CN112734305A - 一种路基压实质量评判方法、装置、设备及可读存储介质 - Google Patents

一种路基压实质量评判方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN112734305A
CN112734305A CN202110205420.3A CN202110205420A CN112734305A CN 112734305 A CN112734305 A CN 112734305A CN 202110205420 A CN202110205420 A CN 202110205420A CN 112734305 A CN112734305 A CN 112734305A
Authority
CN
China
Prior art keywords
representing
layer
formula
node
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110205420.3A
Other languages
English (en)
Inventor
杨长卫
岳茂
张良
李宗昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202110205420.3A priority Critical patent/CN112734305A/zh
Publication of CN112734305A publication Critical patent/CN112734305A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种路基压实质量评判方法、装置、设备及可读存储介质，所述方法包括：获取试验数据；将所述试验数据划分为训练集样本和测试集样本；设定BP神经网络模型参数，所述参数包括允许误差线、允许最大失败的次数和学习的精度；利用所述训练集样本对所述BP神经网络模型进行训练，得到训练后的BP神经网络模型；利用训练后的BP神经网络模型对测试集样本进行预测，得到动态变形模量Evd预测数值。本发明通过选用BP神经网络模型，能够在较短的时间之内且成本较低的情况下得到较为精准的动态变形模量Evd预测数值，让施工过程变得更加智能化。

Description

一种路基压实质量评判方法、装置、设备及可读存储介质
技术领域
本发明涉及铁路工程技术领域，具体而言，涉及一种路基压实质量评判方法、装置、设备及可读存储介质。
背景技术
目前高速铁路路基压实质量的检测指标有压实系数K、相对密度Dr、地基系数K30、孔隙率、动态变形模量Evd等。在这些检测指标当中，动态变形模量Evd因为快速、便捷、高效等优点常常被用于检测路基压实质量之中。在现场路基压实的试验之中，现场得到的Evd数据有时候也并不能准确或者精确的反映路基的压实质量，除了受到压路机司机操作技术问题等一系列的不确定因素之外，不能准确的改变压路机的振动参数也是影响实测Evd数据的一个重要方面。
发明内容
本发明的目的在于提供一种路基压实质量评判方法、装置、设备及可读存储介质，以改善上述问题。
为了实现上述目的，本申请实施例提供了如下技术方案：
一方面，本申请实施例提供了一种路基压实质量评判方法，所述方法包括：
获取试验数据，所述试验数据包括压路机的振动参数、土体性质信息和动态变形模量Evd实测数值，所述压路机的振动参数包括振动加速度峰值、振动频率、振动激振力和碾压次数；
将所述试验数据划分为训练集样本和测试集样本；
设定BP神经网络模型参数，所述参数包括允许误差线、允许最大失败的次数和学习的精度；
利用所述训练集样本对所述BP神经网络模型进行训练，得到训练后的BP神经网络模型；
利用训练后的BP神经网络模型对测试集样本进行预测，得到动态变形模量Evd预测数值。
可选的，所述利用所述训练集样本对所述BP神经网络模型进行训练，得到训练后的BP神经网络模型，包括：
利用所述训练集样本对所述BP神经网络模型进行训练，得到新的动态变形模量Evd数值；
根据所述新的动态变形模量Evd数值计算所述训练集样本的拟合度；
判断所述拟合度是否满足要求，若不满足要求则改变所述BP神经网络模型的所述参数再次进行学习，直到所述拟合度满足要求，得到所述训练后的BP神经网络模型。
可选的，所述利用所述训练集样本对所述BP神经网络模型进行训练，得到新的动态变形模量Evd数值，包括：
通过以下步骤对所述训练集样本中每个样本进行训练；
通过公式（1）和公式（2）计算所述BP神经网络模型的隐藏层中各神经元的输入和输出，所述公式（1）为：
Figure 417958DEST_PATH_IMAGE001
（1）
所述公式（2）为：
Figure 776258DEST_PATH_IMAGE002
（2）
公式（1）和（2）中，
Figure 248828DEST_PATH_IMAGE003
表示隐藏层各个神经元的输入，
Figure 96698DEST_PATH_IMAGE004
表示隐藏层各个神经元的输出，
Figure 21929DEST_PATH_IMAGE005
表示输入层第i个节点的输入，
Figure 433187DEST_PATH_IMAGE006
表示输入层第i节点和隐藏层第j节点的连接权值，
Figure 760264DEST_PATH_IMAGE007
表示隐藏层第j节点的阈值，f采用的是Sigmoid公式，m表示输入层节点数，i表示输入层的节点序号；
通过公式（3）和公式（4）计算所述BP神经网络模型的输出层中各神经元的输入和输出，所述公式（3）为：
Figure 44614DEST_PATH_IMAGE008
（3）
所述公式（4）为：
Figure 457141DEST_PATH_IMAGE009
(
Figure 157244DEST_PATH_IMAGE010
（4）
公式（3）和（4）中，
Figure 338827DEST_PATH_IMAGE011
表示输出层各神经元的输入，
Figure 794079DEST_PATH_IMAGE012
表示隐藏层第j节点和输出层第k节点的连接权值，
Figure 693902DEST_PATH_IMAGE007
表示隐藏层第j节点的阈值、
Figure 449893DEST_PATH_IMAGE013
表示输出层第k节点的阈值，
Figure 485982DEST_PATH_IMAGE014
表示输出层各神经元的输出，n表示隐藏层节点数，j表示隐藏层的节点序号；
通过公式（5）计算连接到所述BP神经网络模型的输入层单元上的权值误差，所述公式（5）为：
Figure 112135DEST_PATH_IMAGE015
（5）
公式（5）中，
Figure 499254DEST_PATH_IMAGE016
表示连接到输入层单元上的权值误差，
Figure 541159DEST_PATH_IMAGE014
表示输出层各神经元的输出，
Figure 697334DEST_PATH_IMAGE017
表示样本期望值；
通过公式（6）计算连接到所述BP神经网络模型的隐藏层单元上的权值误差，所述公式（6）为：
Figure 494389DEST_PATH_IMAGE018
（6）
公式（6）中，
Figure 103225DEST_PATH_IMAGE019
表示连接到隐藏层单元上的权值误差，
Figure 463668DEST_PATH_IMAGE004
表示隐藏层各个神经元的输出，
Figure 474349DEST_PATH_IMAGE016
表示连接到输入层单元上的权值误差，
Figure 442305DEST_PATH_IMAGE012
表示表示隐藏层第j节点和输出层第k节点的连接权值，q表示输出层节点数，k表示输出层的节点序号；
通过公式（7）和公式（8）更新当前连接权值以及阈值，所述公式（7）为：
Figure 538437DEST_PATH_IMAGE020
（7）
所述公式（8）为：
Figure 922145DEST_PATH_IMAGE021
（8）
公式（7）和（8）中，
Figure 52912DEST_PATH_IMAGE022
表示更新之后的隐藏层第j节点和输出层第k节点的连接权值，
Figure 191769DEST_PATH_IMAGE023
表示更新之前的隐藏层第j节点和输出层第k节点的连接权值，
Figure 775198DEST_PATH_IMAGE024
表示权值调整参数，
Figure 24913DEST_PATH_IMAGE016
表示连接到输入层单元上的权值误差，
Figure 197138DEST_PATH_IMAGE004
表示隐藏层各个神经元的输出；
Figure 506896DEST_PATH_IMAGE025
表示更新之后的输出层第k节点的阈值，
