柴海華

摘 要：在綜合考慮蘭州新區(qū)現(xiàn)代有軌電車線網(wǎng)規(guī)劃的基礎(chǔ)上，基于BP神經(jīng)網(wǎng)絡(luò)建立現(xiàn)代有軌電車適用性研究分析訓(xùn)練模型，利用Matalab軟件實現(xiàn)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程，根據(jù)訓(xùn)練結(jié)果，對蘭州新區(qū)現(xiàn)代有軌電車適用性進行評價。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò) 有軌電車 適用性

1 BP神經(jīng)網(wǎng)絡(luò)適用性評價

1.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)形式多樣，在一般工程應(yīng)用中，常采用多層結(jié)構(gòu)形式，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)多層形式主要是由輸入層、輸出層和若干個隱含層組成的多層感知器，層與層之間的關(guān)系是互連的，而同一層單元之間是互不連接的。多層感知器和BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)強調(diào)的是兩個不同的概念，多層感知器是指神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由相互連接的多層組成，而BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是指神經(jīng)網(wǎng)絡(luò)采用誤差反向傳播的學(xué)習(xí)算法。但在進行權(quán)值調(diào)整學(xué)習(xí)訓(xùn)練時，大多數(shù)情況下多層感知器采用誤差反向傳播的學(xué)習(xí)算法。從這個角度來講，多層感知器和BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)沒有太大的區(qū)別，經(jīng)常指一種網(wǎng)絡(luò)，即BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

1.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)特點

（1）多層性。BP神經(jīng)網(wǎng)絡(luò)是由輸入層、輸出層和若干個隱含層組成的多層感知器，層與層之間的關(guān)系是互連的，而同一層單元之間是互不連接的。

（2）可微性。

BP神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)是線性傳遞函數(shù)，其中x的取值范圍為整個實數(shù)域，f（x）的取值范圍是0到1之間，在具體計算時根據(jù)實際情況確定參數(shù)范圍。

2 BP神經(jīng)網(wǎng)絡(luò)應(yīng)用

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用頻率最高的神經(jīng)網(wǎng)絡(luò)，其非線性映射能力比較強大，能夠集中反映神經(jīng)網(wǎng)絡(luò)中最完美的內(nèi)容[1]。在以前的神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型中主要以單層為主，經(jīng)過多年的發(fā)展，多層網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練模型得以實現(xiàn)，而在實際應(yīng)用中，以BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練模型為主。

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型的傳播形式主要有前向傳播和誤差反向傳播兩種形式，所謂的前向傳播是指對于一個給定的輸入模式，先到達輸入層再到達隱藏層，在隱藏層經(jīng)過一系列的處后形成一個輸出模式，這種傳播模式是一個逐層狀態(tài)不斷更新的過程；所謂的誤差反向傳播是指在輸入輸出過程中，期望輸出模式和輸出響應(yīng)之間存在一定的誤差，不符合輸出模式要求，遇到類似情況時，前向傳播模式不能繼續(xù)進行，輸出模式會隨之轉(zhuǎn)為誤差反向傳播，在這種模式中，誤差值會沿著連接通路分層傳至更層級并對誤差值進行修正，直至滿足要求。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過程就是前向傳播和誤差反向傳播不斷重復(fù)迭新的過程，當精度滿足要求時，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成，主要包括配置階段、訓(xùn)練階段和分類階段三個階段，三個階段之間既相互有區(qū)別，又相互之間有著緊密的聯(lián)系。

3 BP神經(jīng)網(wǎng)絡(luò)評價模型的建立

BP神經(jīng)網(wǎng)絡(luò)評價模型的建立關(guān)鍵在于網(wǎng)絡(luò)層數(shù)的合理確定和各獨立層神經(jīng)元數(shù)的有序配置，前人研究表明，BP神經(jīng)網(wǎng)絡(luò)的隱含層應(yīng)當是一個可以用任意精度表示的連續(xù)函數(shù)，基于這樣的結(jié)論，可以將隱含層基本設(shè)置為一層[2-3]。

