CN116542287A - 一种采用混合数据进行桥梁动态称重的连续神经网络算法 - Google Patents

Abstract

本发明公开一种采用混合数据进行桥梁动态称重的连续神经网络算法。本发明使用连续神经网络模型对桥梁主梁和桥面板的应变信息进行处理，得到车辆的横向加载位置、车辆总重和轴重，包括获取车辆速度，建立神经网络模型；训练全局神经网络，获得车辆横向加载位置以及总重；训练局部神经网络，获得车辆轴重等步骤。本发明采用混合数据和连续神经网络模型，只需少量的试验数据，利用相邻主梁的应变信息即可同时实现对车辆总重和横向加载位置的预测，并且对车辆总重和轴重的识别兼具独立性和制约性，识别精度高，降低了获取训练数据的难度和成本，提高了算法的稳定性，对不同加载路线上的车辆具有良好适应性，能够适用于各种类型的桥梁。

Description

一种采用混合数据进行桥梁动态称重的连续神经网络算法

技术领域

本发明属于人工智能领域，涉及桥梁动态称重或车辆荷载监测，具体涉及一种采用混合数据进行桥梁动态称重的连续神经网络算法。

背景技术

在桥梁领域，常用的车辆称重方法主要包括静态称重法和桥梁动态称重（BWIM）方法。静态称重方法需要车辆停车或以极低速度行驶，主要识别车辆总重，车辆单轴轴重难以识别，且需设置专门称重站，因此在实际应用中很受限制。桥梁动态称重系统近年来得到不断发展，越来越多地运用于车辆限载和桥梁结构的状态评估与健康监测中。BWIM方法将既有桥梁作为一个称重秤，可以在不中断交通的情况下连续不断的检测桥梁在车辆通行过程中的动态响应信号，并以此反推车辆的重量信息。为了提升识别精度，桥梁动态称重系统的改进方法得到越来越多的研究。中国发明CN115909223A提供了一种BWIM系统信息与监控视频数据相匹配的方法和系统，旨在基于视觉的桥梁交通荷载分析过程中，融合WIM系统数据，从而能够提供更多有利的信息。中国发明CN115900906A提供了一种基于边梁跨中测点应变的桥梁动态称重方法，利用梯度下降算法将边梁跨中测点应变响应的理论值与实测值之间的误差进行反向传播，并通过不断迭代，对未知轴重车辆的轴重进行循环修正，最终提升车辆轴重的识别精度。

BWIM技术的主要目的是获取通过桥梁的行驶车辆的总重与轴重等信息。

（1）计算轴重与总重：

桥梁动态称重技术主要采用桥梁的理论影响线和车辆荷载作用位置，经过线性叠加建立以车辆轴重为未知量的桥梁响应的理论预测值，并通过优化算法降低桥梁响应理论预测值与实际测量值之间的差距以求解未知的车辆轴重，然后将求解的各轴重相加得到车辆总重预测值。然而，由于车辆的总重经各轴重相加得到，会造成误差累积，使得车辆总重的误差增大。此外，也有研究基于桥梁应变响应与车辆轴距、速度等已知信息采用人工神经网络（ANN）技术来预测车辆总重与轴重分配系数，并将预测得到的车辆总重和轴重分配系数相乘得到车辆各轴重。但此做法同样会造成误差的累积，增大车辆轴重的求解误差。上述基于预测的轴重得到车辆总重，或者基于预测的车辆总重得到车辆轴重的思路在预测车重时均会造成预测误差的直接累积。

（2）实现动态称重所需数据量：

传统基于Moses算法的桥梁动态称重技术在识别车辆轴重时依赖桥梁的影响线，车辆加载下的桥梁实际影响线与BWIM系统采用的影响线越接近，求解的轴重准确性越高，反之准确性越低，而准确的桥梁实际影响线往往需要大量的模拟数据和试验数据的校核来获得。此外，采用人工神经网络对车辆总重和轴重分配系数同时进行准确预测也需要大量的训练数据，特别是试验加载数据。而在实际工程中，大量试验加载数据的获取往往难度大、成本高。

（3）计算横向加载位置：

目前BWIM系统采用桥梁的一维影响线，当车辆偏离预定的加载路线时，影响线之间的相似性降低，对未知车辆重量的求解难度会显著提升，车重识别精度降低。若考虑实际工程中常见的车辆跑偏等横向加载位置变化的情况，则需要桥梁二维影响面信息，在获取桥梁理论上与实际加载下的二维影响面信息都需要大量的桥梁模型信息，计算难度增加。

