毕业论文-基于BP神经网络的高速公路道路安全评价系统设计

湖南大学毕业设计（论文）HUNAN毕业论文论文题目基于BP神经网络的高速公路道路安全评价系统设计学生姓名学生学号专业班级自动化2班学院名称电气与信息工程学院指导老师学院院长2015年 4月湖南大学毕业设计（论文）PAGEIII摘要我国高速公路发展迅猛，而伴随而来的交通事故发生率也是居高不下。为了降低事故发生率，国家也出台了许多政策法规，规范驾驶员的驾驶行为，同时，有关部门也在积极采取措施，想办法预防交通事故的发生。针对道路安全问题，由于其影响因素很多，而且相互之间联系很复杂，加上需要处理的数据量相当大，要研究道路安全问题，人工神经网络当然是第一个考虑到的研究方法，而其中的BP神经网络则是首选。在未来高速公路安全评估领域，大数据分析、预防性决策会是研究的主要方向，从源头减少事故发生率，消除安全隐患。这将更多需要通过构建网络评价体系，更多采用数学、统计学、模糊控制理论以及神经网络方面的专业知识进行道路安全评价和危险预警。借助Matlab等软件构建网络模型进而分析得到更接近真实情况的数据指标，这样能够更好地反映现实道路状况，为决策者、管理者提供更加准确的道路安全信息。这必将是道路安全评价体系建设的一大趋势。关键词：高速公路，安全评价，神经网络，评价指标ThedesignofhighwayroadsafetyevaluationsystembasedonBPneuralnetworkAbstractAlongwiththerapiddevelopmentofhighwayinourcountry,thetrafficaccidentrateishigh.Inordertoreducetherateofaccidents,countrieshavealsointroducedanumberofpoliciesandregulations,standardizethedriver’sdrivingbehavior,atthesametime,therelevantdepartmentsareactivelytakingmeasurestopreventtheoccurrenceoftrafficaccidents,Accordingtotheroadsafetyproblem,becausealotoftheinfluencefactors,andbetweentheamountofdataisverycomplex,andneedstobedealtwithisquitelarge,tostudytheroadsafetyproblem,artificialneuralnetworkisthefirsttoconsidertheresearchmethod,andtheBPneuralnetworkispreferred.Inthefuturethehighwaysafetyevaluation,dataanalysis,preventivedecisionwillbethemainresearchdirection,fromthesourcetoreducetheaccidentrate,eliminatesafetyhazards.Thiswillneedmorebyconstructingthenetworkevaluationsystem,byusingtheusingthemathematicalstatistics,moreprofessionalknowledge,thefuzzycontroltheoryandneuralnetworkforroadsafetyevaluationandearlywarning.ConstructionandanalysisofdataareclosertotherealsituationofthenetworkmodelwiththeaidoftheMatlabsoftware,whichcanbetterreflecttherealroadcondition,andtheroadsafetyinformationismoreaccuratelyforthedecisionmakersandmanagers.Thiswillbeabigtrendoftheconstructionoftheroadsafetyevaluationsystem.Keywords:highway,safetyevaluation,neuralnetwork,evaluationindex目录第一章绪论 