BP神经网络在路面模量反分析中的应用

使用MATLAB神经网络工具箱研究了BP神经网络在路面模量反分析中的应用。研究结果表明,只要合理的处理输入和输出参数,利用BP神经网络可以较好的预测路面各层的弹性模量,并且相对于其他分析方法,该方法运算速度非常快,适合于实际工程中应用。     

BP神经网络在路面模量反分析中的应用

使用MATLAB神经网络工具箱研究了BP神经网络在路面模量反分析中的应用。研究结果表明,只要合理的处理输入和输出参数,利用BP神经网络可以较好的预测路面各层的弹性模量,并且相对于其他分析方法,该方法运算速度非常快,适合于实际工程中应用。     

人工神经网络在路面模量反分析中的应用

随着落锤式弯沉仪在公路工程中的广泛应用，路面模量的反分析方法日益受到国内外研究人员的重视。文中使用MATLAB神经网络工具箱研究了BP神经网络在路面模量反分析中的应用。研究结果表明，只要合理处理输入和输出参数，利用BP神经网络可较好地预测路面各层的弹性模量，且相对于其他分析方法，该方法运算速度很快，适合于实际工程中应用。     

空耦雷达技术在检测沥青路面厚度的探讨

本文介绍了神经网络的基本理论,提出了一种采用BP神经网络模型对空耦雷达道路检测路面厚度进行测算的新方法。并对BP神经网络模型在沥青混凝土路面厚度检测的应用进行了分析、比较,为GPR技术在道路工程检测实践中提供一种辅助判断手段。     

遗传算法优化BP神经网络的路面结构层模量反算方法研究

路面结构层回弹模量是路面结构设计中最重要的指标之一。文中针对新沥青路面设计规范中推荐的路面结构层模量和上海典型路面结构厚度,利用有限元程序建立了弯沉盆数据库;然后基于数据库搜索理论,采用遗传算法优化BP神经网络模型,实现路面结构参数与弯沉盆大小的映射、学习,达到模量反算的目的;通过加入噪声,提高神经网络模型的鲁棒性和泛化能力,实现对FWD实测弯沉盆的模量反算。     

基于BP神经网络的路面使用性能评价方法研究

沥青路面使用性能评价是路网进行养护决策管理的基础,评价结果真实与否关系到整个路面管理决策的成败.由于传统的通过单项统计分析或多元线性统计回归分析建立路面使用性能综合评价指标的方法存在着不足,建立的具体回归关系式很难真实反映其内在的复杂的非线性关系,适应性受到一定的限制.而将高度复杂的非线性动力系统BP神经网络用于路面性能的综合评价具有较大的优势,文中对BP神经网络的设计、路面性能评价指标的选择进行了详细的阐述,并对基于BP神经网路的路面性能评价方法编程加以实现,给出了应用的实例.     

小波神经网络在基于图象处理的路面破损识别中的应用

由于路面破损形式的多种多样,造成路面破损分类成为一大难题,这极大的限制了路面破损自动检测的普及和发展,使得路面破损自动检测即使在发达国家普及得也不够理想。本文主要研究基于图象子块分布特性的路面破损识别算法,对比研究了小波神经网络和传统的BP神经网络在基于图象子块分布特性的路面破损识别。仿真结果显示,小波神经网络优于传统的BP神经网络。     

基于BP神经网络和Logistic回归分析的沥青路面平整度模型预测

为了解决国际平整度指数IRI预测模型准确性不高等问题,以路面长期性能(LTPP)数据库实测数据为基础,采用机器学习中BP神经网络建模方法对提取出的数据进行预测分析,并与传统的Logistic回归分析结果做评估对比。分析结果表明,利用传统的Logistic方法和BP神经网络得出的复判定系数分别为0.731、0.876,说明采用的BP神经网络平整度预测模型具有较高效率和预测精度以及较低的复杂度,能够有效评价路面使用性能。     