Figure 577620DEST_PATH_IMAGE026
表示更新之前的输出层第k节点的阈值，
Figure 631027DEST_PATH_IMAGE027
表示阈值调整参数；
通过公式（9）和公式（10）更新下一个连接权值和阈值，所述公式（9）为：
Figure 408490DEST_PATH_IMAGE028
（9）
公式（10）为：
Figure 889150DEST_PATH_IMAGE029
（10）
公式（9）和（10）中，
Figure 181591DEST_PATH_IMAGE030
表示更新之后的的输入层第i节点和隐藏层第j节点的连接权值，
Figure 38689DEST_PATH_IMAGE031
表示更新之前的输入层第i节点和隐藏层第j节点的连接权值，
Figure 919926DEST_PATH_IMAGE024
表示权值调整参数，
Figure 571487DEST_PATH_IMAGE019
表示连接到隐藏层单元上的权值误差，
Figure 616803DEST_PATH_IMAGE005
表示输入层第i个节点的输入；
Figure 12013DEST_PATH_IMAGE032
表示更新之后的隐藏层第j节点的阈值，
Figure 498489DEST_PATH_IMAGE033
表示更新之前的隐藏层第j节点的阈值，
Figure 586531DEST_PATH_IMAGE027
表示阈值调整参数；
当所述训练集样本中的所有的样本训练完毕后，计算均方误差，若所述均方误差满足输出条件，则输出新的动态变形模量Evd数值。
可选的，所述当所述训练集样本中的所有的样本训练完毕后，计算均方误差，若所述均方误差满足输出条件，则输出新的动态变形模量Evd数值，包括：
通过公式（11）计算均方误差，所述公式（11）为：
Figure 853564DEST_PATH_IMAGE034
（11）
公式（11）中，
Figure 786885DEST_PATH_IMAGE035
表示均方误差，Ck表示期望输出值，
Figure 645644DEST_PATH_IMAGE014
表示输出层各神经元的输出，q表示输出层节点数；
当所述均方误差满足
Figure 904587DEST_PATH_IMAGE036
，则所述均方误差满足输出条件，其中
Figure 393337DEST_PATH_IMAGE037
表 示学习的精度，t表示训练集样本中的训练样本，z表示训练样本总数。
第二方面，本申请实施例提供了一种路基压实质量评判装置，所述装置包括：获取模块、划分模块、设定模块、训练模块和预测模块。
所述获取模块，用于获取试验数据，所述试验数据包括压路机的振动参数、土体性质信息和动态变形模量Evd实测数值，所述压路机的振动参数包括振动加速度峰值、振动频率、振动激振力和碾压次数；
所述划分模块，用于将所述试验数据划分为训练集样本和测试集样本；
所述设定模块，用于设定BP神经网络模型参数，所述参数包括允许误差线、允许最大失败的次数和学习的精度；
所述训练模块，用于利用所述训练集样本对所述BP神经网络模型进行训练，得到训练后的BP神经网络模型；
所述预测模块，用于利用训练后的BP神经网络模型对测试集样本进行预测，得到动态变形模量Evd预测数值。
可选的，所述训练模块，包括：
训练单元，用于利用所述训练集样本对所述BP神经网络模型进行训练，得到新的动态变形模量Evd数值；
计算单元，用于根据所述新的动态变形模量Evd数值计算所述训练集样本的拟合度；
判断单元，用于判断所述拟合度是否满足要求，若不满足要求则改变所述BP神经网络模型的所述参数再次进行学习，直到所述拟合度满足要求，得到所述训练后的BP神经网络模型。
可选的，所述训练单元，包括：
训练子单元，用于通过以下步骤对所述训练集样本中每个样本进行训练；
通过公式（1）和公式（2）计算所述BP神经网络模型的隐藏层中各神经元的输入和输出，所述公式（1）为：
Figure 395928DEST_PATH_IMAGE001
（1）
所述公式（2）为：
Figure 919313DEST_PATH_IMAGE002
（2）
公式（1）和（2）中，
Figure 21262DEST_PATH_IMAGE003
表示隐藏层各个神经元的输入，
Figure 262887DEST_PATH_IMAGE004
表示隐藏层各个神经元的输出，
Figure 803590DEST_PATH_IMAGE005
表示输入层第i个节点的输入，
Figure 181482DEST_PATH_IMAGE006
表示输入层第i节点和隐藏层第j节点的连接权值，
Figure 969178DEST_PATH_IMAGE007
表示隐藏层第j节点的阈值，f采用的是Sigmoid公式，m表示输入层节点数，i表示输入层的节点序号；
通过公式（3）和公式（4）计算所述BP神经网络模型的输出层中各神经元的输入和输出，所述公式（3）为：
Figure 432520DEST_PATH_IMAGE008
（3）
所述公式（4）为：
Figure 776914DEST_PATH_IMAGE009
(
Figure 274891DEST_PATH_IMAGE010
（4）
公式（3）和（4）中，
Figure 718642DEST_PATH_IMAGE011
表示输出层各神经元的输入，
Figure 934860DEST_PATH_IMAGE012
表示隐藏层第j节点和输出层第k节点的连接权值，
Figure 817365DEST_PATH_IMAGE007
表示隐藏层第j节点的阈值、
Figure 169849DEST_PATH_IMAGE013
表示输出层第k节点的阈值，
Figure 846818DEST_PATH_IMAGE014
表示输出层各神经元的输出，n表示隐藏层节点数，j表示隐藏层的节点序号；
通过公式（5）计算连接到所述BP神经网络模型的输入层单元上的权值误差，所述公式（5）为：
Figure 471703DEST_PATH_IMAGE015
（5）
公式（5）中，
Figure 157900DEST_PATH_IMAGE016
表示连接到输入层单元上的权值误差，
Figure 364890DEST_PATH_IMAGE014
表示输出层各神经元的输出，
Figure 478340DEST_PATH_IMAGE017
表示样本期望值；
通过公式（6）计算连接到所述BP神经网络模型的隐藏层单元上的权值误差，所述公式（6）为：
Figure 341253DEST_PATH_IMAGE018
（6）
公式（6）中，
Figure 565561DEST_PATH_IMAGE019
表示连接到隐藏层单元上的权值误差，
Figure 892637DEST_PATH_IMAGE004
表示隐藏层各个神经元的输出，
Figure 176988DEST_PATH_IMAGE016
表示连接到输入层单元上的权值误差，
Figure 510886DEST_PATH_IMAGE012
表示隐藏层第j节点和输出层第k节点的连接权值，q表示输出层节点数，k表示输出层的节点序号；
通过公式（7）和公式（8）更新当前连接权值以及阈值，所述公式（7）为：
Figure 538885DEST_PATH_IMAGE020
（7）
所述公式（8）为：
Figure 720468DEST_PATH_IMAGE021
（8）
公式（7）和（8）中，
Figure 175720DEST_PATH_IMAGE022
表示更新之后的隐藏层第j节点和输出层第k节点的连接权值，
Figure 75543DEST_PATH_IMAGE023
表示更新之前的隐藏层第j节点和输出层第k节点的连接权值，
Figure 579337DEST_PATH_IMAGE024
表示权值调整参数，
Figure 615426DEST_PATH_IMAGE016
表示连接到输入层单元上的权值误差，
Figure 241579DEST_PATH_IMAGE004
表示隐藏层各个神经元的输出；
Figure 363119DEST_PATH_IMAGE025
表示更新之后的输出层第k节点的阈值，
Figure 922801DEST_PATH_IMAGE026
表示更新之前的输出层第k节点的阈值，
Figure 78976DEST_PATH_IMAGE027
表示阈值调整参数；
通过公式（9）和公式（10）更新隐藏层的连接权值和阈值，所述公式（9）为：
Figure 876030DEST_PATH_IMAGE028
（9）
公式（10）为：
Figure 484866DEST_PATH_IMAGE029
（10）
公式（9）和（10）中，
Figure 330462DEST_PATH_IMAGE030
表示更新之后的的输入层第i节点和隐藏层第j节点的连接权值，
