神经网络算法在公路动态称重中的应用

公路动态称重，即汽车在非停车的运动状态下的称重，与停车状态下的静态称重相比，其主要特点是节省时间，效率高，使得称重时不至于造成对正常交通的干扰。

公路动态称重是加强公路超限运输、强制实施超限法规等管理现代化、科学化的技术条件。

公路动态称重系统的研究对于保护公路的正常使用有着重要的经济意义和社会价值。

就公路动态称重系统而言，动态称重的精度是最重要的性能指标，它标志着公路动态称重系统的技术水平的高低。

目前的动态称重系统由于仅对采集的信号作简单的处理，缺乏对干扰因素以及之间的关系做深一层的处理，所以系统的精度难以得到很大的提高。

鉴于影响动态称重的干扰因素很多，而且这些因素之间不存在确切的函数关系，用传统的数学方法很难分析这些干扰因素之间的关系。

而人工神经网络在处理非线性的、复杂的问题方面有其独特的优势。

１神经网络算法概述
汽车的车型分类很复杂，每种车型都有自己不同的构造，而且行驶时轮胎与公路的作用力方式有可能不一样，车身自己的振动频率以及强度都不可一概而论，而以前的处理方法都是建立在统一的标准之上的，忽略了不同车型以及不同传感器之间的差异，所以当车型与传感器类型发生变化时，算法不能适应这种变化，导致测量误差的增大。

神经网络算法有比较好的适应性，只要是训练的样本足够多，这种算法的综合精度会达到比较高的水平。

多层前向神经网络（ＭｕｌｔｉｌａｙｅｒＦｅｅｄｆｏｒｗａｒｄＮｅｔｗｏｒｋ，ＭＦＮ）是目前应用最为广泛的神经网络模型之一，网络的结构见图１。

其神经结点分层排列，包含一个输入层、隐层（一层或多层）和一个输出层，每层节点只接收前层神经节点的输出信号。

隐含层的变换函数一般为非线性函数，如Ｓ型函数或双曲线型正切函数。

输入层的变换函数可以是非线性的，也可以是线性的，这由输入、输出的映射关系的需要而定。

多层前向网络能逼近任意非线性函数，在科学技术领域中有着广泛的应用。

多层前向神经网络需要解决的关键问题是学习算法。

学习算法是神经网络的主要特征，也是当前研究的主要课题。

学习的概念来自生物模型，它是生物机体在复杂多变的环境中进行有效的自我调节。

神经网络若想改变其输出值，但又不能改变其转换函数，只能改变其输入值，而改变输入的唯一办法只能修改加在输入端的加权系数。

因而神经网络的学习过程是修改加权系数的过程，最终使输出达到期望值，学习结束。

误差反向传播算法（ＢＰ算法）和径向基函数算法（ＲＢＦ算法）是前向神经网络中的典型算法。

ＢＰ算法的基本思想为最小二乘学习算法。

它采用梯度搜索技术以使网络的实际输出与期望输出值的误差均方值为最小。

这是一种可以避免统计平均的递推算法。

虽然，这种算法不能界定保证收敛的步幅范围，但是它能给每一步调整的正确方向。

它的学习过程是一种误差边向后传播边修整加权系数的过程，它包括了正向传播和反向传播两个阶段。

在正向传播过程中，输入信息从输入层经隐含层逐层处理并传向输出层，每一层的神经元的状态只影响下一层神经元的状态。

如果在输出层不能得到期望输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的加权系数，使误差最小。

ＲＢＦ算法是以函数逼近理论为基础而构造的一类前向网络，这类网络的学习等价于在多维空间中寻找训练数据的最佳拟合平面。

径向基函数网络的每个隐层神经元传递函数都构成了拟合平面的一个基函数，网络也由此得名。

径向基函数网络是一种局部逼近网络，即对于输入空间的某一个局部区域只存在少数的神经元用于决定网络的输出，所以径向基函数神经网络一般规模比ＢＰ网络要大。

２本设计中神经网络的具体结构
将神经网络用于汽车动态称重首先首先要确定神经网络的输入有几部分组成，因为神经网络的输出就是汽车的轴重，所以输入的选择要是信号中与汽车的轴重关系密切又能充分反映信号特征的点。

根据这个思想我们最终选择了４个信号特征作为输入。

２．１速度
速度是指汽车经过秤台时的平均速度，根据实验的结果来看，汽车轴重信号与汽车的速度有一定关联，因为汽车自身的振动在汽车速度不同时频率不一致，所以将速度作为输入变量。