发明内容

针对现有BWIM技术存在的难以直接同时获得车辆总重与轴重，需要基于其中一项进行加和或分配得到另一项，易造成误差累积，依赖大量实验或试验数据，对沿任意路线行驶车辆的车重识别精度低，且需要复杂的桥梁影响面信息等技术问题，本发明提供一种采用混合数据进行桥梁动态称重的连续神经网络算法，采用混合数据与连续神经网络模型识别车辆总重、轴重及横向加载位置。该方法基于混合数据，不依赖影响线方法，根据连续的两个前馈神经网络就能分别获得同一车辆的总重与轴重，减少预测误差累积，算法稳定性高；只需要少量的试验数据与模拟数据进行混合就能训练连续神经网络模型预测车辆轴重和总重，从而能够显著降低对试验数据的依赖；不需要建立复杂的桥梁二维影响面，采用相邻目标主梁的应变信息及其应变峰值的比值共同训练神经网络，就能在预测车辆总重的同时得出车辆的横向加载位置。

本发明提供的一种采用混合数据进行桥梁动态称重的连续神经网络算法，采用混合数据与连续神经网络模型识别车辆总重、轴重及横向加载位置，具体包括如下步骤：

S1: 获取车辆速度，建立神经网络模型：

在获取试验数据时，将应变传感器安装在桥梁两端支座内侧的桥梁面板（简称桥面板）与目标主梁上，分别获取桥面板的横向应变信息和目标主梁的纵向应变信息；获取桥面板两端横向应变传感器的安装位置间的纵向间距L，根据两个应变传感器采集到的应变时程曲线，计算二者峰值出现的时间差t，车辆平均行驶速度如下式所示：

(1)

在获取模拟数据时，在与获取试验数据时应变传感器相同的位置处采集桥面板的横向应变信息与目标主梁的纵向应变信息，并同样按式（1）计算车辆平均行驶速度；

根据获得的试验数据和模拟数据，分别建立纯模拟数据驱动下的连续神经网络模型、纯试验数据驱动下的连续神经网络模型以及试验数据和模拟数据混合驱动下的连续神经网络模型；连续神经网络模型均由全局神经网络和局部神经网络串联组成，如图2所示。其中，全局神经网络与局部神经网络以各自的训练数据所反映的是桥梁与车辆的整体情况还是局部情况而命名。对于全局神经网络，其主要输入数据与主要输出数据为主梁响应与车辆总重，分别反映的是桥梁响应与车辆重量的整体情况，故命名为全局神经网络；而局部神经网络的主要输入数据与主要输出数据为桥面板的横向应变与车辆的各轴重，分别反映的是桥梁响应与车辆重量的局部情况，因此称为局部神经网络。

S2: 训练全局神经网络，获得车辆横向加载位置以及总重：

将车辆过桥时实测目标主梁的应变信息或者数值模拟采集的桥梁目标主梁的应变信息进行峰值提取，并计算目标主梁应变峰值之比，联合步骤S1获得的车辆平均行驶速度共同作为全局神经网络的输入数据，将车辆横向加载位置和总重作为输出数据，共同训练和优化全局神经网络，最终实现对车辆的横向加载位置以及总重的准确预测；

S3: 训练局部神经网络，获得车辆轴重：

根据步骤S2从全局神经网络输出的车辆横向加载位置以及车辆总重，结合桥面板横向应变峰值共同作为输入数据，将车辆轴重作为输出数据，共同输入到局部神经网络中，进行神经网络训练与优化，实现对车辆轴重的准确预测。值得说明的是，采用局部神经网络识别车辆轴重时并非以桥面板的横向应变或者车辆总重单独作为依据，而是将二者共同作为预测的依据，这样可以明显降低误差累积，保证预测结果的相对独立性以及算法的稳定性。

进一步地，步骤S2中，所述目标主梁为在对桥梁进行对称分析后选取的主要承受桥梁对称轴一侧的车道荷载的相邻主梁。例如，对图1中桥梁进行对称分析后选主梁1和主梁2作为目标主梁（主梁1、主梁2分别与主梁4、主梁3对称）。