11.1研究背景 11.1.1我国高速公路发展现状 11.1.2我国高速公路发展趋势 11.2研究目的 21.3研究的重点与难点，拟采用的途径 2第二章道路安全影响因素及相关评价指标 32.1影响因素 32.1.1道路状况因素 32.1.2车辆因素 32.1.3驾驶员自身因素 32.1.4天气等其他因素 42.2评价指标确定 42.2.1确定原则 42.2.2具体指标的确定 5第三章道路安全评价方法选择 63.1评价方法介绍 63.1.1常用评价方法 63.1.2BP神经网络方法 63.2道路安全评价方法确定 9第四章模型建立与实施 114.1BP神经网络建立 114.1.1BP神经网络 114.1.2评价模型 154.2BP网络模型评价样本 164.2.1模拟样本 164.2.2指标数据模拟 174.3BP网络模型的MATLAB实现 184.3.1MATLAB简介 184.3.2MATLAB实现 18第五章结论 29第六章心得体会 30参考文献 31致谢 32附录A 33附录B 34湖南大学毕业设计（论文）第35页第一章绪论1.1研究背景1.1.1我国高速公路发展现状伴随着社会经济的飞速发展，公路交通的发展也在大踏步前进。除了传统的县道，乡道，国道干线，更快速高效的高速公路的诞生，无疑是给飞速发展的经济提供了强劲的推动力。到2009年底，我国高速公路通车里程达到7.5万公里，仅次于美国，位列世界第二。高速公路的迅猛发展与建设，给人类带来了更加便利快捷的交通出行选择。然而，凡事都有两面性，我们研究的对象也是如此。高速公路在给人们带来便利的同时，也带来了诸多道路安全隐患。居高不下的事故发生率，人员伤亡率以及重大财产损失，给高速公路的健康良性运行蒙上了阴影。2011年全国20个省份的高速公路事故死亡人数出现了上升。随着高速公路的发展，距离远，时间长，驾驶员由于长时间得不到休息，普遍存在疲劳驾驶的现象，加上道路路况、车辆车况和天气气候等环境因素对高速公路的路面安全影响也有很大关系，使得高速公路道路安全形势变得相当复杂。因此，从交通事故发生的成因及辅因等方面多角度分析和研究高速公路事故特点、成因以及从源头上消除安全隐患的管理对策，是十分必要且紧迫的。1.1.2我国高速公路发展趋势近十几年，我国高速公路建设已取得巨大成就。回顾我国高速公路发展历程，并与国际高速公路发展水平作比较，可以发现，我国高速公路的发展还有很大空间，而眼下的发展趋势也在证明，它正处在更大规模、更高质量的快速发展阶段。我国高速公路的发展，将与新兴的高铁交通一起，构建中国交通运输的新模式。与此同时，对道路安全的掌控也会随着交通的发展而提出更高的要求。这就需要更先进，更智能的道路安全评估体系来预防和监督道路安全隐患，并及时将隐患扼杀在萌芽阶段，从而确保高速发展建设与安全保障相匹配，走又好有快发展道路，形成真正意义上的有利于经济社会发展的新世纪中国道路交通发展新常态。1.2研究目的1、了解我国高速公路发展历史、现状以及与之共生的道路安全问题；2、学习并掌握BP神经网络的原理以及在日常生产生活中的应用实例，学习能够利用BP神经网络的原理为高速公路安全问题提出可行性解决办法；3、利用已学的概率论及其他相关数学和专业知识，构建一个基于BP神经网络的道路安全预警系统，并能经过学习训练，得到正确的评价结果；4、能够熟练使用Matlab等软件解决问题。1.3研究的重点与难点，拟采用的途径BP神经网络模型的构建以及与高速公路模型的匹配，通过软件模拟仿真测得数据与实际情况对照得出结果从而验证算法准确性是本次研究的重点与难点。