基于BP神经网络的路面不平度识别

将BP神经网络作为识别路面不平度的工具，确定了用于识别的评价指标。建立了前后轮路面不平度滤波白噪声模型和汽车平顺性4 自由度平面模型，通过仿真获得车辆响应和前后轮路面不平度，作为BP 神经网络的输入和输出。采用3 层BP 神经网络识别路面不平度，先后构造了44 种车辆响应输入方案进行训练和测试，通过评价指标选出最优输入方案。研究结果表明，在车辆行驶的常用路面和车速条件下，识别前后轮路面不平度的最优输入方案由车轮垂直加速度、车轮垂直位移和悬架动挠度组成。     

BP神经网络与回归分析法在公路工程施工安全经费分析上的应用

该文应用BP神经网络和多元回归分析对公路工程施工安全经费进行计算分析,结果显示,与多元回归分析相比,BP神经网络计算值与安全经费实际投入值更吻合.这为安全监管部门管理公路工程施工安全提供了一条新途径.通过BP神经网络和回归方程,均可以根据安全专项经费总额、工程投标价和工程进度,反推算出实际投入的安全经费,为安全管理部门进行安全检查监督提供有效依据.     

基于小波神经网络的路面破损识别

结合图象处理、模式识别等先进技术开发路面破损自动检测系统已经成为本领域的研究热点[1-5]。本主要研究了小波神经网络在路面破损识别中的应用，并与传统的BP神经网络作了对比。试验结果表明．在相同的训练样本情况下，小波神经网络的精度高于BP神经网络一为开发更为高效的路面破损自动检测系统提供新的思路。     

基于FWD的旧水泥混凝土路面实测数据分析

根据某旧水泥混凝土路面改建时的FWD检测数据,研究了旧层状体系路面的评价方法及模量反算。分析了弯沉盆面积对旧路状况进行评价的实用性。通过理论回归和神经网络的反算,比较了普通网络与噪音网络的反算能力,提出了人工神经网络实现模量反算的关键技术。     

基于遗传神经网络的路面使用性能评价预测

基于遗传神经网络算法,在进行高速公路路面使用性能评价与预测时,引入遗传神经网络,建立高速公路路面使用性能评价与预测模型,通过该模型,评价和预测了吉林某高速公路路面使用性能。结果表明:与BP网络预测PCI的结果相比,遗传神经网络预测PCI的结果与高速路面PCI实际值误差缩小更明显,这表明遗传神经网络模型预测精度得到很大程度提高。测试结果说明,本研究提出的遗传神经网络预测方法是可行的,它可以作为高速路面一种有效预测手段,提供科学方法进行公路路面使用性能的评价与预测。     

基于主成分分析和学习向量量化神经网络的制动工况路面识别与验证

开展车辆制动时路面类型识别的研究，提出一种基于主成分分析-学习向量量化神经网络 （Principal Component Analysis - Learning Vector Quantization，PCA-LVQ） 的制动工况路面识别方法。利用主成分分析对多维度驾驶数据降维处理，提取能表征路面特征的主要成分，采用学习向量量化神经网络对降维处理后的驾驶数据进行训练，并用于路面特征分类，使用制动工况下实车试验数据和硬件在环仿真数据进行验证。结果表明，所提出的 PCA-LVQ算法能准确识别路面类型特征，路面识别的精度达到 97%，与传统 BP神经网络的路面类型特征识别精度提升 7%；同时，在不同车速下，基于PCA-LVQ算法也能较准确地识别路面类型特征。     

最小二乘法结合BP神经网络在路面平整度数据标定及处理中的应用

在充分调研国内外路面平整度检测技术的基础上,针对平整度数据检测中存在的异常数据、漏检数据等问题,结合其技术指标,基于最小二乘法的原理对试验数据的IRI测量重复性误差和IRI测量误差进行分析,确保数据源的准确性和可参考性,并对BP神经网络算法的有效性和实用性进行了验证,再采用BP神经网络方法对路面平整度检测数据进行识别和补充处理,使检测到的数据能反映被检测实体的真实信息。最后,结合工程实例,在Matlab上实现仿真和计算,把补充的数据和真实数据进行相对误差比较分析,结果表明:数据处理结果能很好地满足工程质量检测数据误差的要求。     

BP神经网络在公路路面性能预测中的应用

路面性能预测是路面养护管理的重要组成部分,一般较难考虑自然环境对路面性能的影响,对已知信息的利用效率不高,造成预测误差.文中以某高速公路路面性能预测为例,详细说明了BP神经网络技术在路面性能预测中的作用,力求推广计算机辅助的人工神经网络在路面性能预测中的应用.     