２．２平均值
这里的平均值指的是当汽车经过秤台后的数据经过轴的分离、起始点与结束点的选取后对有效的数据进行平均算出的结果，该值可以说与最后的结果关联最为紧密，所以将其作为输入。

２．３最大值
实际采集到的有些数据波动比较大，而有些数据则波动比较小，这对最后结果影响也大，因此在输入端加入一个整个采样过程中最大值，对比平均值可以近似反映波形的波动程度，有利于神经网络的算法对权值的选取。

２．４车型
汽车的车型分类很复杂，每种车型都有自己不同的构造而且行驶时轮胎与公路的作用力方式有可能不一样，车身自己的振动频率以及强度都不可一概而论。

从采集到的波形图可以看出当汽车的车型改变时，信号的形状差别很大，所以将其作为输入。

神经网络算法在公路动态称重中的应用
苏良昱，岳从然
（许昌学院电气信息工程学院，河南许昌，４６１０００）
摘要：介绍了神经网络算法，并将其应用于汽车动态称重，通过实验对比了ＲＢＦ和
ＢＰ两种网络结构对轴重估计的影响，结果表明ＲＢＦ网络估计的实时性能优于ＢＰ网
络。

关键词：神经网络算法；动态称重；信号处理
中图分类号：Ｕ４９２．１＋２文献标识码：Ａ
图１前向神经网络结构
１３３
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
１住宅小区雨水利用的意义和作用
在加快建设节约型社会，提倡绿色建筑的大背景下，为缓解我国城
市水资源短缺的现状，非传统水源———雨水的开发与利用受到越来越多的重视。

住宅小区具有建筑规模相对较小、便于规划和改造、雨水径流污染较轻等特点，有利于进行雨水利用。

建设部即将出台的
《绿色建筑评价标准》不仅提供了绿色建筑的评价标准，更重要的是它响应国家“十一五”规划建设资源节约型环境友好型社会的要求，对建设绿色建筑有现
实指导意义，雨水利用正是其中
“节水和水资源利用”环节中非传统水源的开发和利用的重要组成部分。

自２００５年５月１日起实施的《北京市节约用水办法》中规定，住宅小区的景观环境用水和其他市政杂用用水，应当使用雨水或者再生水，不得使用自来水。

政府相关部门的介入，也极大地推动了住宅小区雨水利用的开展。

住宅小区雨水利用的作用主要体现在以下方面：雨水利用与小区的景观设计相结合，提供景观用水所消耗的水资源，提高水资源的利用率，缓解区域用水压力，改善小区的生态环境；住宅小区雨水资源就地利用，
住宅小区雨水利用系统的建立
张
炜１，刘
刚２，杜
焜１，王文刚３，裴惠敏４
（１．河北工程大学城市建设学院，河北邯郸，０５６０３８；２．中国核电工程有限公司，北京，１００８４０；
３．邯郸钢铁集团热力厂，河北邯郸，０５６０１５；４．邯郸县城区管理局，河北邯郸，０５６００１）
摘
要：住宅小区雨水利用不仅能节约水资源，改善小区生态环境，还能给开发商带来
可观的经济效益，因而备受关注。

阐述了住宅小区雨水利用系统的分类及建立原则，通过案例分析，介绍了雨水利用系统在住宅小区中的应用。

关键词：住宅小区；雨水利用系统；径流污染中图分类号：ＴＵ９８４．１
文献标识码：Ａ
３
ＢＰ和ＲＢＦ网络的比较
利用ＢＰ网络和ＲＢＦ网络分别对３种车辆的轴重信号进行处理，由数据比较可得出，ＲＢＦ网络最后检验的结果无论前后轴的最大误差，还是误差的均方差，都和ＢＰ网络差不多，主要的区别在于网络训练的时间不同，在实际网络训练过程中ＲＢＦ网络的训练速度远大于ＢＰ网络。

另外，ＢＰ网络存在着局部极值问题，每次训练的结果都不同，即用相同的训练样本多次训练网络模型时，可能每次得出的网络模型都不一样，用相同的检验样本检验时结果可能也不一样，所以要通过多次训练实验才能得到一个性能相对较好的网络模型，因此，模型训练花费的时间更长。