重点：1、理解与掌握BP神经网络的原理；2、将BP网络与其他方法比较，体现出BP神经网络的优点；3、建立BP神经网络评价体系；4、构建BP神经网络模型；5、BP算法设计。难点：研究对象（高速公路）数据的确定与收集；BP网络隐含层及节点数量的确定；BP网络学习过程中学习模型的确定（如Sigmod函数模型）；Matlab软件的使用（GUI图形界面的使用）。根据学习得到的数据，在Matlab上进行仿真；拟采用的研究手段：根据构建的BP网络，利用采集的数据进行学习训练；根据训练结果对BP网络模型的准确性进行评价并对偏差做修正；利用Matlab软件对BP网络进行模拟实现。第二章道路安全影响因素及相关评价指标2.1影响因素2.1.1道路状况因素道路状况包括交通设施，安全设施，路面情况等元素。其中交通设施包括隧道、路灯、交通灯、行车线、路标路牌等。安全设施包括护栏、减速带、紧急电话等。路面情况包括弯道、陡坡，颠簸路段、维修路段等。此外，还有广告牌等外围信息。据相关资料统计显示，将近70%的高速公路安全事故是因为道路状况不佳而诱导发生的。比，有些路面出现破损，而当车速较快时，很难采取紧急避免措施；在急弯处，很多驾驶员会减速，但难免会有失速的时候，这时如果路面太窄或者护栏未能起到保护作用的话，很容易发生重大安全事故，造成重担人员伤亡和财产损失。由此可见，道路状况很大程度上对高速公路的安全具有举足轻重的作用。2.1.2车辆因素车辆因素包括:车辆自身的结构、性能以及其在高速公路上的运行速度。在高速公路上，车辆速度普遍都很快，而其中不同车辆由于性能差异，在高速公路上的速度表现也会有所不同，大小车车速差距更加明显。因此，保持合理的车距以把握好车辆间的安全距离，对高速公路道路安全至关重要。2.1.3驾驶员自身因素由于高速公路是一个全封闭的交通运行环境，在路面上行驶的车辆时不允许临时停车的。所以，作为驾驶员来说，准确的判断、精湛的操作、冷静的心态特别重要。有些驾驶员高速公路驾驶经验不足，可能不适应大强度长时间集中注意力的驾驶，会出现驾驶疲劳，反应迟钝，最终导致对突发情况处置不及时而发生事故。另外，又去缺乏经验，对突发情况缺乏有效处置能力，肯能会因处置不当发生本该可以避免的安全事故。还有一方面，就是超载超速，这是高速公路最大的人为隐患，应该严厉防范杜绝。2.1.4天气等其他因素雨雪雾霾等恶劣天气会导致高速公路能见度极度下降，影响道路安全。在阳光强烈时，单调的路面及周围景观容易让人神经疲劳，也会诱发交通安全事故。2.2评价指标确定2.2.1确定原则由上述可以知道，高速公路交通安全是个比较复杂的问题，影响高速公路安全的因素很多而且很复杂，主要设计人员、车辆、天气、路况等诸多因素，他们之间紧密联系，同时又相互影响。显然，如果全部考虑这些因素，对其进行逐一逐项的分析研究，是对人力物力资源的极大浪费，而且也没有这个必要。对于这个问题，我们应该抓住主要矛盾，要有选择性的进行分析。要从中选择选择对高速公路安全影响较大，具有直接作用的因素来分析。对于其他相关因素，可以联合主要对象，作为参考因素。这样，既能高效进行研究，又能较为客观全面的反映研究对象的实际情况。凡事都有原则，本次研究也不例外。对于高速公路安全评价指标体系，大致原则有这些：明确性：对于研究对象，首先一定要明确研究对象的特点，明确研究方法的针对性选取。对自己选区的主要研究研究因素，一定要明确其在影响高速公路安全上分别起到什么作用，进而对不同的影响因素有侧重的进行分析研究，提高效率。科学性：科学性包括的方面比较多，独立性，稳定性，容错性，一致性等。独立性指各因素间的研究应相应独立，单独考虑是不能相互影响，否则会产生干扰，影响研究的进行，甚至影响结果的准确定性。稳定性指对充满变化的现实环境，所研究的体系应具有稳定性，能够适应变化的条件，得到与实际情况较为接近的数据或者结果。容错性指在研究分析过程中对于个别少数因偶然因素产生的数据误差具有相容性，对产生的冲突具有相容调和能力。一致性是指研究过程应严格遵守实际情况，结果应该能够较为准确的反映实际情况。