考虑层间接触状态的路面动力响应解析解及参数反演

为了对现有路面结构FWD检测技术的改进提供相关参考，并进一步完善路面结构质量评价体系，从轴对称动力平衡方程出发，应用Hankel-Laplace积分变换，推导了考虑路面材料横观各向同性特性和路面结构层间接触状态的路面结构力学响应解析解，结合传递矩阵法提出了一种路面结构力学响应快速计算方法，并通过与ABAQUS计算结果的对比验证了所提理论推导的正确性。在此基础上，随机生成6 728组不同竖向模量、模量比、层间滑移系数以及结构层厚度的路面结构，计算其在FWD脉冲荷载作用下的表面位移响应，并应用BP神经网络以及实数编码的多种群遗传算法反演路面结构参数。研究结果表明：对BP神经网络而言，仅土基材料参数以及各结构层竖向模量的预测结果相对较为理想，其相关系数在0.75以上；较BP神经网络的预测结果，实数编码的多种群遗传算法对竖向模量的预测精度有了较大提高，相关系数基本达到0.95以上。但无论采用何种反演方法，对模量比以及层底滑移系数的预测效果均不理想。综上所述，所提出的解析解以及计算方法具有较高的计算精度以及较好的数值稳定性，能够实现路面结构力学响应的快速计算；同时，在进行路面参数反演计算时，应考虑路面结构的层间不完全连续状态以及材料的横观各向同性；而仅依靠路表弯沉数据进行参数反演的结果并不理想，有必要对现有检测技术进行相关改进。     

BP和RBF神经网络在边坡稳定性评估中的比较研究

通过实例分析,对BP神经网络和RBF神经网络在边坡稳定性评估中的应用进行了比较研究,结果表明,BP神经网络和RBF神经网络均能很好地对边坡稳定性进行评估,但RBF神经网络比BP神经网络的训练速度更快,效率更高,并且对于同样的精度要求,RBF神经网络对边坡稳定性的评估结果更加准确和适用。     

基于智能手机的路面平整度评价方法研究

以智能手机加速度信号为数据基础,从自主采集抗干扰能力和系统鲁棒性设计出发开发了手机加速度采集软件;利用数据校准、去噪、平滑等方法对加速度信号进行预处理,基于BP神经网络建立了加速度信号与路面平整度的关系模型,结果显示虽然BP神经网络模型的预测结果有一定的跳跃性,但体现出一定的预测精度,平均预测误差为9.75%,能较准确地反映加速度数值与国际平整度指数IRI的关系,可用于路面平整度评价。     

基于PSO-BP优化MPC的无人驾驶汽车路径跟踪控制研究

针对模型预测控制（MPC）路径跟踪控制器在不同路面附着系数及车速下跟踪误差大的问题，提出了基于粒子群寻优（PSO）-反向传播（BP）神经网络优化MPC的无人驾驶汽车路径跟踪控制策略。首先，设计了MPC路径跟踪控制器；其次，利用PSO-BP对MPC进行优化，以控制器精度和车辆稳定性作为评价函数，获得PSO离线最优时域参数；最后，选择4种工况进行双移线跟踪对比仿真验证。结果表明：所提出的控制策略在保证行驶稳定性的条件下，低路面附着系数低速、高路面附着系数低速、高路面附着系数高速及中路面附着系数中速工况下双移线跟踪横向控制精度分别提高了50%、55%、9%和20%。