基于概率網(wǎng)絡(luò)的路基質(zhì)量監(jiān)測方法

江國訓(xùn) 唐永生

（邯鄲市市政工程公司，河北 邯鄲 056002）

城市道路是城市建設(shè)的重要組成部分，關(guān)系到城市經(jīng)濟發(fā)展和城市居民的日常生活。但是城市道路因使用頻率高、使用密度大，經(jīng)常會出現(xiàn)破損、塌陷、無法正常使用的問題。城市道路最主要的安全問題多由路基狀態(tài)的改變引發(fā)。城市道路路基經(jīng)常出現(xiàn)的狀態(tài)改變包口、道路路基發(fā)生明顯變形、道路路基被水沖毀垮塌以及道路路基出現(xiàn)不均勻沉降[1]。造成路基狀態(tài)改變的原因也有很多，大致可以分為自然因素和人為因素兩大類。自然因素一般是由不可抗力引起的，如地震、海嘯、洪水等自然地質(zhì)災(zāi)害[2]。人為因素包括三個階段，第一個階段是在路基設(shè)計階段，設(shè)計人員的經(jīng)驗不足且對周邊因素考慮不夠充分，引起設(shè)計問題；第二個階段是在路基施工階段，施工人員施工作業(yè)不到位，或者選用的材料不合規(guī)范等；第三個階段是在路基養(yǎng)護階段，在路基投入正常使用后沒有按規(guī)定及時進行維修和養(yǎng)護[3]。因為路基的質(zhì)量問題包括多種類型，形成的原因也有很多方面，都在一定程度上符合概率理論。為此，該文提出了一種基于概率神經(jīng)網(wǎng)絡(luò)的監(jiān)測方法，用于道路路基的質(zhì)量監(jiān)測。

1 概率神經(jīng)網(wǎng)絡(luò)及分析原理

對未知因果關(guān)系的分析問題，一般可以通過模式識別、機器學(xué)習(xí)一類的方法加以解決。如果因果關(guān)系比較簡單，一般采用線性學(xué)習(xí)機制就可以完成。但是對因果關(guān)系比較復(fù)雜的問題，其中必然含有非線性機制，運用非線性學(xué)習(xí)是理論上最合理的。但是非線性學(xué)習(xí)過程難于構(gòu)建，非線性算法也難于解算，如果能夠用線性學(xué)習(xí)機制實現(xiàn)非線性學(xué)習(xí)過程，將大大提高未知復(fù)雜因果關(guān)系解算的便利程度。概率神經(jīng)網(wǎng)絡(luò)就是這樣一種方法。

在概率神經(jīng)網(wǎng)絡(luò)出現(xiàn)以前，貝葉斯算法和核密度估計算法已經(jīng)表現(xiàn)出精度和速度方面的優(yōu)勢，概率神經(jīng)網(wǎng)絡(luò)是在上述兩種算法之上建立起來的，因此具有更大的優(yōu)勢。

例如，如果要區(qū)分道路路基到底出現(xiàn)了何種質(zhì)量問題，目前備選的結(jié)果有兩種：第一種路基質(zhì)量問題用θA表示，第二種路基質(zhì)量問題用θB表示，參與判斷的樣本數(shù)據(jù)集合形成一個n維向量X，那么通過概率進行質(zhì)量問題類別選擇的依據(jù)如公式（1）所示。

式中：lA為第一種路基質(zhì)量問題發(fā)生樣本的代價參數(shù)；lB為第二種路基質(zhì)量問題發(fā)生樣本的代價參數(shù)；fA為第一種路基質(zhì)量問題發(fā)生的概率密度函數(shù)；fB為第二種路基質(zhì)量問題發(fā)生的概率密度函數(shù)；hA為第一種路基質(zhì)量問題發(fā)生的先驗概率；hB為第二種路基質(zhì)量問題發(fā)生的先驗概率，二者的計算如公式（2）、公式（3）所示。