进一步地，桥面板与目标主梁的应变信息的试验数据，分别从贴至位于支座内侧的桥面板的横向中间位置以及桥梁主梁的跨中位置的应变片采集得到；例如，图1中以D1点和D2点作为桥面板的应变采集点，对桥梁进行对称分析后选主梁1和主梁2作为目标主梁，并以位于各自跨中梁底位置的G1点和G2点作为主梁应变采集点；在对应桥梁数值模型中的同样位置通过有限元分析得到桥面板与目标主梁的应变信息的模拟数据。在得到目标主梁与桥面板的应变信息后分别将其输入整体与局部神经网络中进行车辆总重、横向加载位置和轴重的识别。

进一步地，所述连续神经网络模型分为模拟数据驱动、试验数据驱动以及试验数据和模拟数据混合驱动下的神经网络模型，不同类型的连续神经网络模型根据不同来源的训练数据建立，且基于各来源数据的神经网络均由全局神经网络和局部神经网络串联组成，如图2所示。对于每种来源数据的连续神经网络，均需要以下三个求解模型，并进行模型结构优化。

（1）速度求解模型

根据安装于桥梁两端支座内侧的桥面板上的应变传感器，通过测量得到传感器间的纵向直线距离L，并根据车辆经过两个传感器的信号曲线得到二者信号峰值间的时间差t，根据L与t的比值得到车辆过桥的平均行驶速度。

（2）总重与横向加载位置求解模型

为考虑车辆加载路线变化对车辆重量识别结果的影响，提出全局神经网络模型，利用车辆平均行驶速度、相邻目标主梁的应变峰值及其比值作为全局神经网络的输入变量，将车辆总重与横向加载位置作为全局神经网络的输出变量。

（3）轴重求解模型

建立局部神经网络模型，将桥面板的横向应变峰值与全局神经网络输出的车辆总重和横向加载位置共同作为局部神经网络的输入数据，将车辆的各轴重作为输出数据。

需要注意的是，对于拥有不同数量主梁的梁桥以及不同车轴数的待识别车辆，需要重新训练全局神经网络模型和局部神经网络模型。应对目标梁桥进行对称分析，重新确定全局神经网络中输入的主梁应变参数，并对具有不同轴数的待识别车辆，重新调整局部神经网络的输出变量。

进一步地，神经网络由输入层、隐含层和输出层组成。数据从输入层输入神经网络，在隐含层进行加工处理，并从输出层输出。神经网络的每一层均由神经元组成，神经元是神经网络处理信息的最基本单元。每个神经元进行相似的数据处理，即隐含层中的神经元借助求和模块（如式2所示）与激活模块（如式3所示）对输入神经元的数据进行处理，并将输出值传输到与之相连接的下一层神经元中。数据经过层层传递直至输出层，作为神经网络的预测值，将预测值与真实值进行对比，以二者间的均方误差MSE衡量神经网络的预测精度，计算如式（4）所示。之后，采用反向传播的方式更新权重参数以降低神经网络的预测误差，从而优化神经网络性能。

(2)

式中，x _i 表示输入到当前隐含层中第i个神经元的输入数据；n表示当前隐含层中神经元的总数；y _j 表示当前隐含层中第i个神经元输出到下一层隐含层中第j个神经元的数据；w _ji 表示随机分配到当前隐含层第i个神经元与下一层隐含层第j个神经元之间的权重参数；b _j 表示第j个神经元的偏移量。

(3)

式中，Y表示y _j 经过激活函数后的数值。

(4)

式中，与/>分别表示预测值与实际值；m表示输出神经元的总量。

研究表明，目前并未有确定性的方法决定神经网络的合理结构。对于三种训练数据来源下的神经网络模型，如图3的组织流程图所示，主要通过调整隐含层层数与神经元数量来进行结构优化，并采用Try and error方法确定合理的神经网络结构。具体而言，三种数据来源下的连续神经网络模型的输入层和输出层的神经元数量由输入数据和输出数据的参数数量决定，每层隐含层的神经元数量默认取10；对纯模拟数据驱动与纯试验数据驱动的连续神经网络模型，初始隐含层层数根据式（5）所示经验公式进行确定，在训练过程中根据Try and error方法确定合理的隐含层层数；试验数据和模拟数据混合驱动下的连续神经网络模型的初始隐含层层数参考式（5）所示经验公式、优化后的纯模拟数据驱动与纯试验数据驱动的连续神经网络模型的合理隐含层层数来综合确定，并在训练过程中采用Try and error方法确定合理隐含层层数。并且，试验数据和模拟数据混合驱动下的连续神经网络模型还需要优化其训练数据组成，使该连续神经网络模型在混合数据只包含极少比例试验数据的情况下，就能够达到与其它两种来源数据驱动下的连续神经网络模型相近的车辆参数识别精度；

