一定主觀性。確定型模型是指預(yù)測路況某一項(xiàng)指標(biāo)具體數(shù)值,主要建模方法有:力學(xué)法、力學(xué)-經(jīng)驗(yàn)法和經(jīng)驗(yàn)回歸法。由于我國路面使用性能歷史數(shù)據(jù)偏少,故采用傳統(tǒng)的經(jīng)驗(yàn)回歸法達(dá)不到理想預(yù)測精度,且難以反映環(huán)境因素與使用性能之間的復(fù)雜關(guān)系。

        近年來,灰色理論廣泛應(yīng)用于路面使用性能預(yù)測之中[4-7]。基于影響路面使用性能的因素具有不確性、復(fù)雜性和多樣性,且路面使用性能歷史數(shù)據(jù)較少,這恰好可通過灰色理論簡化分析,將眾多因素影響的路面使用性能作為因變量,時間變化作為自變量,通過時間序列去挖掘系統(tǒng)內(nèi)部變化規(guī)律。其優(yōu)點(diǎn)是建模所需數(shù)據(jù)少也能得到較高精度;但不難發(fā)現(xiàn)傳統(tǒng)灰色預(yù)測模型GM(1,1)仍然存在諸多問題,需進(jìn)一步改進(jìn)和提高,主要有以下幾點(diǎn)缺點(diǎn):①離原始數(shù)據(jù)序列較近的預(yù)測值精度高,但對于中期長期預(yù)測效果不佳[8];② 當(dāng)隨機(jī)因素?cái)_動過大時,也不能反映系統(tǒng)的內(nèi)部規(guī)律[9];③ 預(yù)測結(jié)果誤差不能反饋調(diào)節(jié)。張洪偉等[10]采用動態(tài)等維遞補(bǔ)GM(1,1)模型,不斷刪除老舊信息和添加新信息,保持原始數(shù)據(jù)序列維數(shù)不變,消除了不能中長期預(yù)測的限制,但有可能丟失有用信息,且仍沒有解決隨機(jī)因素?cái)_動過大帶來的誤差及誤差反饋調(diào)節(jié)等問題。

        綜上所述,筆者對傳統(tǒng)GM(1,1)模型采用兩種不同的改進(jìn)方法。① 對傳統(tǒng)GM(1,1)模型參數(shù)進(jìn)行無偏估計(jì),消除傳統(tǒng)GM(1,1)模型對原始數(shù)據(jù)序列增長速度不能過快,預(yù)測長度不能過長的限制,建立了無偏GM(1,1)模型;② 將原始序列背景值采用滑動平均法處理,過濾隨機(jī)起伏過大值,凸顯原始序列的規(guī)律性,建立了滑動GM(1,1)模型。為充分利用各改進(jìn)的GM(1,1)模型有效信息和調(diào)節(jié)單一預(yù)測模型預(yù)測誤差,引入了BP神經(jīng)網(wǎng)絡(luò)[11],利用其強(qiáng)大的非線性映射能力來組合單一預(yù)測模型,既克服了組合預(yù)測合模型權(quán)重分配難題,又實(shí)現(xiàn)了誤差反饋調(diào)節(jié)。但學(xué)習(xí)效率較慢是BP神經(jīng)網(wǎng)絡(luò)最大的不足,而且局部最優(yōu)有較大出現(xiàn)概率[12]。而遺傳算法具有全局搜索能力強(qiáng)且搜索速度快的優(yōu)點(diǎn)[13],能從總體上來優(yōu)化BP神經(jīng)網(wǎng)絡(luò),從而建立GA-灰色神經(jīng)組合預(yù)測模型。該模型結(jié)合了灰色理論、BP神經(jīng)網(wǎng)絡(luò)以及遺傳算法優(yōu)點(diǎn),實(shí)現(xiàn)了對瀝青面使用性能的準(zhǔn)確預(yù)測。

        1 組合預(yù)測模型建模

        1.1 建模思路

        筆者利用遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)為載體,以傳統(tǒng)GM(1,1)模型、滑動GM(1,1)模型和無偏GM(1,1)模型對路面使用性能預(yù)測結(jié)果作為網(wǎng)絡(luò)的輸入項(xiàng),同時將路面使用性能實(shí)際值作為網(wǎng)絡(luò)的輸出項(xiàng),從而建立了GA-灰色神經(jīng)網(wǎng)絡(luò)組合的瀝青路面使用性能預(yù)測模型,建模流程如圖1。