Figure 341144DEST_PATH_IMAGE031
表示更新之前的输入层第i节点和隐藏层第j节点的连接权值，
Figure 309100DEST_PATH_IMAGE024
表示权值调整参数，
Figure 405232DEST_PATH_IMAGE019
表示连接到隐藏层单元上的权值误差，
Figure 116836DEST_PATH_IMAGE005
表示输入层第i个节点的输入；
Figure 434554DEST_PATH_IMAGE032
表示更新之后的隐藏层第j节点的阈值，
Figure 573411DEST_PATH_IMAGE033
表示更新之前的隐藏层第j节点的阈值，
Figure 891260DEST_PATH_IMAGE027
表示阈值调整参数；
第一计算子单元，用于当所述训练集样本中的所有的样本训练完毕后，计算均方误差，若所述均方误差满足输出条件，则输出新的动态变形模量Evd数值。
可选的，所述训练单元，还包括：
第二计算子单元，用于通过公式（11）计算均方误差，所述公式（11）为：
Figure 406555DEST_PATH_IMAGE034
（11）
公式（11）中，
Figure 329511DEST_PATH_IMAGE035
表示均方误差，Ck表示期望输出值，
Figure 639270DEST_PATH_IMAGE014
表示输出层各神经元的输出，q表示输出层节点数；
输出子单元，用于当所述均方误差满足
Figure 444415DEST_PATH_IMAGE036
，则所述均方误差满足输 出条件，其中
Figure 497822DEST_PATH_IMAGE037
表示学习的精度，t表示训练集样本中的训练样本，z表示训练样本总数。
第三方面，本申请实施例提供了一种路基压实质量评判设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述路基压实质量评判方法的步骤。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述路基压实质量评判方法的步骤。
本发明的有益效果为：
1、本发明通过选用BP神经网络模型，把现场实测得到的数据放入神经网络模型中学习以及训练，能够在较短的时间之内且成本较低的情况下得到较为精准的动态变形模量Evd预测数值，并可以通过动态变形模量Evd预测数值来指导接下来的施工过程，既节省人力，又节省物力，让施工过程变得更加智能化。
2、本发明引入了智能化程序，将振动压路机的振动参数、土体性质信息与压实检测指标Evd联系了起来，可以让施工过程变得更加的智能，提高路基压实的质量。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例中所述的一种路基压实质量评判方法流程示意图；
图2是本发明实施例中所述的一种路基压实质量评判装置结构示意图；
图3是本发明实施例中所述的一种路基压实质量评判设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号或字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
如图1所示，本实施例提供了一种路基压实质量评判方法，该方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。
步骤S1、获取试验数据，所述试验数据包括压路机的振动参数、土体性质信息和动态变形模量Evd实测数值，所述压路机的振动参数包括振动加速度峰值、振动频率、振动激振力和碾压次数；
步骤S2、将所述试验数据划分为训练集样本和测试集样本；
步骤S3、设定BP神经网络模型参数，所述参数包括允许误差线、允许最大失败的次数和学习的精度；
步骤S4、利用所述训练集样本对所述BP神经网络模型进行训练，得到训练后的BP神经网络模型；
步骤S5、利用训练后的BP神经网络模型对测试集样本进行预测，得到动态变形模量Evd预测数值。
目前在铁路路基压实中对于具体的现场试验，采用连续压实控制技术可以通过实测数据的反馈来改变振动参数，但是对于不同的土体参数，如何选择压路机的振动参数是比较难的；并且在如今的工程中连续压实控制技术还未完全普及，若采用此项技术就需要购买专用的压路机等设备，对于许多工程是不经济的；此外在现场实验中，动态变形模量Evd是通过人为的手段所测得的，测得的数据存在一定的误差。
本实施例通过选用BP神经网络模型，把现场实测得到的数据放入神经网络模型中学习以及训练，能够在较短的时间之内且成本较低的情况下得到较为精准的动态变形模量Evd预测数值，因此通过智能化的手段检测压实质量的好坏，可以节省人力和物力，降低成本，让施工过程变得更加智能化。
本实施例中所述振动加速度峰值通过下述方式计算得出：在现场试验中，在压路机振动轮上安装加速度传感器，连接到压路机驾驶室的采集仪上面，结束试验之后再把数据回收，采取对应的Evd测点处的一段时间内的加速度幅值，然后再通过处理得出所述振动加速度峰值；土体性质信息包括土体的颗粒级配。
本实施例中所述BP神经网络模型为典型的3层随机重连型BP神经网络模型，设置6 个输入层神经元、10个隐含层神经元、1个输出层神经元。6个输入层神经元为振动加速度峰 值、振动频率、振动激振力和碾压次数和土体的颗粒级配，1个输出层神经元为动态变形模 量Evd实测数值；隐含层神经元的选取可以通过公式
Figure 524552DEST_PATH_IMAGE038
来实现，这里的G代 表隐藏层神经元数，H代表输入层神经元数，L代表输出层神经元数，
Figure 5212DEST_PATH_IMAGE039
为0~10之间的常数， 本实施例中
Figure 563232DEST_PATH_IMAGE039
取值为9。
BP神经网络的原理其实就是两个过程周而复始地进行，直到误差达到能够允许的范围内。这两个过程指的是信息的逐层前向计算传播，以及权值、阈值通过误差的反向传播。这两个过程循环的具体的实现过程如下：首先，输入信号在输入之后会经过输入层，然后在经过隐含层之后会产生输出信号，而每一层的神经元只会影响到下一层的神经元，如果输出结果得到的输出不是所期望得到的结果，那么就会转入下一个过程，也就是误差的反向传播；在误差的反向传播这一个过程中，首先会从输出层一层一层的计算每一层神经元的输入误差，然后再依据误差梯度下降法调节各层的权值与阈值，让最后的输出结果接近期望值，以此循环进行，直到最后的误差在允许的范围之内。
在本公开的一种具体实施方式中，选用64组试验数据，将所述试验数据以15：1的比例划分为60个训练集样本和4个测试集样本。
在本公开的一种具体实施方式中，所述步骤S3，还可以包括步骤S31。
步骤S31、在所述BP神经网络模型中选择训练函数、隐藏层的激发函数和输出层的激发函数，其中训练函数选用Levenberg-Marquardt算法隐藏层的激发函数选用tansig函数，输出层的激发函数选用purelin函数。
本实施例中选用Levenberg-Marquardt算法，收敛速度最快。
在本公开的一种具体实施方式中，所述步骤S5后，还可以包括步骤S6和步骤S7。
步骤S6、获取压实度样本集，所述测试集样本中每个样本的测试点所对应的压实度构成了所述压实度样本集；
步骤S7、根据所述压实度样本集与所述动态变形模量Evd预测数值构建所述压实度与所述动态变形模量Evd预测数值之间的关系式。
本实施例构建所述压实度与所述动态变形模量Evd预测数值之间的关系式，当需要测试另一测试点的压实度时，可以直接通过本实施例的方法获取到，具有计算准确，自动化程度高的优点，能减少人力物力的消耗。
在本公开的一种具体实施方式中，所述步骤S4，还可以包括步骤S41、步骤S42和步骤S43。
步骤S41、利用所述训练集样本对所述BP神经网络模型进行训练，得到新的动态变形模量Evd数值；
步骤S42、根据所述新的动态变形模量Evd数值计算所述训练集样本的拟合度；
步骤S43、判断所述拟合度是否满足要求，若不满足要求则改变所述BP神经网络模型的所述参数再次进行学习，直到所述拟合度满足要求，得到所述训练后的BP神经网络模型。
本实施例中所述拟合度大于0.8时则满足要求，通过对所述拟合度进行判断，可以得到较优的BP神经网络模型，提高最终动态变形模量Evd预测数值的准确性。
在本公开的一种具体实施方式中，所述步骤S41，还可以包括步骤S411和步骤S412。
步骤S411、通过以下步骤对所述训练集样本中每个样本进行训练；
通过公式（1）和公式（2）计算所述BP神经网络模型的隐藏层中各神经元的输入和输出，所述公式（1）为：
Figure 154751DEST_PATH_IMAGE001
（1）
所述公式（2）为：
Figure 114617DEST_PATH_IMAGE002
（2）
公式（1）和（2）中，