多層單元計算格式按下列式子計算

其中：j=0，1，2，…，M-1

其中：k=0，1，2，…，L-1

式中：

—輸入層第i個節(jié)點的輸出值；

—隱藏層第j個節(jié)點的輸出值；

—輸入層第i個節(jié)點到隱藏層第j個節(jié)點的權(quán)系數(shù)；

—隱藏層第j個節(jié)點到輸出層第k個節(jié)點的權(quán)系數(shù)；

—中間層第j個節(jié)點的閥值；

—輸出層第k個節(jié)點的閥值；

—輸出層中第k個節(jié)點的實際輸出值；

城市規(guī)模大小與現(xiàn)代有軌電車應(yīng)用模式一一對應(yīng)，不同的城市規(guī)模對應(yīng)著不同的有軌電車應(yīng)用模式，研究現(xiàn)代有軌電車應(yīng)用模式就需要對城市規(guī)模進行宏觀研究，對于現(xiàn)代有軌電車適用性的研究方法很多，本文主要采用BP神經(jīng)網(wǎng)絡(luò)方法對蘭州新區(qū)現(xiàn)代有軌電車適用性進行評價，根據(jù)蘭州新區(qū)現(xiàn)代有軌電車線網(wǎng)規(guī)劃可知，要建立蘭州新區(qū)現(xiàn)代有軌電車適用性神經(jīng)網(wǎng)絡(luò)模型，按照配置階段、訓(xùn)練階段和分類階段三層合理確定網(wǎng)絡(luò)層數(shù)，確定使用三層BP網(wǎng)絡(luò)對蘭州新區(qū)現(xiàn)代有軌電車適用性進行評價，再根據(jù)蘭州新區(qū)現(xiàn)代有軌電車的實際情況，有序配置各獨立層神經(jīng)元數(shù)，在大量研究和前人經(jīng)驗的基礎(chǔ)上，將輸入層節(jié)點確定為20個，隱藏層節(jié)點確定為15個，神經(jīng)元輸出確定為1個，建立了20*15*1的BP網(wǎng)絡(luò)神經(jīng)評價模型。

（1）神經(jīng)網(wǎng)絡(luò)輸入論域的確定

對于已建立的現(xiàn)代有軌電車適用性評價模型，主要從區(qū)域適用性評價、系統(tǒng)適用性評價、技術(shù)可行性評價、系統(tǒng)社會效益評價四個方面入手，選擇組團匹配性、運能匹配性、速度匹配性、系統(tǒng)造價、線路平縱面、車站布設(shè)、線網(wǎng)規(guī)劃協(xié)調(diào)、投資效益、土地占用、與其他設(shè)施協(xié)調(diào)性、運營組織、工程實施、車輛技術(shù)、線路軌道、供電、技術(shù)通用、服務(wù)水平、環(huán)境影響、景觀影響、城市發(fā)展20個指標作為神經(jīng)網(wǎng)絡(luò)的輸入論域。

（2）樣本值的建立

本文對現(xiàn)代有軌電車適用性的評價分為5個等級，分別為：差，一般，好，較好，很好；對應(yīng)值分別為1，2，3，4，5；輸出節(jié)點的值也對應(yīng)于此評價結(jié)果。

分別選擇英國倫敦、美國波特蘭、法國巴黎、日本東京、中國北京五個城市現(xiàn)代有軌電車的應(yīng)用模式，分別定義為樣本1、樣本2、樣本3、樣本4和樣本5，澳大利亞墨爾本現(xiàn)代有軌電車的應(yīng)用模式為驗證樣本，同時確立各輸出值。

同時，根據(jù)模型精度需要，確定了連個特殊樣本：樣本6和樣本7。

還有兩個特殊樣本，樣本6和樣本7。

為了方便計算，將所有樣本值進行無量綱化，輸入輸出學(xué)習(xí)樣本和驗證樣本，可以得到如表1所示的數(shù)據(jù)。

（3）神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)

為了克服收斂速度慢，難以確定隱層和隱層的節(jié)點數(shù)，本文采用自適應(yīng)lr的梯度下降法，這種算法在訓(xùn)練過程中能夠合理地改變學(xué)習(xí)率，合理地避免計算上的缺陷，有利于訓(xùn)練的穩(wěn)定性，確保了訓(xùn)練速度和精度。本文編制Matalab程序來實現(xiàn)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的過程，對蘭州新區(qū)現(xiàn)代有軌電車適用性進行評價。BP模式訓(xùn)練程序如下：

p=[3 4 3 5 4 4 1 5;

4 4 4 4 5 5 1 5;

2 2 2 3 4 3 1 5;

2 2 4 3 4 4 1 5;

4 2 3 4 4 4 1 5;

5 2 3 4 4 3 1 5;

5 4 2 2 1 2 1 5;

