【摘要】：我國高速公路設(shè)施的存量逐年增加,其中路面設(shè)施的養(yǎng)護(hù)管理需求尤為突出�？茖W(xué)使用有限的資金、制定高效合理的養(yǎng)護(hù)管理方案是目前我國高速公路管理部門面臨的主要問題。以微表處為代表的路面預(yù)防性養(yǎng)護(hù)技術(shù)施工速度快、投入產(chǎn)出效果明顯,在國內(nèi)外已經(jīng)廣泛應(yīng)用。然而,作為路面預(yù)防性養(yǎng)護(hù)核心功能的養(yǎng)護(hù)決策模型目前仍存在各種問題,需要構(gòu)建更加科學(xué)合理的模型。對于路段的劃分,既有研究大多只使用傳統(tǒng)的路段劃分方法。這些方法適用范圍小、操作復(fù)雜,且精度不高。對于高速公路路面預(yù)防性養(yǎng)護(hù)效益問題,既有研究大多只考慮養(yǎng)護(hù)過程中的經(jīng)濟(jì)費(fèi)用高低或路面使用性能的好壞,很少關(guān)注并研究養(yǎng)護(hù)過程中的環(huán)境污染問題;同時既有研究大多將養(yǎng)護(hù)過程中的經(jīng)濟(jì)效益,社會效益,環(huán)境效益分開考慮,忽略三者之間的內(nèi)在聯(lián)系。對于高速公路路面預(yù)防性養(yǎng)護(hù)決策模型,既有研究大多采用傳統(tǒng)的人工決策方法、或者簡單的量化模型,在決策模型的構(gòu)建上少有創(chuàng)新;迫切需要考慮人工智能算法在決策類問題中的優(yōu)勢、將其引入到養(yǎng)護(hù)決策過程中。本文著眼于人工智能算法在解決路面預(yù)防性養(yǎng)護(hù)決策問題方面的優(yōu)勢,基于概率神經(jīng)網(wǎng)絡(luò)理論以及多目標(biāo)骨干粒子群優(yōu)化算法,對路面預(yù)防性養(yǎng)護(hù)過程中的經(jīng)濟(jì),社會,環(huán)境效益進(jìn)行分析,構(gòu)建了新的預(yù)防性養(yǎng)護(hù)管理模型,并給出了具體的案例分析。本文主要內(nèi)容如下:(1)利用概率神經(jīng)網(wǎng)絡(luò)理論建立了路段劃分模型,對路段劃分的各類影響因素進(jìn)行分析,給出了各類影響因素的貢獻(xiàn)度,可以自動將路段按照其破壞程度進(jìn)行分類。(2)將路面預(yù)防性養(yǎng)護(hù)的效益分為經(jīng)濟(jì)成本節(jié)約,社會成本節(jié)約以及環(huán)境成本節(jié)約三方面,分別建立了經(jīng)濟(jì)、社會、環(huán)境效益評價模型,作為多目標(biāo)決策模型的目標(biāo)函數(shù)。(3)基于多目標(biāo)骨干粒子群優(yōu)化算法構(gòu)建了預(yù)防性養(yǎng)護(hù)決策模型,利用所構(gòu)建的目標(biāo)函數(shù),給出了基于模糊函數(shù)的最優(yōu)養(yǎng)護(hù)方案選擇方法。所構(gòu)建的模型能夠自動對養(yǎng)護(hù)決策結(jié)果的優(yōu)劣性進(jìn)行評價,能夠給出高穩(wěn)定性、高精確度狀態(tài)下的基本參數(shù)。(4)利用上述構(gòu)建的決策模型進(jìn)行了案例分析,結(jié)果表明本研究構(gòu)建的預(yù)防性養(yǎng)護(hù)決策模型能夠生成最佳的養(yǎng)護(hù)方案。
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：U418.6
【圖文】：

