论文部分内容阅读
摘 要：在选择BP网络层数时一般较为困难，同时对神经元个数亦很难确定，普遍看来，二者需反映进行训练的所有输入数据。而实际情况中，BP网络层数较多，将会增加训练时的运算量。当网络层数和神经元个数恰好反映输入数据时将会效果显著。本文针对基于BP网络的汽车动态称重数据处理的相关方法进行的探究与讨论。
关键词：BP网络；汽车动态称重；数据处理
车辆动态称重主要应用在连续称重的情况中，对超载运输以及物流仓储方面的控制力度较大。车辆称重的技术特点在实际工作中反映较为明显，其工艺要求也较高，在动态称重过程中，对位移信号阶跃的确定将会反映出最大超调量与车重之间的函数关系，基于BP网络的汽车动态称重数据，将在系统学习和训练之后预测称重过程中车辆的静态重量。大量研究显示，动态称重法在处理车辆动态称重系统的精确度方面效果显著且有良好的实用性。
一、动态称重
动态称重是一种新兴的数据处理方法，在智能交通系统方面起着重要作用。在测量汽车轴载方面较为精确和灵敏，同时对于公路运营、管理以及养护建设方面都有着促进作用，将会提高公路养护建设效率。汽车驶过称重台时会受到各方面的影响，并不能直接称出实际的轴重，汽车驶出的速度以及产生的谐振、路面的摩擦力和汽车轮胎本身的驱动力都将会对汽车称重数据产生一定的影响，从而给实际的轴重信号带来干扰，不能有效的进行分析，即不能很好的完成工作，工作效率无法提高。当前，对这些影响因素的处理上，大多选择单个数据波形来完成特征值提出、获取轴重数据的办法，例如改进型的平滑滤波法和均值方法等，但是由于这些方法在计算轴重时对车型的要求较高，所以在实际工作中适用性不高。而基于BP网络的汽车动态称重数据处理方法因BP网络的特性，能够在数据输入和输出之间的完成非线性映射，从而对汽车轴重的实际数据提供了有利条件。若训练样本齐全，将能在期望中的非线性映射上精确的表现出来。
二、BP网络
BP网络的实现需要依据一定的算法，基本BP算法主要是从信号前向传播与误差反向传播等两个方面实现。实质上是指对实际数据输出的测量上，将依照输入到输出的方向，而在对权值与阀值进行修正工作时，将依照输出到输入的顺序。下图1为BP网络结构图。
图 1 BP网络结构图
在误差函数为Ek=（wk-w）2，依据相关的数据进行计算出全局误差值，从而对车辆轴重上能够准确的得出数据。由于阀值较为特殊，在处理计算时将暂时不将阀值考虑在内，进而进行单元计算，以便得出实际输出值。在误差逆传播时，也就是BP网络信息的前向传播过程，在进行单元计算时获取误差值。而在权值修正方面将根据梯度下降原则进行分析权值的变化规律，以便能够获得中间层与输出层之间的学习因子。
三、BP网络输入
在BP网络输入方面，选择良好的输入量在网络数据处理方面影响力较强。选择BP网络输入量需依据一个原则，即输入量的包含范围要大，能够以不同角度呈现出数据的特征。基于BP网络，对汽车动态称重数据进行相关处理时需慎重，不能随意选择一个数据进行，符合要求的数据将能真实反映汽车轴重。在BP网络之前，可先根据需要，对轴重信号的获取上进行一些预处理操作，可采用均值法对汽车上下称台点时的轴重计算出一种均值，这个数据将能观察出轴重平坦区的情况，进而可选取为BP网络的输入数据。若是在相关实验中，无法找到平坦区，可进行另外数据的选取，例如峰值，峰值也能选用为特征参数。同时，轴重波形跟车速也有关联，相同的车辆，尽管静态载重一样，当车辆不同车速进入称重台时获取的轴重信号也将不一样，这表明车速将会对实际轴重的数据有影响。因而，可在BP网络输入数据的选择上采用均值、峰值以及车速，当网络输出数据的采用上可选择静态轴重。
四、实验经过及结果
在进行实验时，选取两辆汽车，一辆车重是2.1吨的皮卡车，车速分别采取11km/h，16km/h和21km/h，共得数据120组，另一辆车重是6吨的普通卡车，在有砝码的加重下，以11km/h，17km/h和21km/h的车速取得数据33组。其中，静态轴重数据分别与之一一对应。对两组数据先作一下预处理以便算出每组数据的均值、峰值和车速，将这些数据标注为特征量。最后，以不同的车速和车重特征值数据库中，选取一部分特征值作为BP网络的输入数据，BP网络的输出则是相应的静态轴重数据。