易分析性：对于研究对象的指标，在保证能够反映实际情况的前提下，应尽量使得相关数据你能够较为容易获得，易于分析处理，这样嫩能够减少工作量，提高体系运行效率，从而提高实用性。周全性：评价体系要能够较为全面反映研究对象的实际情况，能够准确反映总体情况和要求，不能产生偏向，尽量避免因片面分析而产生误差甚至错误的结果。可行性：可行性，个人理解即实际应用过程中的简化性。研究过程在实际应用中应该能够简便的进行，可操作性强。这样，这个体系才能真正意义上说是可以应用于实际情况的。2.2.2具体指标的确定在众多道路安全影响因素中，对道路安全的影响程度是不一样的。鉴于本此研究，我选取了一些对高速公路安全影响最大的影响因素：1、实时降水量；2、坡道长度；3、弯道半径；4、隧道个数；5、大型车比例；6、平均车速气温第三章道路安全评价方法选择3.1评价方法介绍3.1.1常用评价方法1、事故率法事故率法是以事故率作为评价指标，通过数据分析对高速公路安全情况进行直接评估。这种犯法特点是直观、线性，具有较强的可读性和可比较性。但这种方法的缺陷是比较片面，只考虑的事故发生本身的情况，容易得到片面的、不具代表性的结论，因而得到的结果往往与实际情况有偏差。2、层次法层次分析法（AHP）是一种系统性的、结实实用的评价决策方法。他在研究过程中对数据信息的需求量较少。但也是因为这一点，由于定量数据少，定性因素多，所得结果往往难以令人相信。而当指标过多时会出现连接层与层间的权重值很难确定。另外，特征值和特征向量的精确求法比较复杂。3.1.2BP神经网络方法人工神经网络（ANN）是由人工神经元互联组成的网络，它是从微观结构和功能上对人脑的抽象、简化，是模拟人类智能的一条重要途径，反映了人脑功能的若干基本特征，如并行信息处理、学习、联想、模式分类、记忆等。神经网络对控制领域有吸引力的特征：能逼近任意L2上的非线性函数；信息的并行性分布式处理与存储；可以多输入、多输出；便于用超大规模集成电路（VLSI）或光学集成电路系统实现，或用现有的计算机技术实现能进行学习，适应环境的变化。1943年建立的第一个神经元模型——MP模型，为神经网络的研究与发展奠定了基础。至今，已建立了多种神经元与网络的模型，取得了相当多的成果。其中一些模型被用于自动控制领域。决定网络性能的三大要素：神经元的特性；神经元之间相互连接的形式——拓补结构；为适应环境而改善技能的学习规则。神经网络是由大量处理单元组成的非线性大规模自适应动力系统。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式设计一种新的机器使之具有人脑那样的信息处理能力。同时，对这种神经网络的研究将进一步加深对思维及智能的认识。人工神经网络具有以下基本属性：非线性、非局限性、非定常性、非凸性。反向传播网络是一种多层前馈网络，它是神经网络的重要一类。该网络的监督学习采用误差反向传播算法。反向传播网络自出现以来，一直是神经网络中最为流行的神经计算模型，得到了极其广泛的应用。误差反向传播的思想最早由Bryson等人于1969年提出。1974年，Werbos在哈佛大学的博士论文里也是研究误差反向传播。Parker于1985年发表的技术报告也是论述了误差反向传播。直到1986年，Rumelhart及其研究小组在Nature杂志上发表其研究成果时，反向传播网络和反向传播算法才得到人们的关注。反向传播学习算法简称BP算法，采用BP算法的前馈型神经网络简称BP网络。BP网络与多层感知机没有本质的区别，但是BP网络具有更加强大的计算能力，能够反应更加复杂的映射。BP网络结构：图1BP算法基本流程结束遗传操作遗传操作初始化：结束遗传操作遗传操作初始化是否满足结构进化种植条件是否满足结构进化种植条件确定结构为最优个体结构，权值初始化确定结构为最优个体结构，权值初始化是否满足结构进化终止条件是否满足结构进化终止条件是否用BP算法训练网络是否用BP算法训练网络BP算法训练网络BP算法训练网络结束结束图23.2道路安全评价方法确定安全评价体系是一个多层次的复杂系统，对么一个对象的影响因素往往涉及多个因素，因而通常情况，我们会根据自身经验，结合查阅的书籍资料进行相关评价与评定。