圖２－１邋ＰＮＮ四層結(jié)構(gòu)逡逑Ｆｉｇ．２－１邋Ｆｏｕｒ－ｌａｙｅｒ邋ｓｔｒｕｃｔｕｒｅ邋ｏｆ邋ＰＮＮ逡逑輸入層：輸入測試樣本，節(jié)點(diǎn)個數(shù)等于樣本的特征維度。逡逑模式層：計算測試樣本與訓(xùn)練樣本中的每一個樣本的Ｇａｕｓｓ函數(shù)的個數(shù)等于訓(xùn)練樣本的個數(shù)。逡逑求和層：求取相同類別測試樣本對應(yīng)的模式層節(jié)點(diǎn)輸出之和，節(jié)點(diǎn)練樣本的類別個數(shù)。逡逑輸出層：對上述求和層輸出結(jié)果進(jìn)行分析，判斷測試樣本的類別。逡逑本文基于Ｍａｔｌａｂ軟件平臺設(shè)計概率神經(jīng)網(wǎng)絡(luò)，要構(gòu)建一個網(wǎng)絡(luò)結(jié)構(gòu)的初始化、確定傳遞函數(shù)、計算誤差、學(xué)習(xí)規(guī)則、進(jìn)行網(wǎng)絡(luò)的訓(xùn)練、。在Ｍａｔｌａｂ的概率神經(jīng)網(wǎng)絡(luò)工具箱中包含了進(jìn)行網(wǎng)絡(luò)分析所需的許多函數(shù)如下：逡逑（１）創(chuàng)建概率神經(jīng)網(wǎng)絡(luò)的函數(shù)ｎｅｗｐｎｎ（Ｐ，邋Ｔ，Ｓｐｒｅａｄ）。該函數(shù)用于在Ｍ臺上創(chuàng)建一個新的概率神經(jīng)網(wǎng)絡(luò)模型。Ｐ、Ｔ分別表示輸入向量和輸

Ｆｉｇ．２－２邋Ｒｏａｄ邋ｓｅｇｍｅｎｔａｔｉｏｎ邋ｍｏｄｅｌ逡逑２．３預(yù)防性養(yǎng)護(hù)路段劃分結(jié)果研究逡逑２．３．１分類結(jié)果逡逑本文研究中選用附錄Ａ的前２１０組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，后４０組數(shù)據(jù)作為驗算逡逑數(shù)據(jù)代入程序中計算，得到的ＰＣＩ計算結(jié)果和分類結(jié)果如表２－３所示：逡逑表２－３概率神經(jīng)網(wǎng)絡(luò)分類結(jié)果逡逑Ｔａｂｌｅ邋２－３邋Ｃｌａｓｓｉｆｉｃａｔｉｏｎ邋ｒｅｓｕｌｔｓ邋ｂｙ邋ＰＮＮ逡逑ＰＣＩ結(jié)果比較邐！邐分類結(jié)果比較逡逑原ＰＣＩ邐概率神經(jīng)網(wǎng)絡(luò)計算出ＰＣＩ邐原始分類邐概率神經(jīng)網(wǎng)絡(luò)分類逡逑１邐２８邐２８邐差差逡逑２邐６５邐６６邐次邐次逡逑３邐７１７１中

圖２－３邋ＰＣＩ回歸分析逡逑Ｆｉｇ．２－３邋Ｒｅｇｒｅｓｓｉｏｎ邋ａｎａｌｙｓｉｓ邋ｏｆ邋ＰＣＩ逡逑圖２－３顯示了原始ＰＣＩ和概率神經(jīng)網(wǎng)絡(luò)計算出來的ＰＣＩ之間的相關(guān)性，結(jié)果逡逑顯示，其相關(guān)性達(dá)到了邋９６．９６％，說明利用概率神經(jīng)網(wǎng)絡(luò)來預(yù)測已知病害類型的路逡逑面ＰＣＩ值是可行的。根據(jù)神經(jīng)網(wǎng)絡(luò)算法的本身特性分析，當(dāng)訓(xùn)練樣本達(dá)到足夠多逡逑的時候，相關(guān)性還能夠不斷提高。逡逑同時觀察兩者的分類結(jié)果，可以看出：原始分類結(jié)果與概率神經(jīng)網(wǎng)絡(luò)計算出逡逑來的分類結(jié)果具有很強(qiáng)的相關(guān)性。對分類結(jié)果做回歸分析，如圖２－４所示：逡逑５ｉ邐ｙ逡逑Ｒ？－０．９３６９逡逑４－邐？邐９＾邐？逡逑轱邋３＿邐Ｘ＂邐？逡逑幽邋２＿邐？邐，，逡逑０邋■邐■邐Ｉ邐Ｉ邐Ｉ邐Ｉ逡逑０邐１２邐３邐４邐５逡逑i曷噬窬緙迫椎姆擲噱義賢跡玻捶擲嘟峁毓櫸治鰣義希疲椋紓玻村澹遙澹紓潁澹螅螅椋錚鑠澹幔睿幔歟螅椋簀澹錚駑澹悖歟幔螅螅椋媯椋悖幔簦椋錚鑠澹潁澹螅酰歟簦簀義賢跡玻聰允玖嗽擠擲嘟峁敫怕噬窬綬擲嘟峁鬧淶南喙匭�，结果显辶x希玻板澹�？辶x

本文編號：2784109