式中：NA為第一種路基質(zhì)量問題發(fā)生的樣本數(shù)量；NB為第二種路基質(zhì)量問題發(fā)生的樣本數(shù)量。

由此可以得到核密度估計函數(shù)，形式如公式（4）所示。

式中：m為參與計算的樣本的數(shù)量；δ為計算過程的平滑參數(shù)；Xai為第i個參與訓(xùn)練的向量。

一個概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1 所示。

從圖1 可以看出，一個概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)一般分為四個層次，分別為輸入層、模式層、求和層和輸出層。對應(yīng)于該文的道路路基質(zhì)量監(jiān)測問題，輸入層配置了五個因素，分別為溫度因素、濕度因素、應(yīng)變因素、壓力因素和沉降因素，在圖1 中分別用x1，x2，…，x5表示。模式層表示的是輸入各個要素和數(shù)據(jù)庫中確定類別的對應(yīng)關(guān)系，因為可能的關(guān)系比較復(fù)雜，所以給模式層配置了120 個單元，分別用?1、?2，…，?120表示。求和層用于可能類別的累加概率計算，對應(yīng)于該文的道路路基質(zhì)量監(jiān)測問題，類別配置了六種常見情況，分別為路基滑坡?lián)p壞、路基坡面損壞、路基崩塌損壞、路基沉降損壞、路基沖水損壞和路基裂縫損壞，在圖1 中分別用f1，…，f6表示。輸出層就是經(jīng)過概率網(wǎng)絡(luò)計算形成的最終路基質(zhì)量問題類型的判別結(jié)果，在圖1 中用y表示。

圖1 一個概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

2 基于概率網(wǎng)絡(luò)的路基監(jiān)測方法

為了將圖1 所示的概率神經(jīng)網(wǎng)絡(luò)應(yīng)用于城市道路路基質(zhì)量的監(jiān)測，進一步明確該文方法的構(gòu)建過程，先要形成道路路基質(zhì)量監(jiān)測參數(shù)和概率神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確對應(yīng)，這些監(jiān)測參數(shù)應(yīng)該與概率神經(jīng)網(wǎng)絡(luò)的輸入完全一致。在圖1 中，概率神經(jīng)網(wǎng)絡(luò)的輸入包括五個元素，對應(yīng)于道路路基的溫度因素、濕度因素、應(yīng)變因素、壓力因素、沉降因素。這些參數(shù)需要在道路測試段的路基上配置對應(yīng)的傳感器，即溫度傳感器、濕度傳感器、應(yīng)變傳感器、壓力傳感器和沉降距離傳感器。

根據(jù)這些傳感器的測量可以得到概率神經(jīng)網(wǎng)絡(luò)的輸入向量，如公式（5）所示。

對應(yīng)于每個輸入元素，分別配置30 組樣本，這樣一共得到150 組樣本。在執(zhí)行過程中，將以前120 組樣本作為訓(xùn)練數(shù)據(jù)，以后30 組樣本作為測試數(shù)據(jù)。

這里需要注意的是，道路路基的測量傳感器種類一定要和概率神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元數(shù)量一一對應(yīng)，如果二者數(shù)量不對等，概率神經(jīng)網(wǎng)絡(luò)將無法正常啟動。處理完輸入以后，按照下面的流程進行道路路基質(zhì)量的訓(xùn)練和測試，如圖2 所示。

從圖2 可以看出，該文構(gòu)建的基于概率網(wǎng)絡(luò)的路基監(jiān)測流程一共分為7 個步驟。第一個步驟，進行各監(jiān)測參數(shù)的樣本輸入；第二個步驟，對量綱和單位不同的輸入樣本進行歸一化處理，以便于后續(xù)的使用；第三個步驟，構(gòu)建概率神經(jīng)網(wǎng)絡(luò)，合理配置各層神經(jīng)元的數(shù)量和概率神經(jīng)網(wǎng)絡(luò)的各個參數(shù)；第四個步驟，對已經(jīng)構(gòu)建好的概率神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，使其中各個參數(shù)的優(yōu)化趨于合理；第五個步驟，根據(jù)訓(xùn)練終止條件判斷概率神經(jīng)網(wǎng)絡(luò)是否達成穩(wěn)定狀態(tài)，達成穩(wěn)定狀態(tài)的概率神經(jīng)網(wǎng)絡(luò)可以用于進一步的測試和處理；第六個步驟，選擇另一部分樣本數(shù)據(jù)進行測試，測試結(jié)果確認(rèn)概率神經(jīng)網(wǎng)絡(luò)沒有問題，可以用于最后的使用；第七個步驟，根據(jù)已經(jīng)構(gòu)建和測試好的概率神經(jīng)網(wǎng)絡(luò)，對要監(jiān)測的路基進行質(zhì)量判斷。

圖2 基于概率網(wǎng)絡(luò)的路基監(jiān)測流程

按照上述流程，在概率神經(jīng)網(wǎng)絡(luò)創(chuàng)建過程中，輸入層和模式層之間的關(guān)系如公式（6）所示。

式中：Wi為輸入層和模式層之間的連接權(quán)重；δ為概率網(wǎng)絡(luò)中具有平滑性能的參數(shù)。

在路基質(zhì)量監(jiān)測的過程中，一共使用了溫度傳感器、濕度傳感器、應(yīng)變傳感器、壓力傳感器、沉降距離傳感器五類傳感器。這些傳感器測量的物理量不同，測量方式不同，產(chǎn)生的測量結(jié)果無論在數(shù)值幅度、量綱等方面都存在較大的差異。為了消除這種差異在概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的影響，需要對其進行歸一化處理，如公式（7）所示。