Figure 703861DEST_PATH_IMAGE003
表示隐藏层各个神经元的输入，
Figure 483598DEST_PATH_IMAGE004
表示隐藏层各个神经元的输出，
Figure 878807DEST_PATH_IMAGE005
表示输入层第i个节点的输入，
Figure 693180DEST_PATH_IMAGE006
表示输入层第i节点和隐藏层第j节点的连接权值，
Figure 702593DEST_PATH_IMAGE007
表示隐藏层第j节点的阈值，f采用的是Sigmoid公式，m表示输入层节点数，i表示输入层的节点序号；
通过公式（3）和公式（4）计算所述BP神经网络模型的输出层中各神经元的输入和输出，所述公式（3）为：
Figure 969626DEST_PATH_IMAGE008
（3）
所述公式（4）为：
Figure 168526DEST_PATH_IMAGE009
(
Figure 837405DEST_PATH_IMAGE010
（4）
公式（3）和（4）中，
Figure 830769DEST_PATH_IMAGE011
表示输出层各神经元的输入，
Figure 522781DEST_PATH_IMAGE012
表示隐藏层第j节点和输出层第k节点的连接权值，
Figure 525372DEST_PATH_IMAGE007
表示隐藏层第j节点的阈值、
Figure 48757DEST_PATH_IMAGE013
表示输出层第k节点的阈值，
Figure 213023DEST_PATH_IMAGE014
表示输出层各神经元的输出，n表示隐藏层节点数，j表示隐藏层的节点序号；
通过公式（5）计算连接到所述BP神经网络模型的输入层单元上的权值误差，所述公式（5）为：
Figure 632810DEST_PATH_IMAGE015
（5）
公式（5）中，
Figure 173512DEST_PATH_IMAGE016
表示连接到输入层单元上的权值误差，
Figure 551404DEST_PATH_IMAGE014
表示输出层各神经元的输出，
Figure 152150DEST_PATH_IMAGE017
表示样本期望值；
通过公式（6）计算连接到所述BP神经网络模型的隐藏层单元上的权值误差，所述公式（6）为：
Figure 553175DEST_PATH_IMAGE018
（6）
公式（6）中，
Figure 897569DEST_PATH_IMAGE019
表示连接到隐藏层单元上的权值误差，
Figure 129967DEST_PATH_IMAGE004
表示隐藏层各个神经元的输出，
Figure 901614DEST_PATH_IMAGE016
表示连接到输入层单元上的权值误差，
Figure 852253DEST_PATH_IMAGE012
表示隐藏层第j节点和输出层第k节点的连接权值，q表示输出层节点数，k表示输出层的节点序号；
通过公式（7）和公式（8）更新输出层的连接权值以及阈值，所述公式（7）为：
Figure 921709DEST_PATH_IMAGE020
（7）
所述公式（8）为：
Figure 274193DEST_PATH_IMAGE021
（8）
公式（7）和（8）中，
Figure 216741DEST_PATH_IMAGE022
表示更新之后的隐藏层第j节点和输出层第k节点的连接权值，
Figure 654675DEST_PATH_IMAGE023
表示更新之前的隐藏层第j节点和输出层第k节点的连接权值，
Figure 278555DEST_PATH_IMAGE024
表示权值调整参数，
Figure 485545DEST_PATH_IMAGE016
表示连接到输入层单元上的权值误差，
Figure 598995DEST_PATH_IMAGE004
表示隐藏层各个神经元的输出；
Figure 524225DEST_PATH_IMAGE025
表示更新之后的输出层第k节点的阈值，
Figure 935484DEST_PATH_IMAGE026
表示更新之前的输出层第k节点的阈值，
Figure 262560DEST_PATH_IMAGE027
表示阈值调整参数；
通过公式（9）和公式（10）更新隐藏层的连接权值和阈值，所述公式（9）为：
Figure 281332DEST_PATH_IMAGE028
（9）
公式（10）为：
Figure 693858DEST_PATH_IMAGE029
（10）
公式（9）和（10）中，
Figure 721857DEST_PATH_IMAGE030
表示更新之后的的输入层第i节点和隐藏层第j节点的连接权值，
Figure 841123DEST_PATH_IMAGE031
表示更新之前的输入层第i节点和隐藏层第j节点的连接权值，
Figure 296375DEST_PATH_IMAGE024
表示权值调整参数，
Figure 930619DEST_PATH_IMAGE019
表示连接到隐藏层单元上的权值误差，
Figure 496729DEST_PATH_IMAGE005
表示输入层第i个节点的输入；
Figure 985348DEST_PATH_IMAGE032
表示更新之后的隐藏层第j节点的阈值，
Figure 611502DEST_PATH_IMAGE033
表示更新之前的隐藏层第j节点的阈值，
Figure 733042DEST_PATH_IMAGE027
表示阈值调整参数；
步骤S412、当所述训练集样本中的所有的样本训练完毕后，计算均方误差，若所述均方误差满足输出条件，则输出新的动态变形模量Evd数值。
在本公开的一种具体实施方式中，所述步骤S412，还可以包括步骤S4121和步骤S4122。
步骤S4121、通过公式（11）计算均方误差，所述公式（11）为：
Figure 102843DEST_PATH_IMAGE034
（11）
公式（11）中，
Figure 196701DEST_PATH_IMAGE035
表示均方误差，Ck表示期望输出值，
Figure 993756DEST_PATH_IMAGE014
表示输出层各神经元的输出，q表示输出层节点数；
步骤S4122、当所述均方误差满足
Figure 602592DEST_PATH_IMAGE036
，则所述均方误差满足输出条 件，其中
Figure 510505DEST_PATH_IMAGE037
表示学习的精度，t表示训练集样本中的训练样本，z表示训练样本总数。
实施例2
如图2所示，本实施例提供了一种路基压实质量评判装置，所述装置包括：获取模块701、划分模块702、设定模块703、训练模块704和预测模块705。
所述获取模块701，用于获取试验数据，所述试验数据包括压路机的振动参数、土体性质信息和动态变形模量Evd实测数值，所述压路机的振动参数包括振动加速度峰值、振动频率、振动激振力和碾压次数；
所述划分模块702，用于将所述试验数据划分为训练集样本和测试集样本；
所述设定模块703，用于设定BP神经网络模型参数，所述参数包括允许误差线、允许最大失败的次数和学习的精度；
所述训练模块704，用于利用所述训练集样本对所述BP神经网络模型进行训练，得到训练后的BP神经网络模型；
所述预测模块705，用于利用训练后的BP神经网络模型对测试集样本进行预测，得到动态变形模量Evd预测数值。
在本公开的一种具体实施方式中，所述装置还包括第二获取模块706和构建模块707。
所述第二获取模块706，获取压实度样本集，所述测试集样本中每个样本的测试点所对应的压实度构成了所述压实度样本集；
所述构建模块707，根据所述压实度样本集与所述动态变形模量Evd预测数值构建所述压实度与所述动态变形模量Evd预测数值之间的关系式。
在本公开的一种具体实施方式中，所述训练模块704包括训练单元7041、计算单元7042和判断单元7043。
所述训练单元7041，用于利用所述训练集样本对所述BP神经网络模型进行训练，得到新的动态变形模量Evd数值；
所述计算单元7042，用于根据所述新的动态变形模量Evd数值计算所述训练集样本的拟合度；
所述判断单元7043，用于判断所述拟合度是否满足要求，若不满足要求则改变所述BP神经网络模型的所述参数再次进行学习，直到所述拟合度满足要求，得到所述训练后的BP神经网络模型。
在本公开的一种具体实施方式中，所述训练单元7041包括训练子单元70411和第一计算子单元70412。
所述训练子单元70411，用于通过以下步骤对所述训练集样本中每个样本进行训练；
通过公式（1）和公式（2）计算所述BP神经网络模型的隐藏层中各神经元的输入和输出，所述公式（1）为：
Figure 521186DEST_PATH_IMAGE001
（1）
所述公式（2）为：
Figure 679022DEST_PATH_IMAGE002
（2）
公式（1）和（2）中，