而ＲＢＦ网络不存在局部极值问题，相同的训练样本训练出来的模型是唯一的，网络只需训练一次即可。

随着样本数量和隐层神经元个数的增加，ＲＢＦ网络的优势就更加明显。

在隐层神经元个数的确定上，ＢＰ网络主要依靠经验和实验方法，通过多次试验才能得到一个比较好的网络模型。

同时，由于ＢＰ网络存在着局部极值问题，并不能保证多次试验得到的网络模型是最优的，增加了训练的难度。

与ＢＰ网络相比，ＲＢＦ网络隐层神经元的确定比较容易，根据回归树算法和训练样本规模，可以大致估算出隐层神经元的个数，在
Ｍａｔｌａｂ中只需人为初定一个最大神经元个数，经过２～３次的样本训练，就可得到一个好的网络模型。

而且，通过对隐层算法的合理选择，ＲＢＦ网络可以避免局部极值问题，在选定网络参数后，网络只需训练一次即可。

通过上述比较可以看出，在称重数据样本有限的情况下，ＢＰ网络和ＲＢＦ
网络在处理称重信号时效果差不多，两种网络都是可行的。

但是，随着样本规模的扩大，从网络模型训练所需花费的时间和隐层神经元个数的确
定上看，ＲＢＦ网络比ＢＰ网络更为有效、实用。

４结语
本文利用神经网络良好的非线性映射能力，选用ＢＰ网络和ＲＢＦ网
络来处理动态称重信号。

结合轴重信号的特点，选取速度、平均值、最大值和轴距作为网络输入量，通过实际轴重信号试验验证了神经网络方法的有效性，对比了两种网络的特点，结果表明ＲＢＦ网络估计的实时性能优于ＢＰ网络。

参考文献
［１］
史超．高精度高速动态称重系统的发展机遇［Ｊ］．衡器，２００３，３２（６）：７－８．［２］施昌彦．动态称重测力技术的现状和发展动向［Ｊ］．计量与测试技术，２０００（１）：１８－２０
［３］
焦李成．神经网络系统理论［Ｍ］．西安：西安电子科技大学出版社，１９９０．［４］
高隽．人工神经网络原理及仿真实例［Ｍ］．北京：机械工业出版社，
２００３．
（责任编辑：薛培荣）
───────────────
第一作者简介：苏良昱，男，１９７９年１月生，２００７年毕业于太原理工大学（硕士），助教，许昌学院电气信息工程学院，河南省许昌市，４６１０００．
ＴｈｅＡｐｐｌｉｃａｔｉｏｎｏｆＮｅｕｒａｌ－ＮｅｔＡｌｇｏｒｉｔｈｍｉｎＨｉｇｈｗａｙ’ｓＤｙｎａｍｉｃＷｅｉｇｈｉｎｇ
ＳＵＬｉａｎｇ－ｙｕ，ＹＵＥＣｏｎｇ－ｒａｎ
ＡＢＳＴＲＡＣＴ：Ｔｈｉｓｐａｐｅｒｉｎｔｒｏｄｕｃｅｓｔｈｅｎｅｕｒａｌ－ｎｅｔａｌｇｏｒｉｔｈｍ，ａｎｄａｐｐｌｉｅｓｉｔｉｎｔｏｄｙｎａｍｉｃｗｅｉｇｈｉｎｇｏｆａｕｔｏｍｏｂｉｌｅ，ｃｏｍｐａｒｅｓｔｈｅｉｎｆｌｕｅｎｃｅｓｏｆｔｗｏｎｅｔ－ｓｔｒｕｃｔｕｒｅｓｏｆＲＢＦａｎｄＢＦｏｎａｘｌｅｌｏａｄｅｓｔｉｍａｔｉｏｎｗｉｔｈｔｅｓｔｓ，ａｎｄｐｏｉｎｔｓｏｕｔｔｈａｔｔｈｅｒｅａｌ－ｔｉｍｅｐｅｒｆｏｒｍａｎｃｅｏｆＲＢＦｎｅｔｗｏｒｋｉｓｂｅｔｔｅｒｔｈａｎｔｈａｔｏｆＢＰｎｅｔｗｏｒｋｗｉｔｈｔｈｅｒｅｓｕｌｔｓ．ＫＥＹＷＯＲＤＳ：ｎｅｕｒａｌ－ｎｅｔａｌｇｏｒｉｔｈｍ；ｄｙｎａｍｉｃｗｅｉｇｈｉｎｇ；ｓｉｇｎａｌｐｒｏｃｅｓｓｉｎｇ
１３４。