式中：x為原始值；xmax為此類數(shù)據(jù)樣本中的最大值；xmin為此類數(shù)據(jù)樣本中的最小值；x'為歸一化后的新值。

按照上述方法，對部分樣本數(shù)據(jù)進行歸一化處理的結(jié)果，見表1。

表1 部分樣本數(shù)據(jù)的歸一化結(jié)果

3 基于概率網(wǎng)絡(luò)的路基質(zhì)量監(jiān)測試驗

為了驗證該文方法的有效性，運用該文提出的基于概率神經(jīng)網(wǎng)絡(luò)的監(jiān)測方法對路基六種質(zhì)量問題進行監(jiān)測，結(jié)果見表2。

表2 路基六種質(zhì)量問題的監(jiān)測結(jié)果

從表2 的結(jié)果中可以看出，該文提出的基于概率神經(jīng)網(wǎng)絡(luò)的方法對路基質(zhì)量的六類問題全部實現(xiàn)了正確監(jiān)測。

為了實現(xiàn)和該文方法監(jiān)測效果的橫向比對，進一步選擇遺傳算法和支持向量機算法作為參照方法，同時采用三種方法對城市道路路基進行質(zhì)量監(jiān)測。監(jiān)測過程中，通過多監(jiān)測節(jié)點設(shè)置，一共采集了800 組測試樣本。試驗過程中，從100 組測試樣本開始逐步增加到800 組測試樣本，比較三種方法獲得的道路路基質(zhì)量監(jiān)測結(jié)果的準(zhǔn)確性，結(jié)果如圖3 所示。

如圖3 所示，橫坐標(biāo)代表了樣本數(shù)量，分別設(shè)定為100組測試樣本、200 組測試樣本、300 組測試樣本、400 組測試樣本、500 組測試樣本、600 組測試樣本、700 組測試樣本、800 組測試樣本；縱坐標(biāo)代表了監(jiān)測準(zhǔn)確率，分別設(shè)定為100%、90%、80%、70%、60%、50%、40%。圖3 中的黑色粗實線代表了該文方法的監(jiān)測準(zhǔn)確率變化曲線，黑色粗虛線代表了遺傳算法的監(jiān)測準(zhǔn)確率變化曲線，黑色粗點線代表了支持向量機算法的監(jiān)測準(zhǔn)確率變化曲線。

圖3 三種方法道路路基質(zhì)量監(jiān)測準(zhǔn)確率的對比

從圖3 可以看出，隨著樣本數(shù)量的增加，該文方法監(jiān)測準(zhǔn)確率雖有輕微下降，但下降幅度非常小，并且?guī)в幸欢ǖ牟▌印＿@表明，在樣本數(shù)量不斷改變的情況下，該文方法一直保持了較高的對道路路基質(zhì)量監(jiān)測的準(zhǔn)確性。與該文方法相比，遺傳算法、支持向量機算法所獲得的道路路基監(jiān)測準(zhǔn)確率隨樣本數(shù)量的增加都有了明顯下降。兩種算法在100 組樣本數(shù)據(jù)情況下監(jiān)測準(zhǔn)確率能夠達到90%以上。當(dāng)樣本數(shù)量增加到800 時，兩種算法的監(jiān)測準(zhǔn)確率已經(jīng)下降到50%以下。上述結(jié)果充分表明，該文方法更適合于城市道路路基質(zhì)量的監(jiān)測。

4 結(jié)論

道路路基質(zhì)量監(jiān)測是城市市政工作中非常重要的內(nèi)容。該文在概率神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上構(gòu)建了一種新的路基質(zhì)量監(jiān)測方法。在概率網(wǎng)絡(luò)的輸入層，該文設(shè)置了溫度因素、濕度因素、應(yīng)變因素、壓力因素、沉降因素5 個輸入神經(jīng)元。在概率網(wǎng)絡(luò)的模式層，設(shè)置了120 個神經(jīng)元用于學(xué)習(xí)和訓(xùn)練，最大限度地解決了監(jiān)測過程中的復(fù)雜性。在概率網(wǎng)絡(luò)的求和層，根據(jù)實際情況設(shè)置了路基滑坡?lián)p壞、路基坡面損壞、路基崩塌損壞、路基沉降損壞、路基沖水損壞、路基裂縫損壞6 種概率累積。試驗結(jié)果表明，該文方法對全部可能的6 種路基質(zhì)量問題都能實現(xiàn)正確的監(jiān)測。同時，該文方法的監(jiān)測準(zhǔn)確率要明顯高于遺傳算法和支持向量機算法，即便樣本數(shù)量有較大增加也會保持穩(wěn)定。