        圖1 GA-灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型的建模流程Fig. 1 Modeling process of GA-gray neural network combinedforecasting model

        1.2 傳統(tǒng)GM(1,1)模型

        給定原始序列為X(0)={x(0)(1),x(0)(2),L,x(0)(n)}。其中:x(0)(t)≥0, (t=1, 2, 3,L,n)。

        2)對新的數(shù)據(jù)序列x(1)(t)建立白化微分方程,如式(1):

        (1)

        3)對累加生成的數(shù)據(jù)序列X(1)做均值生成矩陣B和向量Yn,即有式(2):

        (2)

        (3)

        (4)

        (5)

        1.3 無偏GM(1,1)模型

        無偏GM(1,1)模型是將傳統(tǒng)GM(1,1)模型的兩個參數(shù)a, u進(jìn)行修正,降低了發(fā)展灰數(shù)|a|過大所帶來的誤差,同時也消除了傳統(tǒng)GM(1,1)模型對原始數(shù)據(jù)序列增長速度不能過快、預(yù)測長度不能過長的限制,應(yīng)用范圍更廣。其建模步驟如下:

        步驟1)~4)與傳統(tǒng)GM(1,1)模型建模步驟中的1)~4)相同。

        5)計(jì)算GM(1,1)模型參數(shù)b和A,如式(6):

        (6)

        6)建立原始數(shù)據(jù)預(yù)測模型,如式(7):

        (7)

        1.4 基于滑動平均法改進(jìn)的GM(1,1)模型

        滑動平均法是為了消減原始數(shù)據(jù)異常值(如極值)的影響,在小區(qū)間上局部平均,強(qiáng)化原始數(shù)據(jù)序列的規(guī)律性,從而提高預(yù)測精度,處理原始數(shù)據(jù)的過程如下:

        設(shè)原始數(shù)據(jù)序列為:X(0)={x(0)(1),x(0)(2),L,x(0)(n)};利用3點(diǎn)滑動平均法處理過后得到新數(shù)據(jù)序列為:X′(0)={x′(0)(1),x′(0)(2),L,x′(0)(n)};則計(jì)算表達(dá)式如式(8):

        (8)

        式中:t=1, 2, 3,L,n。

        根據(jù)新數(shù)據(jù)序列按照傳統(tǒng)GM(1,1)模型的建模步驟得到滑動GM(1,1)模型。

        1.5 灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型

        BP神經(jīng)網(wǎng)絡(luò)是一種信號前向傳遞、誤差反向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)[14],網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、若干中間隱含層和輸出層,這3個部分通過各層節(jié)點(diǎn)之間的連接權(quán)值w相互連接。其基本原理是采用梯度下降法,通過反向傳播不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值,使得網(wǎng)絡(luò)的誤差平方和最小。

        傳統(tǒng)組合預(yù)測模型是按照一定規(guī)則把不同方法的預(yù)測結(jié)果組合起來,綜合利用各單個預(yù)測模型信息,并以適當(dāng)?shù)募訖?quán)平均形式計(jì)算得出組合預(yù)測模型[15]。因此,科學(xué)分配單一預(yù)測模型權(quán)重是組合預(yù)測模型的關(guān)鍵之處。比如王昌橫等[16]采用熵權(quán)組合預(yù)測模型對瀝青路面使用性能進(jìn)行了預(yù)測,其優(yōu)點(diǎn)是賦權(quán)具有客觀性,但組合預(yù)測模型誤差不能反饋調(diào)節(jié),所以不是最優(yōu)組合預(yù)測模型。而BP神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性映射、自學(xué)習(xí)和自適應(yīng)能力,故采用BP神經(jīng)網(wǎng)絡(luò)來組合單一預(yù)測模型,可獲得更高精度。鑒于此,筆者通過BP神經(jīng)網(wǎng)絡(luò)來組合傳統(tǒng)GM(1,1)模型以及改進(jìn)的GM(1,1)模型,從而建立了灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型,該模型既提高了輸入數(shù)據(jù)質(zhì)量,又解決了如何科學(xué)分配權(quán)重難題,且還可反饋調(diào)節(jié)誤差,網(wǎng)絡(luò)結(jié)構(gòu)如圖2。