(5)

式中，h表示初始隐含层层数；p与q分别表示输入数据与输出数据的参数数量。

本发明的有益效果在于：

本发明提出的神经网络算法和相应技术能够适用于各种类型的桥梁，只需满足桥梁主梁和桥面板在车辆荷载作用下主要受弯矩作用的条件即可。

相比于现有的桥梁动态称重技术，本发明采用连续神经网络算法，只需要少量的试验数据，利用相邻主梁的应变信息即可实现对车辆总重和横向加载位置的同时预测，并且对车辆总重和轴重的识别兼具独立性和制约性，且识别精度高，降低了获取训练数据的难度和成本，提高了算法的稳定性，并且对不同加载路线上的车辆具有良好适应性。

附图说明

图1为实施例的桥梁应变采集点示意图，以桥长2.5m，宽1.012m，缩尺比例为1:8的缩尺试验桥为例，图中，1、2、3、4所示的虚线框分别表示主梁1、主梁2、主梁3和主梁4，D1、D2表示桥面板应变采集点，G1、G2表示主梁应变采集点。

图2为本发明连续神经网络模型示意图。

图3为本发明连续神经网络模型优化过程的组织流程图，图中，SMPS表示纯模拟数据驱动下的连续神经网络模型，SMPE表示纯试验数据驱动下的连续神经网络模型，SMHSE表示试验数据和模拟数据混合驱动下的连续神经网络模型。

图4为实施例中主梁上G2位置的应变曲线。

图5 为SMHSE中全局神经网络对车辆总重的预测误差，图中，E _max 、E _mean 与E _min 分别表示最大预测误差、预测误差均值、最小预测误差。

图6 为SMHSE中局部神经网络对车辆轴重的预测误差，图中标注的试验数据所占比例为试验数据量与混合数据总量的比值进行四舍五入后的结果。

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细说明，但本发明并不限于此。

本发明提供的一种采用混合数据进行桥梁动态称重的连续神经网络算法，采用混合数据与连续神经网络模型识别车辆总重、轴重及横向加载位置，包括如下步骤：

S1: 获取车辆速度，建立神经网络模型：

在获取试验数据时，将应变传感器安装在桥面板与目标主梁上（如图1所示），分别获取桥面板的横向应变信息和各主梁的纵向应变信息；获取桥面板两端横向应变传感器的安装位置间的纵向间距L，根据两个应变传感器采集到的应变时程曲线，计算二者峰值出现的时间差t，车辆平均行驶速度按照L比t计算。

在获取模拟数据时，在与获取试验数据时应变传感器相同的位置处采集桥面板与主梁的应变信息，并同样按L比t计算车辆平均行驶速度。

根据获得的试验数据和模拟数据，分别建立纯模拟数据驱动下的连续神经网络模型、纯试验数据驱动下的连续神经网络模型以及试验数据和模拟数据混合驱动下的连续神经网络模型；基于各来源数据的连续神经网络模型均由全局神经网络和局部神经网络串联组成，如图2所示。其中，全部神经网络因其训练数据主要反映的是桥梁响应与车辆重量的全局信息而命名，主要用于预测车辆的横向加载位置和总重，局部神经网络因其训练数据主要反映的是桥梁响应与车辆重量的局部信息而命名，主要用于预测车辆轴重。

S2: 训练全局神经网络，获得车辆横向加载位置以及总重：

分别从贴至桥面板的横向中间位置以及桥梁主梁的跨中位置的应变片采集得到桥面板与目标主梁的实测应变信息，在对应桥梁数值模型中的同样位置通过有限元分析得到桥面板与目标主梁的模拟应变信息。将实测应变信息或者数值模拟采集的桥梁目标主梁的应变信息进行峰值提取，并计算目标主梁应变峰值之比，联合步骤S1获得的车辆平均行驶速度共同作为全局神经网络的输入数据，将车辆横向加载位置和总重作为输出数据，共同训练和优化全局神经网络，最终实现对车辆的横向加载位置以及总重的准确预测。实测应变信息的采集，如图1所示，以D1和D2作为桥面板的应变采集点，对桥梁进行对称分析后选主梁1和主梁2作为目标主梁，并以位于各自跨中梁底位置的G1和G2点作为主梁应变采集点；且在对应桥梁数值模型中的同样位置作为桥面板与目标主梁的模拟应变信息采集点。