Figure 775154DEST_PATH_IMAGE003
表示隐藏层各个神经元的输入，
Figure 486758DEST_PATH_IMAGE004
表示隐藏层各个神经元的输出，
Figure 351946DEST_PATH_IMAGE005
表示输入层第i个节点的输入，
Figure 428487DEST_PATH_IMAGE006
表示输入层第i节点和隐藏层第j节点的连接权值，
Figure 11915DEST_PATH_IMAGE007
表示隐藏层第j节点的阈值，f采用的是Sigmoid公式，m表示输入层节点数，i表示输入层的节点序号；
通过公式（3）和公式（4）计算所述BP神经网络模型的输出层中各神经元的输入和输出，所述公式（3）为：
Figure 527210DEST_PATH_IMAGE008
（3）
所述公式（4）为：
Figure 246904DEST_PATH_IMAGE009
(
Figure 743613DEST_PATH_IMAGE010
（4）
公式（3）和（4）中，
Figure 814338DEST_PATH_IMAGE011
表示输出层各神经元的输入，
Figure 867744DEST_PATH_IMAGE012
表示隐藏层第j节点和输出层第k节点的连接权值，
Figure 707524DEST_PATH_IMAGE007
表示隐藏层第j节点的阈值、
Figure 188184DEST_PATH_IMAGE013
表示输出层第k节点的阈值，
Figure 683888DEST_PATH_IMAGE014
表示输出层各神经元的输出，n表示隐藏层节点数，k表示输出层的节点序号，j表示隐藏层的节点序号；
通过公式（5）计算连接到所述BP神经网络模型的输入层单元上的权值误差，所述公式（5）为：
Figure 275406DEST_PATH_IMAGE015
（5）
公式（5）中，
Figure 969692DEST_PATH_IMAGE016
表示连接到输入层单元上的权值误差，
Figure 886833DEST_PATH_IMAGE014
表示输出层各神经元的输出，
Figure 853521DEST_PATH_IMAGE017
表示样本期望值；
通过公式（6）计算连接到所述BP神经网络模型的隐藏层单元上的权值误差，所述公式（6）为：
Figure 248730DEST_PATH_IMAGE018
（6）
公式（6）中，
Figure 63102DEST_PATH_IMAGE019
表示连接到隐藏层单元上的权值误差，
Figure 885565DEST_PATH_IMAGE004
表示隐藏层各个神经元的输出，
Figure 152598DEST_PATH_IMAGE016
表示连接到输入层单元上的权值误差，
Figure 289181DEST_PATH_IMAGE012
表示隐藏层第j节点和输出层第k节点的连接权值，q表示输出层节点数，j表示隐藏层的节点序号，k表示输出层的节点序号；
通过公式（7）和公式（8）更新输出层的连接权值以及阈值，所述公式（7）为：
Figure 958060DEST_PATH_IMAGE020
（7）
所述公式（8）为：
Figure 951424DEST_PATH_IMAGE021
（8）
公式（7）和（8）中，
Figure 705753DEST_PATH_IMAGE022
表示更新之后的隐藏层第j节点和输出层第k节点的连接权值，
Figure 629716DEST_PATH_IMAGE023
表示更新之前的隐藏层第j节点和输出层第k节点的连接权值，
Figure 153101DEST_PATH_IMAGE024
表示权值调整参数，
Figure 582945DEST_PATH_IMAGE016
表示连接到输入层单元上的权值误差，
Figure 824571DEST_PATH_IMAGE004
表示隐藏层各个神经元的输出；
Figure 37377DEST_PATH_IMAGE025
表示更新之后的输出层第k节点的阈值，
Figure 680848DEST_PATH_IMAGE026
表示更新之前的输出层第k节点的阈值，
Figure 16015DEST_PATH_IMAGE027
表示阈值调整参数；
通过公式（9）和公式（10）更新隐藏层的连接权值和阈值，所述公式（9）为：
Figure 744936DEST_PATH_IMAGE028
（9）
公式（10）为：
Figure 13631DEST_PATH_IMAGE029
（10）
公式（9）和（10）中，
Figure 511609DEST_PATH_IMAGE030
表示更新之后的的输入层第i节点和隐藏层第j节点的连接权值，
Figure 283255DEST_PATH_IMAGE031
表示更新之前的输入层第i节点和隐藏层第j节点的连接权值，
Figure 233894DEST_PATH_IMAGE024
表示权值调整参数，
Figure 116399DEST_PATH_IMAGE019
表示连接到隐藏层单元上的权值误差，
Figure 406566DEST_PATH_IMAGE005
表示输入层第i个节点的输入；
Figure 349115DEST_PATH_IMAGE032
表示更新之后的隐藏层第j节点的阈值，
Figure 787049DEST_PATH_IMAGE033
表示更新之前的隐藏层第j节点的阈值，
Figure 207666DEST_PATH_IMAGE027
表示阈值调整参数；
所述第一计算子单元70412，用于当所述训练集样本中的所有的样本训练完毕后，计算均方误差，若所述均方误差满足输出条件，则输出新的动态变形模量Evd数值。
在本公开的一种具体实施方式中，所述训练单元7041，还包括第二计算子单元70413和输出子单元70414。
所述第二计算子单元70413，用于通过公式（11）计算均方误差，所述公式（11）为：
Figure 867186DEST_PATH_IMAGE034
（11）
公式（11）中，
Figure 980636DEST_PATH_IMAGE035
表示均方误差，Ck表示期望输出值，
Figure 905867DEST_PATH_IMAGE014
表示输出层各神经元的输出，q表示输出层节点数；
所述输出子单元70414，用于当所述均方误差满足
Figure 130175DEST_PATH_IMAGE036
，则所述均方 误差满足输出条件，其中
Figure 191672DEST_PATH_IMAGE037
表示学习的精度，t表示训练集样本中的训练样本，z表示训练样 本总数。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例，本公开实施例还提供了一种路基压实质量评判设备，下文描述的一种路基压实质量评判设备与上文描述的一种路基压实质量评判方法可相互对应参照。
图3是根据一示例性实施例示出的一种路基压实质量评判设备800的框图。如图3所示，该路基压实质量评判设备800可以包括：处理器801，存储器802。该路基压实质量评判设备800还可以包括多媒体组件803，输入/输出(I/O)接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该路基压实质量评判设备800的整体操作，以完成上述的路基压实质量评判方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该路基压实质量评判设备800的操作，这些数据例如可以包括用于在该路基压实质量评判设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random AccessMemory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该路基压实质量评判设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，该路基压实质量评判设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的路基压实质量评判方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的路基压实质量评判方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由该路基压实质量评判设备800的处理器801执行以完成上述的路基压实质量评判方法。
实施例4
相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种路基压实质量评判方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的路基压实质量评判方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种路基压实质量评判方法，其特征在于，包括：