        圖2 灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型結(jié)構(gòu)示意Fig. 2 Structure diagram of gray neural network combined forecasting model

        其建模過程如下:

        1)輸入層:通過傳統(tǒng)GM(1,1)模型、無偏GM(1,1)模型和基于滑動平均改進(jìn)的GM(1,1)模型對路面使用性能原始數(shù)據(jù)進(jìn)行預(yù)測,將得到的3組擬合值作為神經(jīng)網(wǎng)絡(luò)的輸入變量。

        2)隱含層:理論上已證明,3層神經(jīng)網(wǎng)絡(luò)可實(shí)現(xiàn)任意復(fù)雜的非線性映射問題[17],因此采用僅含一個隱含層神經(jīng)網(wǎng)絡(luò),其結(jié)構(gòu)如圖2,對于隱含層單元數(shù)目可參考式(9):

        (9)

        式中:p為隱含層節(jié)點(diǎn)個數(shù);n為輸入層節(jié)點(diǎn)個數(shù);m為輸出層節(jié)點(diǎn)個數(shù);a為0~10之間常數(shù)。

        3)輸出層:路面使用性能指標(biāo)實(shí)測值作為輸出變量。

        1.6 遺傳算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型

        遺傳算法(genetic algorithm, GA)是一種基于自然選擇原理和自然遺傳機(jī)制的尋優(yōu)算法,模擬自然界中生命進(jìn)化機(jī)制[18]。其實(shí)質(zhì)是通過群體復(fù)制、交叉、變異等搜索技術(shù),根據(jù)適者生存的原則逐代進(jìn)化,最終得到最優(yōu)解。

        BP神經(jīng)網(wǎng)絡(luò)由于初始權(quán)值和閾值是隨機(jī)初始化的,并且網(wǎng)絡(luò)訓(xùn)練過程閾值和權(quán)值也在不斷地適應(yīng)和改進(jìn),容易導(dǎo)致收斂速度較慢和網(wǎng)絡(luò)不穩(wěn)定。此外,其誤差調(diào)整是基于梯度下降法,容易陷入局部最小值,從而影響預(yù)測精度。因此,筆者利用遺傳算法從全局來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值,既可克服神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)初始值選取不確定性,又能改善網(wǎng)絡(luò)收斂速度和收斂性能,防止訓(xùn)練陷入局部最小值,提高網(wǎng)絡(luò)的穩(wěn)定性和預(yù)測精度。遺傳算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值過程如圖3。

        圖3 GA-灰色神經(jīng)網(wǎng)絡(luò)組合模型流程Fig. 3 Flow chart of GA-gray neural network combined model

        主要步驟如下:

        1)確定網(wǎng)絡(luò)結(jié)構(gòu):與1.5節(jié)的灰色神經(jīng)網(wǎng)絡(luò)組合模型拓?fù)浣Y(jié)構(gòu)一致。

        2)編碼:按照灰色神經(jīng)網(wǎng)絡(luò)常規(guī)方式隨機(jī)產(chǎn)生初始權(quán)值和閾值,然后根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)從左到右、從上往下順序進(jìn)行編碼,編碼長度計(jì)算如式(10):

        L=n×p+p×m+p+m

        (10)

        3)適應(yīng)度函數(shù)值:對每一個輸入序列,將其分別賦給各層的權(quán)值和閾值,并計(jì)算網(wǎng)絡(luò)輸出誤差平方和SE,適應(yīng)度函數(shù)值取SE的倒數(shù),如式(11):

        (11)

        4)進(jìn)化運(yùn)算:采用輪盤賭法選擇算子,即根據(jù)編碼串個體適應(yīng)度值高低,執(zhí)行選擇、交叉、變異算子產(chǎn)生下一代種群。

        5)判斷網(wǎng)絡(luò)訓(xùn)練結(jié)束后SE能否滿足預(yù)期的要求,是則結(jié)束;否則轉(zhuǎn)入步驟3)繼續(xù)訓(xùn)練。

        6)將得出最佳初始參數(shù)賦給灰色神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,重新訓(xùn)練得出預(yù)測結(jié)果。

        2 應(yīng)用實(shí)例

        2.1 數(shù)據(jù)來源

        以文獻(xiàn)[15]中某高速公路瀝青路面調(diào)查數(shù)據(jù)路面狀況指數(shù)PCI(見表1、2)為例,利用筆者所提出的5種模型分別對2000—2009年的路面狀況指數(shù)PCI進(jìn)行仿真預(yù)測。其中:2000—2006年的PCI值作為建模數(shù)據(jù),2007—2009年的PCI值作為檢驗(yàn)?zāi)P皖A(yù)測精度。