这样做会带来一些因缺乏严谨性而产生的问题。主要有以下几个方面：评价指标之间存在各种各样的关系，其中就有一些非线性甚至更加复杂的关系，这就需要有更加高级的方式去表现这些复杂的关系。由于各影响因素对你研究对象的作用效果、影响程度大小不一，因而在考虑诸多影响因素时，权值的分配就显得比较重要，分配的合理就能够较为准确的反映实际情况。对有些影响因素，可能不是太好鉴别与区分其对研究对象的影响究竟是怎么样的，或者说对研究对象的影响效果究竟有多大。合理的取舍，抓住主要影响因素是提高研究效率，降低人力物力消耗的必然要求。在以往的一些评价方法，诸如层次法，事故率法等等，这些方法适用于定性或者定量的分析研究。但是在研究过程中，不把人为因素产生的干扰带进研究过程是相当困难的。而这些方法，往往在研究问题时会参杂研究者的个人情感思想在里边，从而影响研究结果的科学性与普适性。人工神经网络可以有效的避免和解决上述产生的问题。人工神经网络以其对非线性问题的处理能力，可以轻松处理解决一般线性方法无法解决的问题；对神经网络结构来说，其自适应性的学习能力，很大程度上扩展了神经网络的应用范围，在自主获取信息，进行数据处理及判断的同时，通过学习产生适应性，为解决问题提供了更加便利的途径；人工神经网络具有记忆功能，当类似问题再次出现是，网络系统就能够哥怒遗忘做过的学习与记忆进行相同的处理，达到提高系统运行效率的目的。本次采用的神经网络方法主要思想如下：首先分析研究对象的特点，构建适合的神经网络结构；然后将采集的样本数据在已经构建的网络中进行学习训练，由输入，网络层，输出结果，并与期望值进行比较；网络进行学习训练后，得到的收敛结果即是该网络对目前问题及与其类似问题的评价准则。当后期需要对类似对象进行相关评价时，就将整理收集的相关数据输入网络中进行学习训练，计算出结果，这个结果就是对该研究对象最终的评价结果。而网络会根据具体情况自动分配样本的权值，并随着网络训练次数，在迭代过程中调整权值，从而可以使得的结果更佳具有说服力。第四章模型建立与实施4.1BP神经网络建立4.1.1BP神经网络BP网络是神经网络中最高效，最精华，应用最广泛的分支。它结构简单，可塑性强。将近九成的学习算法苏用的网络都是BP网络，可见其应用之广。BP网络的特点有如下几个：网络中每个神经元模型包含一个非线性激活函数。而其中满足非线性要求的一个普遍应用形式是由logistic函数定义的sigmod非线性函数：y=其中，是神经元i的激活值，即网络中全部加权值和偏置值之差，y是i的输出量。（2）一个神经网络包括不属于输入输出的中间层，即隐含层。网络可以在隐含层阶段对输入信息进行有效信息的提取和学习，也正是这样，神经网络能够适应更加复杂的环境与任务。（3）网络中所有的去啊之都可以根据具体情况进行修改和调整，以保证与实际情况有较高契合度。BP算法的过程：变量与参数=[],(k=1,2,……,N)为输入向量，或称之为训练样本，N为样本个数。=为第N次迭代是输入层与隐含层I之间的权值向量。=为第N次迭代时隐含层I与隐含层J之间的权值向量。=为第N次迭代时隐含层J与输出层之间的权值向量。（n）=[],(k=1,2,……,N)为第N次迭代式网络的实际输出。=[],(k=1,2,……,N)为期望输出。为学习速率，n为迭代次数。（2）初始化。给、、分别置一个随机非零的数。（3）随即样本，n=0。（4）随即样本，计算前向BP网络每层神经元输入信号u与输出信号v。（n）=（n）,p=1,2,…,P。（5）由期望输出和上一步求得的实际输出（n）计算误差E（n），判断是否满足要求，如果满足的话，就跳到下边最后一步，如果不满足，就跳到下一步（6）。（6）判断n+1是否大于迭代次数，如果大于的话就跳到最后一步，反之，就对输入样本，反向计算每一层神经元的局部梯度。其中，（n）=（n）（1-（n））（（n）-（n））,p=1,2,…,P。