实验一中对皮卡车的三种速度分别随机选取30组特征值，成为BP网络输入数据，静态轴重数据仍为输出数据，剩下30组数据则是当做检验作用进行处理。BP网络可采取一个隐层层数，其神经元可选取11个，而训练不熟则为120，其误差是0.00001，通过训练得出的网络检验显示，30个轴重输出与静态轴重之间的相对误差均低于1%，采用均值法得到的误差较为显著，分别为3.5%和11.2%。
实验二中对普通卡车的33组特征进行选取，可随机选择26组进行训练步数，其余的7组作为参照值。BP网络同样是用一个隐层层数，其神经元为14个，训练步数为120，训练误差是0.00001，通过训练得出的网络检验显示，7组轴重输出与静态轴重之间的相对误差均低于1%，采用均值法得到的误差分别是13.5%和16.2%。
实验一与实验二实验结果显示，BP网络将具备良好的测量能力，在实际情况下，取得汽车车型和轴重数据，并采用BP网络进行训练，此时，得出的数据将会具有较高的精确度。由于BP网络通过大量实验，以不同数据训练得出相关结果，因而在应用BP网络时需保证被测数据保留原训练数据特征，以确保实验结果的正确率较高。
结束语
综上所述，汽车动态称重系统基于BP网络，在处理复杂问题时将会有显著性效果。在上述两个实验中表明同类型的车在训练时将会保障BP网络数据的较高精确度，而与之相对的不同车型数据进行训练将会侧重输入特征值的选取上，因此凭借车型识别技术，两项技术结合将能更好的保证轴重数据的精确度。
参考文献
[1]熊少康，王凌川，章家岩，郭许林，冯旭刚.基于BP神经网络的车辆动态称重技术[J].安徽工业大学学报（自然科学版），2014，01：76-79.
[2]张丽妹，高占宝，尹志兵.基于等效系统的动态称重数据处理[J].测控技術，2013，06：33-35+43.
[3]常全伟，张元，余章明.BP神经网络在汽车动态称重中的应用[J].电子质量，2011，05：37-40.
[4]黄旭伟，胡敏.车载动态称重系统分析与设计[J].机械制造与自动化，2011，04：150-152+164.
关键词：BP网络；汽车动态称重；数据处理
车辆动态称重主要应用在连续称重的情况中，对超载运输以及物流仓储方面的控制力度较大。车辆称重的技术特点在实际工作中反映较为明显，其工艺要求也较高，在动态称重过程中，对位移信号阶跃的确定将会反映出最大超调量与车重之间的函数关系，基于BP网络的汽车动态称重数据，将在系统学习和训练之后预测称重过程中车辆的静态重量。大量研究显示，动态称重法在处理车辆动态称重系统的精确度方面效果显著且有良好的实用性。
一、动态称重
动态称重是一种新兴的数据处理方法，在智能交通系统方面起着重要作用。在测量汽车轴载方面较为精确和灵敏，同时对于公路运营、管理以及养护建设方面都有着促进作用，将会提高公路养护建设效率。汽车驶过称重台时会受到各方面的影响，并不能直接称出实际的轴重，汽车驶出的速度以及产生的谐振、路面的摩擦力和汽车轮胎本身的驱动力都将会对汽车称重数据产生一定的影响，从而给实际的轴重信号带来干扰，不能有效的进行分析，即不能很好的完成工作，工作效率无法提高。当前，对这些影响因素的处理上，大多选择单个数据波形来完成特征值提出、获取轴重数据的办法，例如改进型的平滑滤波法和均值方法等，但是由于这些方法在计算轴重时对车型的要求较高，所以在实际工作中适用性不高。而基于BP网络的汽车动态称重数据处理方法因BP网络的特性，能够在数据输入和输出之间的完成非线性映射，从而对汽车轴重的实际数据提供了有利条件。若训练样本齐全，将能在期望中的非线性映射上精确的表现出来。
二、BP网络
BP网络的实现需要依据一定的算法，基本BP算法主要是从信号前向传播与误差反向传播等两个方面实现。实质上是指对实际数据输出的测量上，将依照输入到输出的方向，而在对权值与阀值进行修正工作时，将依照输出到输入的顺序。下图1为BP网络结构图。
图 1 BP网络结构图