        2.2 誤差指標(biāo)定義

        (12)

        (13)

        (14)

        2.3 參數(shù)設(shè)置

        本次計(jì)算中,BP神經(jīng)網(wǎng)絡(luò)經(jīng)過多次反復(fù)調(diào)試,最終確定隱含層節(jié)點(diǎn)為6,輸入層節(jié)點(diǎn)為3,輸出層節(jié)點(diǎn)為1。隱含層神經(jīng)元激活函數(shù)采用雙正切S形函數(shù)tansig,輸出層神經(jīng)元的激活函數(shù)采用線性函數(shù)purelin,預(yù)測效果比較理想。輸入樣本采用mapminmax函數(shù)映射到[0,1],以適應(yīng)激活函數(shù)的變化范圍。設(shè)置網(wǎng)絡(luò)的目標(biāo)誤差為1E-3,最大訓(xùn)練次數(shù)為1000,學(xué)習(xí)率0.1。遺傳算法參數(shù):種群規(guī)模50,交叉概率0.6,變異概率0.08,進(jìn)化代數(shù)100,并且根據(jù)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)確定個體編碼長度為31。其中:灰色神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程見圖4(a);GA-灰色神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程見圖4(b)。

        表1 路面狀況指數(shù)PCI實(shí)測值和5種方法的擬合值Table 1 Measured values of pavement condition index (PCI) and fitting values obtained by 5 kinds of methods

        表2 路面狀況指數(shù)PCI實(shí)測值和5種方法的預(yù)測值Table 2 Measured values of pavement condition index (PCI) and forecasting values obtained by 5 kinds of methods

        圖4 訓(xùn)練過程Fig. 4 Training process

        2.4 預(yù)測結(jié)果分析

        選取2000—2006年的路面狀況指數(shù)PCI作為歷史數(shù)據(jù),建立了傳統(tǒng)GM(1,1)模型和改進(jìn)GM(1,1)模型。運(yùn)用MATLAB編程計(jì)算,得到了3種GM(1,1)模型的預(yù)測方程。

        傳統(tǒng)GM(1,1)模型如式(15):

        (15)

        無偏GM(1,1)模型如式(16):

        (16)

        滑動GM(1,1)模型如式(17):

        (17)

        令t=1~7,可得2000—2006年路面狀況指數(shù)PCI的擬合值,如表1;令t=8~10,可得2007—2009年路面狀況指數(shù)PCI的預(yù)測值,如表2。

        將傳統(tǒng)GM(1,1)模型和改進(jìn)GM(1,1)模型擬合值作為相同的訓(xùn)練樣本,分別對所建立的灰色神經(jīng)網(wǎng)絡(luò)模型和GA-灰色神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。并運(yùn)用這兩種模型對2000—2006年路面狀況指數(shù)PCI進(jìn)行擬合;對2007—2009年的PCI進(jìn)行預(yù)測。

        從表1可得出:路面狀況指數(shù)PCI采用單一GM(1,1)模型擬合值的平均相對誤差都比組合預(yù)測模型的誤差大。其中:傳統(tǒng)、無偏與滑動GM(1,1)模型平均相對誤差(MRE)都接近0.54%,灰色神經(jīng)網(wǎng)絡(luò)模型和GA-灰色神經(jīng)網(wǎng)絡(luò)模型的MRE分別為0.41%、0.32%。

        從表2可得出:傳統(tǒng)GM(1,1)模型MRE為4.67%,無偏GM(1,1)模型MRE為4.64%,滑動GM(1,1)模型的MRE為4.63%??梢?,改進(jìn)的GM(1,1)模型比傳統(tǒng)的GM(1,1)模型的預(yù)測精度有所提高。而灰色神經(jīng)網(wǎng)絡(luò)組合模型MRE為2.41%,GA-灰色神經(jīng)網(wǎng)絡(luò)組合模型僅為0.54%。因此,采用GA-灰色神經(jīng)網(wǎng)絡(luò)組合模型能夠準(zhǔn)確地反映路面性能衰變情況,能夠?yàn)槁访婀芾砉ぷ髡咧贫B(yǎng)護(hù)計(jì)劃提供參考。

