人工神经网络在道路交通噪声预测中的应用

3现同时为浙江大学土木系博士生

人工神经网络

在道路交通噪声预测中的应用

张继萍3

(浙江省环科院,杭州　310007)

吴硕贤

(浙江大学建筑系,杭州　310027)

摘要　人工神经网络具有很强的预测功能.根据某公路交通噪声的实测数据,应用人工神经网络进行道路交通噪声的预测,经检验,计算值与实测值接近,从而为道路交通噪声的预测提供了一种新的途径.关键词　神经网络;交通噪声预测;反向传播算法.

1　引　言

道路交通噪声预测是目前国际上较活跃的环境声学研究课题.它对环境污染控制、管理、规划等方面均具有重要意义.迄今为止所提出的道路交通噪声预测方法,主要可归纳为两大类.一类是根据噪声产生与传播的物理原理所提出的理论计算预测方法[1,2].由于实际交通流和周边环境比较复杂,不一定符合理想的泊松流和自由声场或半自由声场条件,因此这类方法通常导致较为复杂的表达式,而且与实际条件仍有一定差距.另一类是根据数学统计分析方法所提出的预测方法[3,4],如应用回归分析得出的道路噪声预测公式.由于这类方法不需要物理机制上的具体信息,可应用于非泊松型的任意交通流和任意复杂的周边环境条件.但通常这类公式的应用有一定的局限性.显然,两类方法各有优缺点.还有一类方法,试图综合上述两类方法的优点[5,6],但因其表达式很复杂,尚不便于在实践中应用.所以目前上述两类预测方法在具体应用中各有其自身的价值.本文将应用新兴的人工神经网络来补充并发展后一类方法.

近年来,人工神经网络(简称神经网络)的研究相当活跃,已在模式识别、最优化计算、信息智能化处理、复杂控制和信号处理等方面得到广泛的应用[7].但在环境声学领域,包括道路交通噪声预测,则尚未见到有应用的先例.本文根据某公路交通噪声的实测数据,建立了神经网络预测道路交通噪声的模型.2　人工神经网络

神经网络是一种模仿生物神经系统功能的近似方法,由一群人工神经元通过不同的连接模式所构成.目前已发展出许多种神经网络[8].其中,以多层前传网最为成熟,应用也最为广泛.

多层前传网包括输入层、隐含层和输出层.隐含层可以是一层或多层.每层由若干个人工神经元组成,各层顺序连接,见图1.

设第k 层中第j 个神经元的输入为y (k -1)i (i =1,2,…,N k -1),输出为y (k )j .输出与输入的关系为:

第18卷第5期1998年9月

环　境　科　学　学　报

ACTA SCIEN TIA E CIRCUMSTAN TIA E

Vol.18,No.5Sept.,1998

y (k )j

=f

(k )j

[

6

N

k -1

i =1

w (k -1)

ij

y (k -1)

i

+θ(k )

j

](1)

(j =1,2,…,N k ;k =1,2,…,M )

式中,w (k -1)ij 为第k -1层中第i 个神经元到第k 层第j 个神经元的连接权值;θ(k )j 为对应神经

元的阈值;f (k )j (…

)为神经元的传递函数;N k 为第k 层神经元的数目;M 为总层数.图1　典型的人工神经网络

Fig.1　A typical artificial neural network 传递函数必须是准线性函数,连续可导,单调递升,可取为下述形式的挤压函数(Sigmoidal fun 2tion ):

f (x )=A /{1+exp [-(B ・x +θ

)]}(2)式中,x 为神经元的输入,θ为其阈值,A 、B 分别

为幅值和斜率调节参数.

网络应用梯度下降的原理,通过误差信号反向传播算法(简称BP 算法),对已知的输入、输出训练对的数据信号,自动学习内部的权值W ij 和阈值

θj 的表达

[9]

.训练好的多层前传网,具有预测模型的功能.

可将多层前传网看作一“黑箱”,将由实测获得的输入与输出数据作为样本送入“黑箱”中让其学习.各输入变量对输出变量的影响在对样本的学习过程中由“黑箱”自动记录下来.由于节点神经元传递函数是非线性的,因此“黑箱”也具有非线性.整个学习过程就是预测模型的建立过程,只要节点数和训练样本数足够多,“黑箱”便能

实现对任意输入的输出预测.3　道路交通噪声预测

按图1构造一个3层神经元前传网,输入列为具体道路各种类型车辆的车流量、车速和受声点离开道路距离,输出列为受声点处的等效连续声级L eq .输入节点、隐含节点、输出节点数分别为15、13、 1.

图2　测量断面示意图

Fig.2　Section plan of the measurement

网络训练学习样本和检验样本为国道320干线杭州至上海段K217+200处道路交通噪声实测数据.测量时,仪器采用4台国产红声HS6211型

环境噪声自动统计分析仪,在公路一侧展开,在分别距路肩垂直距离20、40、60、100m 处各设一个测点,同步进行.测量断面如图2所示.测量共分17个时段,每段20min 或10min ,参照

《城市环境噪声测量方法》

(G B3222282)和《城市区域环境噪声测量方法》

(G B/T14623293)中的有关交通噪声测量规范进行,同时记录各种类型车辆的车流量及其平均

274环 境 科 学 学 报

18卷

车速.车辆分成小轿车、小型车、中型卡车、大型卡车、大客车、摩托车和拖拉机等7项.每次采样结束后打印记录等效连续声级.由于车流量和车速随时间连续变化,按顺序将奇数次测量作为网络学习样本,用以训练神经网络;将偶数次测量作为网络检验样本,用以检验前传神经网络交通噪声预测模型.

图3　训练学习流程框图

Fig.3　Flow diagram of the training and learning

应用BP 算法训练上述构造的神经网络道路交通噪声预测模型.相应的网络训练流程见图3.具体步骤为:

(1)应用随机函数将网络各层节点神经元的

连接权和阈值初始化.

(2)从训练集内选取一个训练对,包括一个输入列y (0)j (j =1,2,…,15)和一个目标输出列

d 1.y (0)

1、y (0)

2…y (0

)

15依次表示实测时段内各车种

的车流量及其车速,以及测点离开道路的距离;d 1表示对应时段不同测点实测的等效连续声级.

(3)将选取的输入列作用于网络输入端,从

左向右逐层按(1)式和(2)式进行计算,得到网络

计算的输出列y (3)1.y (3)

1表示网络计算得出的等效连续声级.

(4)计算偏差值S =12

(d 1-y (3)1)2

.

(5)根据差值规则梯度下降原理,按下面计算式从右向左逐层对权连接和阈值进行修正(推导略,可参考文献[10]):

D (1)

=[f (3)1(…)]′・(d 1-y (3)

1

)D (2)

=[f (2)

j

(…)]′・61

i =1

D (1)

w (3)

ij D

(3)

=[f

(1)j

(…)]′・

6

13

i =1

D

(2)w (2)

ij

n o

(3)

w (k )ij (t +1)=w (k )ij (t )+αy (k -1)j D (4-k )

θ(k )(t +1)=θ(k )(t )+αD

(4-k )

(4)

式中,α为控制训练速率系数,其它同式(1)和式

(2);当k =1时,i =1,2,…,15,当k =2时,i =1,2,…,13,当k =3时,i =1.

(6)从训练集选取第2个训练对,重复以上(3)、(4)、(5)、(6)步骤,计算得到偏差值.(7)当训练集内所有训练对都使用过一次后,完成了一个训练周期,计算总偏差平方和:

S (1)=

635

m =1

[(d 1-

y (3)1)2

m /2]

3

745期张继萍等:人工神经网络在道路交通噪声预测中的应用