在误差函数为Ek=（wk-w）2，依据相关的数据进行计算出全局误差值，从而对车辆轴重上能够准确的得出数据。由于阀值较为特殊，在处理计算时将暂时不将阀值考虑在内，进而进行单元计算，以便得出实际输出值。在误差逆传播时，也就是BP网络信息的前向传播过程，在进行单元计算时获取误差值。而在权值修正方面将根据梯度下降原则进行分析权值的变化规律，以便能够获得中间层与输出层之间的学习因子。
三、BP网络输入
在BP网络输入方面，选择良好的输入量在网络数据处理方面影响力较强。选择BP网络输入量需依据一个原则，即输入量的包含范围要大，能够以不同角度呈现出数据的特征。基于BP网络，对汽车动态称重数据进行相关处理时需慎重，不能随意选择一个数据进行，符合要求的数据将能真实反映汽车轴重。在BP网络之前，可先根据需要，对轴重信号的获取上进行一些预处理操作，可采用均值法对汽车上下称台点时的轴重计算出一种均值，这个数据将能观察出轴重平坦区的情况，进而可选取为BP网络的输入数据。若是在相关实验中，无法找到平坦区，可进行另外数据的选取，例如峰值，峰值也能选用为特征参数。同时，轴重波形跟车速也有关联，相同的车辆，尽管静态载重一样，当车辆不同车速进入称重台时获取的轴重信号也将不一样，这表明车速将会对实际轴重的数据有影响。因而，可在BP网络输入数据的选择上采用均值、峰值以及车速，当网络输出数据的采用上可选择静态轴重。
四、实验经过及结果
在进行实验时，选取两辆汽车，一辆车重是2.1吨的皮卡车，车速分别采取11km/h，16km/h和21km/h，共得数据120组，另一辆车重是6吨的普通卡车，在有砝码的加重下，以11km/h，17km/h和21km/h的车速取得数据33组。其中，静态轴重数据分别与之一一对应。对两组数据先作一下预处理以便算出每组数据的均值、峰值和车速，将这些数据标注为特征量。最后，以不同的车速和车重特征值数据库中，选取一部分特征值作为BP网络的输入数据，BP网络的输出则是相应的静态轴重数据。
实验一中对皮卡车的三种速度分别随机选取30组特征值，成为BP网络输入数据，静态轴重数据仍为输出数据，剩下30组数据则是当做检验作用进行处理。BP网络可采取一个隐层层数，其神经元可选取11个，而训练不熟则为120，其误差是0.00001，通过训练得出的网络检验显示，30个轴重输出与静态轴重之间的相对误差均低于1%，采用均值法得到的误差较为显著，分别为3.5%和11.2%。
实验二中对普通卡车的33组特征进行选取，可随机选择26组进行训练步数，其余的7组作为参照值。BP网络同样是用一个隐层层数，其神经元为14个，训练步数为120，训练误差是0.00001，通过训练得出的网络检验显示，7组轴重输出与静态轴重之间的相对误差均低于1%，采用均值法得到的误差分别是13.5%和16.2%。
实验一与实验二实验结果显示，BP网络将具备良好的测量能力，在实际情况下，取得汽车车型和轴重数据，并采用BP网络进行训练，此时，得出的数据将会具有较高的精确度。由于BP网络通过大量实验，以不同数据训练得出相关结果，因而在应用BP网络时需保证被测数据保留原训练数据特征，以确保实验结果的正确率较高。
结束语
综上所述，汽车动态称重系统基于BP网络，在处理复杂问题时将会有显著性效果。在上述两个实验中表明同类型的车在训练时将会保障BP网络数据的较高精确度，而与之相对的不同车型数据进行训练将会侧重输入特征值的选取上，因此凭借车型识别技术，两项技术结合将能更好的保证轴重数据的精确度。
参考文献
[1]熊少康，王凌川，章家岩，郭许林，冯旭刚.基于BP神经网络的车辆动态称重技术[J].安徽工业大学学报（自然科学版），2014，01：76-79.
[2]张丽妹，高占宝，尹志兵.基于等效系统的动态称重数据处理[J].测控技術，2013，06：33-35+43.
[3]常全伟，张元，余章明.BP神经网络在汽车动态称重中的应用[J].电子质量，2011，05：37-40.
[4]黄旭伟，胡敏.车载动态称重系统分析与设计[J].机械制造与自动化，2011，04：150-152+164.