（n）=f(（n）),j=1,2,…J（n）=f(（n）),i=1,2,…I（7）计算修正值，同时修正权值，n=n+1，跳到（4）。相关计算公式如下：j=1,2,…,J;p=1,2,…,P;i=1,2,…,I;m=1,2,…,M（8）检查并判断所有样本是否都训练完毕，如果是，则结束本次训练，否则跳到过程（3）。性能分析：一、BP网络优点1、BP网络实现了输入到输出的映射，能够实现复杂的非线性映射。当in喊层可配置时，BP网络能够记忆学习样本能够在线输入输出的样本间联系。BP网络的记忆容量与隐含层神经元数量有关，所以如果需要扩充网络记忆容量，就要在网络隐含层上增加神经元。2、BP网络具有较强的自学习能力，通过学习，BP网络可以在较大精度范围内实现非线性映射。3、BP网络可以根据已经学习得到的规律应用于类似的样本学习，具有泛化能力。二、BP网络的问题1、学习速度慢：BP算法为梯度下降法，在延吉就复杂对象时会出现“锯齿现象”。2、存在麻痹现象：当研究对象过于复杂时会出现输出分辨率不高的情况，这样就会造成全职之间误差变化小，从而导致训练过程暂停。3、BP网络算法是基于多层神经网络，因而需要把每次迭代的步长的更新规则预先置于神经网络，这样就会使得网络运行效率有所降低。4、BP网络在训练极其复杂的对象，研究非线性问题时，会陷入局部极值，这也标志着此次训练失败。5、新加入的样本元素会影响成功学习的神经网络，而且对其进行描述的各项特征数目应该与其他样本保持一致。鉴于以上对BP网络不足的描述，专家们提出了改进的BP网络算法，即加动量的反向传播算法。大致说明如下：0<<1此式被称为广义delta规则，其中为遗忘因子，为常数。含有的项称为动量项。当本次的前一次同符号时，其加权求和值增大，使较大，从而增加了w的调节速度；反之，若符号相反，即说明有震荡，所起到的作用是稳定作用。训练样本数据处理（1）输入输出的选择输入量必须是对样本研究结果影响最大的而且相互之间要保持独立性。而输出量是根据人对于该样本所要达到的目标而进行设定。对输入量的处理即归一化，通过处理，将输入数据的值规范在[0,1]范围内，确保神经网络对数据的识别准确度，以及在学习过程中权值的合理调整。一种简单而快速的归一化算法是线性转换算法。线性转换算法常见有两种形式：

y=(x-min)/(max-min)<1>其中min为x的最小值，max为x的最大值，输入向量为x，归一化后的输出向量为y。上式将数据归一化到[0,1]区间，当激活函数采用S形函数时（值域为(0,1)）时这条式子适用。

y=2*(x-min)/(max-min)–1<2>

这条公式将数据归一化到[-1,1]区间。当激活函数采用双极S形函数（值域为(-1,1)）时这条式子适用。在本次学习过程中，我们对数据归一化采用的是第一种公式。输出量的处理输出数据的处理主要有两种方法:多中取一法、数值表示法。多中取一法能够比较直观的反映出样本的属性及关系。数值法可以得到学习过程中取得的具体样本数据，这种方法更接近实际情况，而且评价过程也可以更加直观。网络结构设计（1）权值人工神经网络会自动给定权值，在训练过程中，网络会自动调整权值，从而得到期望的输出结果。（2）隐含层节点数确定隐含层节点数是神经网络结构设计的重要环节。如果一个网络具有无限个隐含层节点，则它可以实现人已非线性映射。而对于有限个输入输出，为了提高效率，减少不必要的浪费，我们需要确定最佳节点数。隐含层节点数的确定，到目前为止，我们更多的做法是根据以往经验与自身对所研究问题的理解来确定。所以，隐含层的确定，与研究对象、输入输出项都有紧密关系。过多或过少，都会影响到样本在网络中的学习效果。增加节点可以提高网络与样本学习相互配合的精度，另一方面，为了保证网络对新的样本数据有良好的适应性，有需要尽可能减少节点数量，因而需要通过不断反复的实验摸索，找到最合适的隐含层节点数。最佳的确定标准是期望函数映射性能能够是网络形成一个边界，同时满足能够解决分类问题和保证收敛速度的要求。