获取试验数据，所述试验数据包括压路机的振动参数、土体性质信息和动态变形模量Evd实测数值，所述压路机的振动参数包括振动加速度峰值、振动频率、振动激振力和碾压次数；
将所述试验数据划分为训练集样本和测试集样本；
设定BP神经网络模型参数，所述参数包括允许误差线、允许最大失败的次数和学习的精度；
利用所述训练集样本对所述BP神经网络模型进行训练，得到训练后的BP神经网络模型；
利用训练后的BP神经网络模型对测试集样本进行预测，得到动态变形模量Evd预测数值。
2.根据权利要求1所述的路基压实质量评判方法，其特征在于，所述利用所述训练集样本对所述BP神经网络模型进行训练，得到训练后的BP神经网络模型，包括：
利用所述训练集样本对所述BP神经网络模型进行训练，得到新的动态变形模量Evd数值；
根据所述新的动态变形模量Evd数值计算所述训练集样本的拟合度；
判断所述拟合度是否满足要求，若不满足要求则改变所述BP神经网络模型的所述参数再次进行学习，直到所述拟合度满足要求，得到所述训练后的BP神经网络模型。
3.根据权利要求2所述的路基压实质量评判方法，其特征在于，所述利用所述训练集样本对所述BP神经网络模型进行训练，得到新的动态变形模量Evd数值，包括：
通过以下步骤对所述训练集样本中每个样本进行训练；
通过公式（1）和公式（2）计算所述BP神经网络模型的隐藏层中各神经元的输入和输出，所述公式（1）为：
Figure 413549DEST_PATH_IMAGE001
（1）
所述公式（2）为：
Figure 868801DEST_PATH_IMAGE002
（2）
公式（1）和（2）中，
Figure 768624DEST_PATH_IMAGE003
表示隐藏层各个神经元的输入，
Figure 334734DEST_PATH_IMAGE004
表示隐藏层各个神经元的输出，
Figure 370824DEST_PATH_IMAGE005
表示输入层第i个节点的输入，
Figure 59294DEST_PATH_IMAGE006
表示输入层第i节点和隐藏层第j节点的连接权值，
Figure 446413DEST_PATH_IMAGE007
表示隐藏层第j节点的阈值，f采用的是Sigmoid公式，m表示输入层节点数，i表示输入层的节点序号；
通过公式（3）和公式（4）计算所述BP神经网络模型的输出层中各神经元的输入和输出，所述公式（3）为：
Figure 550635DEST_PATH_IMAGE008
（3）
所述公式（4）为：
Figure 706810DEST_PATH_IMAGE009
(
Figure 566182DEST_PATH_IMAGE010
（4）
公式（3）和（4）中，
Figure 175017DEST_PATH_IMAGE011
表示输出层各神经元的输入，
Figure 348510DEST_PATH_IMAGE012
表示隐藏层第j节点和输出层第k节点的连接权值，
Figure 359191DEST_PATH_IMAGE007
表示隐藏层第j节点的阈值、
Figure 389464DEST_PATH_IMAGE013
表示输出层第k节点的阈值，
Figure 485596DEST_PATH_IMAGE014
表示输出层各神经元的输出，n表示隐藏层节点数，j表示隐藏层的节点序号；
通过公式（5）计算连接到所述BP神经网络模型的输入层单元上的权值误差，所述公式（5）为：
Figure 931621DEST_PATH_IMAGE015
（5）
公式（5）中，
Figure 62388DEST_PATH_IMAGE016
表示连接到输入层单元上的权值误差，
Figure 201245DEST_PATH_IMAGE014
表示输出层各神经元的输出，
Figure 849920DEST_PATH_IMAGE017
表示样本期望值；
通过公式（6）计算连接到所述BP神经网络模型的隐藏层单元上的权值误差，所述公式（6）为：
Figure 99636DEST_PATH_IMAGE018
（6）
公式（6）中，
Figure 84909DEST_PATH_IMAGE019
表示连接到隐藏层单元上的权值误差，
Figure 394668DEST_PATH_IMAGE004
表示隐藏层各个神经元的输出，
Figure 527709DEST_PATH_IMAGE016
表示连接到输入层单元上的权值误差，
Figure 581115DEST_PATH_IMAGE012
表示隐藏层第j节点和输出层第k节点的连接权值，q表示输出层节点数，k表示输出层的节点序号；
通过公式（7）和公式（8）更新输出层的连接权值以及阈值，所述公式（7）为：
Figure 420896DEST_PATH_IMAGE020
（7）
所述公式（8）为：
Figure 901555DEST_PATH_IMAGE021
（8）
公式（7）和（8）中，
Figure 256313DEST_PATH_IMAGE022
表示更新之后的隐藏层第j节点和输出层第k节点的连接权值，
Figure 113411DEST_PATH_IMAGE023
表示更新之前的隐藏层第j节点和输出层第k节点的连接权值，
Figure 807697DEST_PATH_IMAGE024
表示权值调整参数，
Figure 459259DEST_PATH_IMAGE016
表示连接到输入层单元上的权值误差，
Figure 504575DEST_PATH_IMAGE004
表示隐藏层各个神经元的输出；
Figure 962101DEST_PATH_IMAGE025
表示更新之后的输出层第k节点的阈值，
Figure 510894DEST_PATH_IMAGE026
表示更新之前的输出层第k节点的阈值，
Figure 598936DEST_PATH_IMAGE027
表示阈值调整参数；
通过公式（9）和公式（10）更新隐藏层的连接权值和阈值，所述公式（9）为：
Figure 865969DEST_PATH_IMAGE028
（9）
公式（10）为：
Figure 861607DEST_PATH_IMAGE029
（10）
公式（9）和（10）中，
Figure 530486DEST_PATH_IMAGE030
表示更新之后的的输入层第i节点和隐藏层第j节点的连接权值，
Figure 789429DEST_PATH_IMAGE031
表示更新之前的输入层第i节点和隐藏层第j节点的连接权值，
Figure 278179DEST_PATH_IMAGE024
表示权值调整参数，
Figure 343087DEST_PATH_IMAGE019
表示连接到隐藏层单元上的权值误差，
Figure 866472DEST_PATH_IMAGE005
表示输入层第i个节点的输入；
Figure 30737DEST_PATH_IMAGE032
表示更新之后的隐藏层第j节点的阈值，
Figure 272363DEST_PATH_IMAGE033
表示更新之前的隐藏层第j节点的阈值，
Figure 813066DEST_PATH_IMAGE027
表示阈值调整参数；
当所述训练集样本中的所有的样本训练完毕后，计算均方误差，若所述均方误差满足输出条件，则输出新的动态变形模量Evd数值。
4.根据权利要求3所述的路基压实质量评判方法，其特征在于，所述当所述训练集样本中的所有的样本训练完毕后，计算均方误差，若所述均方误差满足输出条件，则输出新的动态变形模量Evd数值，包括：
通过公式（11）计算均方误差，所述公式（11）为：
Figure 253274DEST_PATH_IMAGE034
（11）
公式（11）中，
Figure 854020DEST_PATH_IMAGE035
表示均方误差，Ck表示期望输出值，
Figure 317362DEST_PATH_IMAGE014
表示输出层各神经元的输出，q表示输出层节点数；
当所述均方误差满足
Figure 661756DEST_PATH_IMAGE036
，则所述均方误差满足输出条件，其中
Figure 222050DEST_PATH_IMAGE037
表示学 习的精度，t表示训练集样本中的训练样本，z表示训练样本总数。
5.一种路基压实质量评判装置，其特征在于，包括：
获取模块，用于获取试验数据，所述试验数据包括压路机的振动参数、土体性质信息和动态变形模量Evd实测数值，所述压路机的振动参数包括振动加速度峰值、振动频率、振动激振力和碾压次数；
划分模块，用于将所述试验数据划分为训练集样本和测试集样本；
设定模块，用于设定BP神经网络模型参数，所述参数包括允许误差线、允许最大失败的次数和学习的精度；
