基于模糊感知器的路面性能预测方法

利用模糊感知器人工神经元网络尝试建立一个智能型路面性能预测模型，对神经网络原理和模型结构进行了系统的理论分析，给出了详细的算法，并以平整度历年调查资料为数据基础，对该模型进行了实例分析，证明了模型的理论与实际运用的可行性。该方法利用神经网络与模糊方法各自的优点，针对不同性能指标，建立对应的神经网络预测模型，来对今后的指标值进行预测，较好地解决了路面性能预测中的模糊性和不确定性。     

基于改进神经网络的水泥路面使用性能预测模型

为了克服传统水泥路面使用性能预测方法的缺陷和误差反向传播(BP)神经网络的不足,利用动量方法改进了BP神经网络收敛性,建立了水泥路面使用性能预测模型.采用广东水泥路面调查数据对模型进行了训练和验证,并对模型训练方法进行了优化.分析表明,该模型具有较好的实用性和预测精度.     

基于遗传算法的模糊优选神经网络路面性能评价模型

针对现有路面性能评价方法的不足,在模糊优选神经网络模型的基础上,引入遗传算法,建立了基于遗传算法的模糊优选神经网络的路面使用性能评价模型.该算法采用遗传算法优化神经网络权值,再用神经网络对遗传算法搜索到的近似最优解进行微调,并将模糊优选模型作为神经网络的激励函数,使模型具有明确的物理意义.应用该模型对沈大高速公路部分路段进行评价,与其他模型的对比分析表明:该方法在评价精度和效率方面取得了良好的效果,是一种实用的高速公路路面性能评价方法.     

路面性能模糊综合评价模型及应用研究

路面性能综合评价在路面科学管理中有着十分重要的作用，基于路面性能评价的实际需要，给出了一个路面性能模糊评价模型，通过对滁州市路面性能综合评价实际应用表明，该模型对提高路面养护的科学性取得了较明显的效果。     

改进的神经网络在路面结构参数设计中的应用

针对常规的路面模量反算算法复杂、运算速度慢的问题,为了克服传统神经网络的不足,文章利用改进的神经网络技术,对路面参数进行分析和预测,采用工程实践中某段路面施工状况FWD测量数据参数作为数据样本,通过样本训练,优化了路面结构参数值,扩大了应用范围,具有较强的实用性。     

融于图像多特征的路面裂缝智能化识别

路面裂缝形状不规则复杂程度高。传统路面裂缝识别技术需要对路面图像进行复杂预处理工作进行识别,不能自动化对路面裂缝图像进行分类。为提高对路面裂缝识别精度和效率,本文将基于深度学习方法提出一种自动识别路面裂缝并能减少图像预处理工作量的方法。首先,将原始图像切割为小样本图像,根据图像多特征进行分类,各选取相同类型样本2000张图像构建数据集;其次,利用双线性内插法对裁剪后图像进行上采样,凸显图像特征便于神经网络学习;最后,使用深度学习神经网络对训练样本进行特征提取训练模型。实验结果表明：ResNet101模型评估指标均优于其他深度学习模型和机器学习模型,模型测试精度达0.898,kappa系数为0.815。     

基于自适应神经模糊网络的路面识别技术

以路面识别为目的,利用自适应神经模糊网络(ANFIS)进行路面不平度激励时域估测研究. 首先建立车辆1/4模型运动微分方程,并使用白噪声信号激励车辆模型,利用激励产生的模型动力学响应进行自适应神经模糊系统训练. 之后对训练获得的逆向车辆动力学模型进行分析并利用随机路面激励产生的系统响应进行随机路面时域估测. 最后对自适应神经模糊网络系统隶属函数个数及输入数据组合进行分析比较. 仿真结果显示,自适应模糊神经网络系统能够以较高的精度完成路面时域估测.      

两种基于遗传算法的路面性能综合评价方法

分别采用遗传算法参数估计方法与遗传神经网络方法，并通过对实验数据进行的分析，建立了路面性能综合评价方法，在参数估计方法中，首先建立专家综合评价与道路实测数据之间的回归模型，通过对模型进行遗传算法参数优化，得到了相关度很高的结果。同时，还应用遗传神经建立主观综合评价和客观实测量数据之间的高度非线性关系，避免了BP网络的缺陷，结果表明，该模型具有很好的相关性，两种方法为路面管理系统路况分析，路面养护评价以及路面养护对策的排序提供了重要依据。     

高速公路小修保养工程量的预测模型

为了科学合理地预测高速公路小修保养工程数量,分析了影响高速公路小修保养工程量的主要因素,提出了基于Matlab的BP神经网络高速公路小修保养工程量预测方法;以沥青路面年小修保养工程量历史统计数据为样本,将路面质量等级评分值、路面使用性能指数、年均日交通量、年均日重车量、计算使用年限、年均降雨量、年平均温差、路面厚度、路面宽度确定为影响沥青路面小修保养工程量的量化指标,建立了预测沥青路面小修保养工程量的多元非线性模型;以调研路段沥青路面实际破损维修数量为样本,分别用BP神经网络模型和多元线性回归模型进行预测分析。研究结果表明：将预测结果与实际维修量数据进行比较,BP神经网络模型预测误差为5%,多元线性回归模型预测误差为14%,说明BP神经网络模型是预测高速公路沥青路面小修保养工程量的一种较为合理可行的方法。     