确定节点数的大致方法有如下几个：1、如果所需要逼近的样本函数不稳定，变化剧烈，那么可调整的连接权数应该较多，对应的隐含层节点数也应相应多一点。2、如果逼近要求高，节点数也应该对应多一点。3、在学习开始前，可对隐含层节点进行预操作，比如事先放入较少节点，在学习过程中根据需要适当增加节点数，或者事先放入足够多节点，在学习过后，把不需要的权值和节点进行删除，尽量简化网络结构。另外，还可以根据一些经验公式来初步确定节点数量，请恕这里不再赘述。4.1.2评价模型评价模型的建立分以下几个步骤：1、评价指标的确定：2、目标向量的确定：3、向量归一化处理：4、确定研究对象：5、初始化：6、输入样本，进行训练学习：7、经过训练，获得该类样本的评价指标体系：流程图如下：开始开始计算输入输出误差数据归一化处理初始化数据确定研究对象确定目标向量确定评价指标·计算输入输出误差数据归一化处理初始化数据确定研究对象确定目标向量确定评价指标计算局部梯度并修正权值计算局部梯度并修正权值 满足误差条件？满足误差条件？NNYY输入目标路段数据输入目标路段数据得到结果得到结果图34.2BP网络模型评价样本4.2.1模拟样本神经网络的训练样本是对象应该能够较为全面的体现评价体系的特点，因此应该具有代表性。在选择对象时，要考虑到其应该能够放映当今高速公路的普遍情况，对其研究结果能够得出较为准确的结论。本次训练，由于数据获取渠道的限制，研究对象是借鉴于前人搜集的数据，以该样本数据作为模拟样本，在此基础上进行的学习训练，并将此次学习训练的结果与前人既得结论比照，进而判断该体系的准确性与科学性。4.2.2指标数据模拟对研究对象所取的指标有如下几个：1、实时降水量；2、坡道长度；3、弯道半径；4、隧道个数；5、大型车比例；6、平均车速气温表4.1指标名称实时降水量（mm）坡道长度（km）弯道半径（km）隧道个数（个）大型车比例（%）平均车速（km/h）指标值5326025080由于指标有6个，即网络输入层神经元个数为6个，所以样本数量不能因为太少而缺乏代表性。所以，可以取10个样本作为研究对象，考虑各自的6个指标的情况。引用的数据样本如下表所示：表4.2样本序号12345实时降水量（mm）53.5432坡道长度（km）32.950.72弯道半径(km)26016063200700隧道个数(个)21131大型车比例（%）5057647245平均车速（km/h）8087939581样本序号678910实时降水量（mm）75.5614坡道长度（km）30.5411.9弯道半径(km)15001500200012002200隧道个数(个)42213大型车比例（%）5640646254平均车速（km/h）7890888992样本路段安全评价指标值样本序号12345特大事故14261重大事故194524579一般事微事故42031413样本序号678910特大事故40001重大事故50114012一般事故6313161132轻微事故3586954.3BP网络模型的MATLAB实现4.3.1MATLAB简介MATLAB2012a是2012年最新发行的MATLAB版本，它为数据分析与处理提供了强大的工具。MATLAB具有以下几个特点：（1）计算功能强大。（2）绘图非常方便。MATLAB具有较强的图形界面编辑的能力。（3）具有各种功能强大的工具箱。（4）HELP功能完整。自带的基于HTML的完整的HELP手册功能强大。4.3.2MATLAB实现MATLAB含有专用的神经网络工具箱，因而能够很方便的进行神经网络的算法设计。在MATLAB中，神经网络研究使用的工具箱是newff函数。Newff函数在生成BP神经网络的时候会给网络各层的权值和阈值赋予初始值，即缺省初始化，其值范围应在[0,1]范围内。调用格式如下：Net=newff(PR，[S1S2…SN1]，{TF1TF2…TFN1}，BTF，BLF，PF)其中：net=newff用于在MATLAB窗口创建新的BP神经网络；PR是表示神经网络输入向量值范围的矩阵；[S1S2…SN1]表示网络的隐含层与输出层间神经元的个数；{TF1TF2…TFN1}是网络隐含层和输出层间数据的传输函数，默认函 数是“tansig”；BTF是训练函数，默认函数是“trainlm”；BLF是权值学习函数，默认函数是“learngdm”；PF是表示性能的参数，默认值是“MSE”。