S3: 训练局部神经网络，获得车辆轴重：

根据步骤S2从全局神经网络输出的车辆横向加载位置以及车辆总重，结合桥面板横向应变峰值共同作为输入数据，将车辆轴重作为输出数据，共同输入到局部神经网络中，进行神经网络训练与优化，实现对车辆轴重的准确预测。

优化连续神经网络模型的组织流程如图3所示。

实施例

对桥梁进行对称分析后选取承受桥梁对称轴一侧的车道荷载的相邻主梁作为目标主梁，本实施例采用缩尺比例为1:8的缩尺试验桥梁，如图1所示，主梁数量为4，分别为主梁1、主梁2、主梁3和主梁4，选取其中心线一侧的主梁1和主梁2两个主梁作为目标主梁，并分别在主梁1的G1与主梁2的G2位置处采集主梁响应信息。

对基于混合数据进行训练的连续神经网络模型，将三轴车以拟静态的加载速度分别通过缩尺模型与对应的有限元模型，得到桥梁目标主梁与桥面板上应变采集点处的响应。以G2处的应变曲线为例，如图4所示，可以发现基于缩尺试验和有限元模拟得到的应变曲线吻合良好，表明桥梁模型准确性高。按照不同的设计工况进行试验和模拟得到G1、G2以及D1、D2处的应变曲线。此外，根据D1与D2应变传感器间的纵向间距以及车辆经过D1与D2应变传感器位置处的时间差获得车辆平均行驶速度。按照图2中连续神经网络模型的训练数据准备模拟数据与试验数据，之后按照图3所示组织流程完成基于混合数据的连续神经网络模型（SMHSE）的训练数据收集、模型建立以及模型训练与优化，最终实现在训练数据仅含极少比例的试验数据的情况下完成对车辆总重与轴重的最优识别。

本实施例采用有限元模型桥及其缩尺试验桥（缩尺比例为1:8），图2中全局神经网络的输入层与输出层的神经元数量分别为4与2，局部神经网络的输入层与输出层的神经元数量分别为3与3，每层隐含层的神经元数量默认取10，训练优化后的连续神经网络模型的关键参数如表1所示，混合神经网络模型最优（预测误差最小）的训练数据总量为350，其中试验数据占比5%，基于不同优化训练数据的连续神经网络模型对车辆总重与轴重的识别精度分别如图5与图6所示。实验结果表明，优化后的混合数据驱动的连续神经网络模型在混合数据中试验数据比例仅为5%的情况下，利用相邻主梁的应变信息即可实现对车辆总重和横向加载位置的同时预测，并且对车辆总重和轴重的识别兼具独立性和制约性，预测精度高。需要说明的是，由图6可以看出，随着试验数据比例的增加，混合数据驱动的连续神经网络模型的预测精度降低。主要原因在于试验数据的数据质量受采集过程误差、仪器精度等多种因素影响，随着试验数据量越大，误差来源增多，多重来源下的误差累积会造成试验数据质量下降，增加输入数据与输出数据之间关系的模糊度，最终导致神经网络模型对输入数据与输出数据之间关系的映射准确性降低，预测误差增大。

表1 训练优化后的连续神经网络模型的关键参数

Claims (8)

1.一种采用混合数据进行桥梁动态称重的连续神经网络算法，其特征在于，采用混合数据与连续神经网络模型识别车辆总重、轴重及横向加载位置，包括如下步骤：

S1:获取车辆速度，建立神经网络模型：

在获取试验数据时，将应变传感器安装在桥梁两端支座内侧的桥面板与目标主梁上，分别获取桥面板的横向应变信息和目标主梁的纵向应变信息；获取桥面板两端横向应变传感器间的纵向间距L，根据两个应变传感器采集到的应变时程曲线，计算二者峰值出现的时间差t，车辆平均行驶速度为L与t之比；

在获取模拟数据时，在与获取试验数据时应变传感器相同的位置处采集桥面板的横向应变信息和目标主梁的纵向应变信息，并同样按L比t计算车辆平均行驶速度；

根据获得的试验数据和模拟数据，分别建立纯模拟数据驱动下的连续神经网络模型、纯试验数据驱动下的连续神经网络模型以及试验数据和模拟数据混合驱动下的连续神经网络模型；

S2: 训练全局神经网络，获得车辆横向加载位置以及总重：

将车辆过桥时实测目标主梁的应变信息或者数值模拟采集的桥梁目标主梁的应变信息进行峰值提取，并计算目标主梁应变峰值之比，联合步骤S1获得的车辆平均行驶速度共同作为全局神经网络的输入数据，将车辆横向加载位置和总重作为输出数据，共同训练和优化全局神经网络，最终实现对车辆的横向加载位置以及总重的预测；