训练模块，用于利用所述训练集样本对所述BP神经网络模型进行训练，得到训练后的BP神经网络模型；
预测模块，用于利用训练后的BP神经网络模型对测试集样本进行预测，得到动态变形模量Evd预测数值。
6.根据权利要求5所述的路基压实质量评判装置，其特征在于，所述训练模块，包括：
训练单元，用于利用所述训练集样本对所述BP神经网络模型进行训练，得到新的动态变形模量Evd数值；
计算单元，用于根据所述新的动态变形模量Evd数值计算所述训练集样本的拟合度；
判断单元，用于判断所述拟合度是否满足要求，若不满足要求则改变所述BP神经网络模型的所述参数再次进行学习，直到所述拟合度满足要求，得到所述训练后的BP神经网络模型。
7.根据权利要求6所述的路基压实质量评判装置，其特征在于，所述训练单元，包括：
训练子单元，用于通过以下步骤对所述训练集样本中每个样本进行训练；
通过公式（1）和公式（2）计算所述BP神经网络模型的隐藏层中各神经元的输入和输出，所述公式（1）为：
Figure 728118DEST_PATH_IMAGE001
（1）
所述公式（2）为：
Figure 944336DEST_PATH_IMAGE002
（2）
公式（1）和（2）中，
Figure 826841DEST_PATH_IMAGE003
表示隐藏层各个神经元的输入，
Figure 244571DEST_PATH_IMAGE004
表示隐藏层各个神经元的输出，
Figure 921540DEST_PATH_IMAGE005
表示输入层第i个节点的输入，
Figure 359475DEST_PATH_IMAGE006
表示输入层第i节点和隐藏层第j节点的连接权值，
Figure 45671DEST_PATH_IMAGE007
表示隐藏层第j节点的阈值，f采用的是Sigmoid公式，m表示输入层节点数，i表示输入层的节点序号；
通过公式（3）和公式（4）计算所述BP神经网络模型的输出层中各神经元的输入和输出，所述公式（3）为：
Figure 252662DEST_PATH_IMAGE008
（3）
所述公式（4）为：
Figure 428428DEST_PATH_IMAGE009
(
Figure 353659DEST_PATH_IMAGE010
（4）
公式（3）和（4）中，
Figure 577967DEST_PATH_IMAGE011
表示输出层各神经元的输入，
Figure 905043DEST_PATH_IMAGE012
隐藏层第j节点和输出层第k节点的连接权值，
Figure 251711DEST_PATH_IMAGE007
表示隐藏层第j节点的阈值、
Figure 398658DEST_PATH_IMAGE013
表示输出层第k节点的阈值，
Figure 426657DEST_PATH_IMAGE014
表示输出层各神经元的输出，n表示隐藏层节点数，j表示隐藏层的节点序号；
通过公式（5）计算连接到所述BP神经网络模型的输入层单元上的权值误差，所述公式（5）为：
Figure 608240DEST_PATH_IMAGE015
（5）
公式（5）中，
Figure 125809DEST_PATH_IMAGE016
表示连接到输入层单元上的权值误差，
Figure 25631DEST_PATH_IMAGE014
表示输出层各神经元的输出，
Figure 591742DEST_PATH_IMAGE017
表示样本期望值；
通过公式（6）计算连接到所述BP神经网络模型的隐藏层单元上的权值误差，所述公式（6）为：
Figure 627831DEST_PATH_IMAGE018
（6）
公式（6）中，
Figure 253985DEST_PATH_IMAGE019
表示连接到隐藏层单元上的权值误差，
Figure 437841DEST_PATH_IMAGE004
表示隐藏层各个神经元的输出，
Figure 807643DEST_PATH_IMAGE016
表示连接到输入层单元上的权值误差，
Figure 26134DEST_PATH_IMAGE012
表示隐藏层第j节点和输出层第k节点的连接权值，q表示输出层节点数，k表示输出层的节点序号；
通过公式（7）和公式（8）更新输出层的连接权值以及阈值，所述公式（7）为：
Figure 823189DEST_PATH_IMAGE020
（7）
所述公式（8）为：
Figure 432025DEST_PATH_IMAGE021
（8）
公式（7）和（8）中，
Figure 402255DEST_PATH_IMAGE022
表示更新之后的隐藏层第j节点和输出层第k节点的连接权值，
Figure 412936DEST_PATH_IMAGE023
表示更新之前的隐藏层第j节点和输出层第k节点的连接权值，
Figure 380892DEST_PATH_IMAGE024
表示权值调整参数，
Figure 477024DEST_PATH_IMAGE016
表示连接到输入层单元上的权值误差，
Figure 188628DEST_PATH_IMAGE004
表示隐藏层各个神经元的输出；
Figure 381712DEST_PATH_IMAGE025
表示更新之后的输出层第k节点的阈值，
Figure 520570DEST_PATH_IMAGE026
表示更新之前的输出层第k节点的阈值，
Figure 838419DEST_PATH_IMAGE027
表示阈值调整参数；
通过公式（9）和公式（10）更新隐藏层的连接权值和阈值，所述公式（9）为：
Figure 353714DEST_PATH_IMAGE028
（9）
公式（10）为：
Figure 404234DEST_PATH_IMAGE029
（10）
公式（9）和（10）中，
Figure 713992DEST_PATH_IMAGE030
表示更新之后的的输入层第i节点和隐藏层第j节点的连接权值，
Figure 519137DEST_PATH_IMAGE031
表示更新之前的输入层第i节点和隐藏层第j节点的连接权值，
Figure 572544DEST_PATH_IMAGE024
表示权值调整参数，
Figure 412324DEST_PATH_IMAGE019
表示连接到隐藏层单元上的权值误差，
Figure 955301DEST_PATH_IMAGE005
表示输入层第i个节点的输入；
Figure 513321DEST_PATH_IMAGE032
表示更新之后的隐藏层第j节点的阈值，
Figure 104839DEST_PATH_IMAGE033
表示更新之前的隐藏层第j节点的阈值，
Figure 64705DEST_PATH_IMAGE027
表示阈值调整参数；
第一计算子单元，用于当所述训练集样本中的所有的样本训练完毕后，计算均方误差，若所述均方误差满足输出条件，则输出新的动态变形模量Evd数值。
8.根据权利要求7所述的路基压实质量评判装置，其特征在于，所述训练单元，还包括：
第二计算子单元，用于通过公式（11）计算均方误差，所述公式（11）为：
Figure 778583DEST_PATH_IMAGE034
（11）
公式（11）中，
Figure 558320DEST_PATH_IMAGE035
表示均方误差， Ck表示期望输出值，
Figure 953530DEST_PATH_IMAGE014
表示输出层各神经元的输出，q表示输出层节点数；
输出子单元，用于当所述均方误差满足
Figure 767902DEST_PATH_IMAGE036
，则所述均方误差满足输出条 件，其中
Figure 590364DEST_PATH_IMAGE037
表示学习的精度，t表示训练集样本中的训练样本，z表示训练样本总数。
9.一种路基压实质量评判设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述路基压实质量评判方法的步骤。
10.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述路基压实质量评判方法的步骤。
CN202110205420.3A 2021-02-24 2021-02-24 一种路基压实质量评判方法、装置、设备及可读存储介质 Pending CN112734305A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110205420.3A CN112734305A (zh) 2021-02-24 2021-02-24 一种路基压实质量评判方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110205420.3A CN112734305A (zh) 2021-02-24 2021-02-24 一种路基压实质量评判方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN112734305A true CN112734305A (zh) 2021-04-30