基于非线性有源自回归神经网络的路面不平度识别

针对传统方法在识别路面不平度时需要消耗大量的人力物力且识别精度不理想等问题,该文提出一种基于非线性有源自回归(NARX)神经网络识别路面不平度的方法。使用ADAMS软件建立某SUV车型的整车模型。以左前与右后悬架动挠度、车身绕质心俯仰角位移、车身绕质心侧倾角速度、左前与右后车轮垂直加速度以及车身质心垂直加速度共7个车辆响应的数据样本点作为NARX神经网络的输入,以对应的路面不平度作为NARX神经网络的输出,建立NARX神经网络模型。通过仿真得到相关系数为97.577%,均方根误差为0.003 7。另取A、B、C、D 4种不同等级路面下的车辆响应,带入训练好的NARX神经网络。结果表明,NARX神经网络对4种等级的路面识别的相关系数均在90%以上。     

应用遗传算法和LM优化的BP神经网络模型预测机场道面使用性能

分析了影响道面使用性能的各种参数,结合BP神经网络和遗传算法来预测机场道面使用性能.通过遗传算法全局寻优功能对神经网络的初始权值和阈值进行优化,然后采用LM(Levenberg-Marquardt)优化算法对神经网络训练速度进行加速,并且使训练避免陷入局部极小点.通过历年数据对神经网络进行训练,用所得神经网络模型对机场道面使用性能进行预测.训练结果表明,该方法具有足够的精度,能够应用到工程实际中.     

利用BP神经网络反算沥青路面结构层弹性模量的研究

 基于层状弹性理论,利用BP神经网络预测沥青路面结构层弹性模量。根据常用的路面结构形式,基于层状弹性理论构建路表弯沉值与结构层参数之间的数据库,并以此数据库建立沥青路面结构层弹性模量BP神经网络预测模型。对理论及实测弯沉盆进行结构层弹性模量预测效果检验,并对比分析计算弯沉盆与实测弯沉盆拟合程度。分析表明,建立的沥青路面结构层弹性模量BP神经网络模型具有较好的预测精度,为准确、快速地评价沥青路面结构层的使用状况提供了参考。     

应用人工神经网络预测路面使用性能

针对传统的路面使用性能预测方法存在的不足,应用人工神经网络理论,建立预估模型。经过理论分析与实际验证,这一方法是完全可行的。     

基于人工神经网络的沥青路面剩余寿命分析

路面整体结构性能评估是公路养护或重建决策优化的一项重要参考依据，一般情况下，如果路面的服务能力指数降到可接受水平以下，就有必要对当前整体性能(剩余寿命)进行评价，决定是否需要延长寿命或者进行重建设计，因此，利用人工神经网络(ANN)方法建立了沥青路面剩余寿命预测模型，由此程序可以由落锤弯沉仪(FWD)弯沉数据快速预估路面的剩余寿命，这种方法直观、准确，并且不需要反算模量，对于道路工作者的养护和补强罩面工作具有参考价值。     

基于灰色模糊聚类法的路网路面使用性能评价

以路网内各组成路段的路面性能评价指标灰色关联分析结果为基础,借鉴灰色关联分析在模糊聚类理论中的应用方法,建立了路网路面使用性能评价模型.确定了灰色相似关系矩阵,并利用最大树法,得到了基于不同水平的聚类结果形成的谱系图,较为合理地反映了路网路面基本性能和状况分布.     

基于车内噪声水平的路面预养护指标阈值确定方法研究

为了消除车内噪声对人心理和生理的危害,提出了一种基于车内噪声水平的沥青路面预防性养护指标阈值的确定方法。通过多层前向反馈神经网络构建了车内噪声和国际平整度指数的关系模型;依据噪声分级和危害标准,确定了国际平整度指数指标预防性养护的噪声阈值标准;对比分析了国际平整度指数指标预防性养护的规范阈值标准和噪声阈值标准的养护需求。结果表明,前向反馈神经网络能够较好地根据车内噪声水平预测沥青路面国际平整度指数。噪声阈值标准相对于规范阈值标准,对沥青路面国际平整度指数提出了更高的要求。     

采用深度卷积神经网络的路面破损智能识别

为有效识别沥青路面病害类别,为后续养护对策的制定提供依据,将深度卷积神经网络,视觉几何组(Visual Geometry Group NetWork, VGG)技术引入沥青路面病害识别任务中。根据VGG网络结构随着卷积核深度的加深可获得图片更深层次特征的特点,将VGG模型最后一层卷积核中的卷积深度加深,获得改进后的VGG模型,并与VGG模型进行比较。结果表明：改进后的VGG模型用时为278ms/step,相比于VGG模型用时为258ms/step略有增加,而对病害的识别精度又进一步优化,提升了1.36,对龟裂、松散这类复杂裂缝分别提高了1.12%、8.4%。可见,采用VGG模型可以有效识别路面病害,将其适当改进后,效果更佳,相比于其他方法,对诸如松散、龟裂等复杂路面病害可做到精确识别,达到及时、有效监测、养护路面,防止路面进一步退化的目的。