4 4 3 5 5 4 1 5;

3 3 5 4 3 2 1 5;

2 3 4 4 3 3 1 5;

2 3 3 3 4 2 1 5;

3 3 1 4 3 4 1 5;

2 3 2 5 2 3 1 5;

3 4 4 5 2 4 1 5;

3 3 3 4 5 3 1 5;

3 2 3 3 5 4 1 5;

3 2 3 4 4 5 1 5;

1 2 3 4 3 4 1 5;

2 3 4 5 2 4 1 5;

4 4 4 4? 4 4 1 5];

net=newff（minmax（p），[15，1]，{'tansig'，'purelin'}，'traingdm'）;? %形成矩陣p，建立隱層15個節(jié)點，輸出一個神經(jīng)元的神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型

net.trainParam.show=100;? %顯示中間結(jié)果的周期為100

net.trainParam.lr=0.05;? ?%學(xué)習(xí)率為0.05

net.trainParam.mc=0.9;? ? %網(wǎng)絡(luò)動量傳遞系數(shù)0.09

net.trainParam.epochs=100;? %最大迭代次數(shù)100

net.trainParam.goal=1e-10;? ? %訓(xùn)練進度

t=[3 3.2 3.4 4 3.6 3.6 1 5 ];

net=train（net，p，t）

通過學(xué)習(xí)訓(xùn)練，得到神經(jīng)神經(jīng)網(wǎng)絡(luò)的目標值和輸出值，如表2所示。

（4）模型驗證

取澳大利亞墨爾本現(xiàn)代有軌電車適用模式對上述訓(xùn)練模型進行驗證，其指標無量綱化的值見表2，將數(shù)值輸入模型進行計算，所得到的數(shù)據(jù)為3.3350，與目標所得值3.6000相比較，誤差很小，模型訓(xùn)練成功。

save chh_net net

P=[4 4 4 4 4;3 4 4 5 4;4 3 4 4 4;4 4 3 3 3;4 4 4 3 4;4 4 4 2 3;4 3 2 3 3;5 5 5 4 5;4 4 4 4 4;3 4 4 3 4;4 5 4 4 5;3 3 4 3 3;4 4 4 4 4;4 3 4 5 4;4 3 3 4 4;4 5 4 3 4;4 4 4 4 4;3 4 4 3 4;5 4 5 5 4;4 5 4 4 5]? A=sim（net，p）

A =

3.3350

（5）模型的儲存

將上述訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型（20，15，1）存入知識庫中，對其它地區(qū)現(xiàn)代有軌電車適用性可以進行評價，只需要輸入評價矩陣即可。

4 蘭州新區(qū)適用性量化評價及結(jié)論

根據(jù)蘭州新區(qū)現(xiàn)代有軌電車線網(wǎng)規(guī)劃的相關(guān)信息可知，對蘭州新區(qū)現(xiàn)代有軌電車適用性評價的參數(shù)做無量綱化處理，給出五組評價值，見表３：

量化值輸入模型計算，程序如下：

save chh_net net

P=[4 4 4 4 4;3 4 4 5 4;4 3 4 4 4;4 4 3 3 3;4 4 4 3 4;4 4 4 2 3;4 3 2 3 3;5 5 5 4 5;4 4 4 4 4;3 4 4 3 4;4 5 4 4 5;3 3 4 3 3;4 4 4 4 4;4 3 4 5 4;4 3 3 4 4;4 5 4 3 4;4 4 4 4 4;3 4 4 3 4;5 4 5 5 4;4 5 4 4 5];

A=sim（net，p）

A =

3.3350? 3.3344? 3.3240? 3.3198? 3.3350

蘭州新區(qū)現(xiàn)代有軌電車適用性評價的結(jié)果在好和較好之間，充分說明了蘭州新區(qū)建設(shè)現(xiàn)代有軌電車是有必要的。

參考文獻：

[1]王艷萍．城市軌道交通線網(wǎng)規(guī)劃方案評價方法及應(yīng)用研究[D]．北京，北京交通大學(xué)，2013．

[2]牟潔．城市軌道交通網(wǎng)絡(luò)規(guī)劃綜合評價[D]．青島，大連理工大學(xué)碩士學(xué)位論文，2013．

[3]孟祥定．綠色交通視角下城市軌道交通網(wǎng)絡(luò)規(guī)劃決策方法及應(yīng)用[D]．湖南，湖南大學(xué)，2007．