Family

ID=75597003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110205420.3A Pending CN112734305A (zh) 2021-02-24 2021-02-24 一种路基压实质量评判方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112734305A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239599A (zh) * 2021-06-15 2021-08-10 江苏理工学院 基于bp神经网络的智能轮胎磨损寿命预估方法及装置
CN117060353A (zh) * 2023-07-31 2023-11-14 中国南方电网有限责任公司超高压输电公司电力科研院 基于前馈神经网络高压直流输电系统故障诊断方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160333536A1 (en) * 2014-10-24 2016-11-17 Gomaco Corporation Adjustable Width Trail Paver
CN109919481A (zh) * 2019-03-01 2019-06-21 河海大学 一种碾压混凝土压实度多参数联合实时评价方法
CN112064617A (zh) * 2020-09-07 2020-12-11 南方电网能源发展研究院有限责任公司 一种土石混合料地基质量检测方法
CN112113655A (zh) * 2020-09-21 2020-12-22 西南交通大学 一种地铁轨道扣件振动信号检测装置及健康评估方法
CN112214826A (zh) * 2020-11-27 2021-01-12 西南交通大学 一种高铁路基压实质量智能化实时评定的方法及装置
CN112252292A (zh) * 2020-10-15 2021-01-22 河北工业大学 一种基于人工神经网络的高速公路压实度实时监测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160333536A1 (en) * 2014-10-24 2016-11-17 Gomaco Corporation Adjustable Width Trail Paver
CN109919481A (zh) * 2019-03-01 2019-06-21 河海大学 一种碾压混凝土压实度多参数联合实时评价方法
CN112064617A (zh) * 2020-09-07 2020-12-11 南方电网能源发展研究院有限责任公司 一种土石混合料地基质量检测方法
CN112113655A (zh) * 2020-09-21 2020-12-22 西南交通大学 一种地铁轨道扣件振动信号检测装置及健康评估方法
CN112252292A (zh) * 2020-10-15 2021-01-22 河北工业大学 一种基于人工神经网络的高速公路压实度实时监测方法
CN112214826A (zh) * 2020-11-27 2021-01-12 西南交通大学 一种高铁路基压实质量智能化实时评定的方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ZLINXI: "深度学习之BP算法", 《HTTPS://BLOG.CSDN.NET/QQ_33273962/ARTICLE/DETAILS/83537810》 *
李应文 等: "《路基工程》", 31 October 2016, 中国铁道出版社 *
杨学超 等: "基于BP人工神经网络的路基压实度预测模型研究", 《甘肃科学学报》 *
烨枫_邱: "深入理解BP神经网络", 《HTTPS://WWW.JIANSHU.COM/P/6AB6F53874F7》 *
王戈 等: "《压实机械》", 30 April 1992, 中国建筑工业出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239599A (zh) * 2021-06-15 2021-08-10 江苏理工学院 基于bp神经网络的智能轮胎磨损寿命预估方法及装置
CN117060353A (zh) * 2023-07-31 2023-11-14 中国南方电网有限责任公司超高压输电公司电力科研院 基于前馈神经网络高压直流输电系统故障诊断方法及系统

Similar Documents

Publication Publication Date Title
Formetta et al. Evaluating performance of simplified physically based models for shallow landslide susceptibility
Juang et al. Probabilistic framework for liquefaction potential by shear wave velocity
CN112734305A (zh) 一种路基压实质量评判方法、装置、设备及可读存储介质
KR102044041B1 (ko) 지진측정장치 및 지진측정방법
CN101806664B (zh) 有支座沉降时基于混合监测的索系统的递进式健康监测方法
CN101504333B (zh) 基于应变监测的索结构中索系统的递进式健康监测方法
Saltan et al. Artificial neural networks–based backcalculation of the structural properties of a typical flexible pavement
CN101476989A (zh) 基于混合监测的索结构中索系统的递进式健康监测方法
CN106198870B (zh) 一种基于神经网络的锚杆杆体损伤位置识别方法
CN106568647B (zh) 一种基于神经网络的混凝土强度预测方法
CN107784191A (zh) 基于神经网络模型的异性结构面峰值抗剪强度预测方法
CN101477340A (zh) 基于索力监测的索结构中索系统的递进式健康监测方法
CN111199313A (zh) 基于神经网络对滑坡累积位移趋势进行预测的方法及系统
Saltan et al. Modeling deflection basin using artificial neural networks with cross-validation technique in backcalculating flexible pavement layer moduli
Hassanlourad et al. Dry unit weight of compacted soils prediction using GMDH-type neural network
CN110472363B (zh) 适用于高速铁路隧道的围岩变形等级预测方法及系统
Kivade et al. ANN models for prediction of sound and penetration rate in percussive drilling
CN112307536A (zh) 一种大坝渗流参数反演方法
CN114880940A (zh) 基于多域分析和人工神经网络的压实质量检测方法及装置
CN114036831A (zh) 一种待检测工程场地边坡的岩土力学参数的实时检测方法
Park et al. Application of genetic algorithm and finite element method for backcalculating layer moduli of flexible pavements
CN113640712A (zh) 一种舰船垂向感应磁场垂向分量的预测方法
CN113158315A (zh) 一种基于静力触探数据的岩土体参数三维非平稳条件随机场建模方法
Hsein Juang et al. Predicting geotechnical parameters of sands from CPT measurements using neural networks
CN110569549B (zh) 一种基于区间摄动的桁架结构的动载荷识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210430