S3: 训练局部神经网络，获得车辆轴重：

根据步骤S2从全局神经网络输出的车辆横向加载位置以及车辆总重，结合桥面板横向应变峰值共同作为输入数据，将车辆轴重作为输出数据，共同输入到局部神经网络中，进行神经网络训练与优化，实现对车辆轴重的预测。

2.根据权利要求1所述的一种采用混合数据进行桥梁动态称重的连续神经网络算法，其特征在于，步骤S2中，所述目标主梁为在对桥梁进行对称分析后主要承受桥梁对称轴一侧的车道荷载的相邻主梁。

3.根据权利要求1所述的一种采用混合数据进行桥梁动态称重的连续神经网络算法，其特征在于，桥面板的横向应变信息与目标主梁的纵向应变信息的试验数据，分别从贴至位于支座内侧的桥面板的横向中间位置和桥梁主梁的跨中位置的应变片采集得到；桥面板的横向应变信息与目标主梁的纵向应变信息的模拟数据，在对应桥梁数值模型中的同样位置通过有限元分析得到。

4.根据权利要求1所述的一种采用混合数据进行桥梁动态称重的连续神经网络算法，其特征在于，所述连续神经网络模型按数据来源分为纯模拟数据驱动、纯试验数据驱动以及试验数据和模拟数据混合驱动下的连续神经网络模型，且基于各来源数据的连续神经网络模型均由全局神经网络和局部神经网络串联组成。

5.根据权利要求1至4任一项所述的一种采用混合数据进行桥梁动态称重的连续神经网络算法，其特征在于，所述神经网络由输入层、隐含层和输出层组成，数据从输入层输入神经网络，在隐含层进行加工处理，并从输出层输出。

6. 根据权利要求5所述的一种采用混合数据进行桥梁动态称重的连续神经网络算法，其特征在于，所述神经网络的每一层均由神经元组成，隐含层中的神经元借助式（2）所示的求和模块与式（3）所示的激活模块对输入神经元的数据进行处理，并将输出值传输到与之相连接的下一层神经元中，数据经过层层传递直至输出层，作为神经网络的预测值，将预测值与真实值进行对比，以二者间的均方误差MSE衡量神经网络的预测精度，所述均方误差的计算公式如式（4）所示，

(2)

式中，x _i 表示输入到当前隐含层中第i个神经元的输入数据；n表示当前隐含层中神经元的总数；y _j 表示当前隐含层中第i个神经元输出到下一层隐含层中第j个神经元的数据；w _ji 表示随机分配到当前隐含层第i个神经元与下一层隐含层第j个神经元之间的权重参数；b _j 表示第j个神经元的偏移量；

(3)

式中，Y表示y _j 经过激活函数后的数值，

(4)

式中，与/>分别表示预测值与实际值；m表示输出神经元的总量。

7.根据权利要求6所述的一种采用混合数据进行桥梁动态称重的连续神经网络算法，其特征在于，所述神经网络使用反向传播的方式更新权重参数以降低预测误差从而优化神经网络模型。

8.根据权利要求5所述的一种采用混合数据进行桥梁动态称重的连续神经网络算法，其特征在于，三种数据来源下的连续神经网络模型的输入层和输出层的神经元数量由输入和输出的参数数量决定，每层隐含层的神经元数量默认取10；对纯模拟数据驱动与纯试验数据驱动的连续神经网络模型，初始隐含层层数根据式（5）所示的经验公式进行确定，在训练过程中根据Try and error方法确定合理隐含层层数；试验数据和模拟数据混合驱动下的连续神经网络模型的初始隐含层层数参考式（5）所示经验公式、优化后的纯模拟数据驱动与纯试验数据驱动的连续神经网络模型的合理隐含层层数来综合确定，并在训练过程中采用Try and error方法确定合理隐含层层数，

(5)

式中，h表示初始隐含层层数；p与q分别表示输入数据与输出数据的参数数量；

试验数据和模拟数据混合驱动下的连续神经网络模型还需要优化其训练数据组成，使所述连续神经网络模型在混合数据只包含5%试验数据的情况下，就能够达到其它两种来源数据驱动下的连续神经网络模型的车辆参数识别精度。