        3 結(jié) 論

        1)考慮了傳統(tǒng)GM(1,1)模型不足之處,在傳統(tǒng)GM(1,1)模型基礎(chǔ)上,提出兩種改進(jìn)方法,并通過遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)對改進(jìn)的GM(1,1)模型進(jìn)行組合,該模型既克服了單一預(yù)測模型權(quán)重確定的難題,又兼顧灰色預(yù)測模型的小樣本特性、神經(jīng)網(wǎng)絡(luò)的非線性和自學(xué)能力,以及遺傳算法全局搜索能力,修正了GM(1,1)模型的不能誤差反饋調(diào)節(jié)的缺點(diǎn)。

        2)以路面狀況指數(shù)PCI為實(shí)例進(jìn)行仿真分析,對比了5種預(yù)測模型的預(yù)測精度,結(jié)果表明:GM(1,1)模型和改進(jìn)的GM(1,1)模型的MRE在4.6%左右,灰色神經(jīng)網(wǎng)絡(luò)組合模型的MRE為2.41%,而GA-灰色神經(jīng)網(wǎng)絡(luò)組合模型的MRE僅為0.54%,與真實(shí)值最接近。因此,GA-灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型可廣泛用于路面使用性的預(yù)測,為路面管養(yǎng)單位提供科學(xué)的決策依據(jù)。

        3)由于本實(shí)例的PCI值波動不是很大,所以滑動GM(1,1)模型的預(yù)測效果未能明顯體現(xiàn),因此需要進(jìn)一步驗(yàn)證。此外,筆者提出的GA-灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型,只利用較少數(shù)據(jù)PCI驗(yàn)證它的有效性,其適用性還需要通過大量樣本數(shù)據(jù)以及其它路面使用性指標(biāo)進(jìn)行驗(yàn)證。

        猜你喜歡
        使用性能灰色遺傳算法
        淺灰色的小豬
        溫拌再生瀝青路面使用性能后評估
        上海公路(2018年4期)2018-03-21 05:57:18
        基于自適應(yīng)遺傳算法的CSAMT一維反演
        一種基于遺傳算法的聚類分析方法在DNA序列比較中的應(yīng)用
        灰色時代
        Coco薇(2017年2期)2017-04-25 17:59:38
        她、它的灰色時髦觀
        Coco薇(2017年2期)2017-04-25 17:57:49
        基于遺傳算法和LS-SVM的財(cái)務(wù)危機(jī)預(yù)測
        基于地區(qū)差異的瀝青路面使用性能非線性模糊評價
        中國公路(2017年12期)2017-02-06 03:07:35
        高速公路瀝青路面使用性能評價
        中國公路(2017年12期)2017-02-06 03:07:34
        非配套脂蛋白試劑的使用性能驗(yàn)證
        欧美一级在线全免费| 国产日产韩国级片网站| 国产一区二区白浆在线观看| 青青草国产在线视频自拍| 大肉大捧一进一出好爽视频| 亚洲精品国产成人| 国产精品久久久久免费a∨| 国产一级免费黄片无码AV| 国产传媒在线视频| 精品国产色哟av一区二区三区| 欧洲乱码伦视频免费| 欧美尺寸又黑又粗又长| 欧美性一区| 中文字幕在线人妻视频| 婚外情长久的相处之道 | 久久久精品免费观看国产| 亚洲精品国产熟女久久| 蜜桃视频成年人在线观看| 99久久婷婷国产一区| 免费黄色影片| 大香伊蕉国产av| 一区二区久久不射av| 国产成人精品自拍在线观看| 色婷婷久久亚洲综合看片| 欧美精品videossex少妇| 欧美久久久久中文字幕| 日韩精品一区二区在线视| 亚洲αv在线精品糸列| 99热久久这里只精品国产www| 国产精品自线在线播放| 亚洲女同高清精品一区二区99 | 日本女优中文字幕有码| 日韩人妻不卡一区二区三区| 最新国产乱人伦偷精品免费网站| 亚洲欧美日韩精品高清| 亚洲精品女同在线观看| 中文字幕一区二区三区四区五区| 扒开双腿疯狂进出爽爽爽视频| 亚洲AV无码一区二区一二区色戒| 国产精品丝袜美腿诱惑| 国产自国产自愉自愉免费24区|