1、归一化处理由于输入的原始数据在数量级、数值方面有很大差别，如果直接引用原始数据，会出现过饱和的情况，因而需要对原始数据进行归一化处理。程序代码如下：p=[53.543275.5614;32.950.7230.5411.9;2601606320070015001500200012002200;2113142213;50576472455640646254;80879395817890888992];%输入量矩阵t=[1426140001;19452457950114012;175332102156313161132;42031413358695];%输出量矩阵fori=1:7P(i,:)=(0.8*p(i,:)-min(p(i,:)))/(max(p(i,:))-min(p(i,:))+0.1);end;fori=1:4T(i,:)=(t(i,:)-min(t(i,:)))/(max(t(i,:))-min(t(i,:)));end;部分程序（含重要参数）如下：net=newff(minmax(P),T,[164],{'tansig','purelin'},'traingd');%创建名为net的BP神经网络inputWeights=net.IW{1,1};%输入层与隐含层的连接权重inputbias=net.b{2};%输入层与隐含层的阈值net.trainParam.epochs=5000;%网络参数：最大训练次数为5000次net.trainParam.goal=0.001;%网络参数：训练精度为0.001net.trainparam.lr=0.5;%网络参数：学习设置率为0.5net.trainParam.mc=0.6;%动量2、结果处理数据归一化之后，就可以通过加权平均得到评价等级。具体公示如下：=0.45+0.35+0.15+0.05等级分为4个，分别为：差： >0.5中:0.35<0.5良:0.2<0.35优:0<0.23、结果经过在MATLAB上进行第1次训练并仿真，得到如下结果：图3图4图5图6为了能够体现参数不同而产生的差异，在既有实验结果的基础上，调整了算法程序的部分参数，进行第2次训练，修改后的训练过程如下（部分程序）：net=newff(minmax(P),T,[134],{'tansig','purelin'},'traingd');%创建名为net的BP神经网络inputWeights=net.IW{1,1};%输入层与隐含层的连接权重inputbias=net.b{2};%输入层与隐含层的阈值net.trainParam.epochs=5000;%网络参数：最大训练次数为5000次net.trainParam.goal=0.0001;%网络参数：训练精度为0.001net.trainparam.lr=0.5;%网络参数：学习设置率为0.5net.trainParam.mc=0.6;%动量由此程序得到第2次训练的结果如下图所示：图7图8以上即为对该网络结构的一次学习训练的结果。具体分析如下：1、如上图1所示，该网络是一个四层网络，其中有两层隐含层，输入层有6个节点，第一个隐含层有16个节点，第二个隐含层有4个节点，输出层有4个节点。2、本次训练采用的是梯度下降法，对应的函数是“traingd”。3、第一次学习在训练到157次是达到要求，即出现“Performancegoalmet”，且此时训练精度为0.000993，达到了给定的要求（0.001）。最终TRAIN曲线斜率为0.00411，说明训练已经趋于收敛。全局误差为0.037483，虽然还不是很理想，但基本符合要求。第二次相关数据也接近合理范围。 4、在以上所得数据中，T表示期望输出的结果，t表示经过网络训练得到的输出结果，抽取第一组样本的T和t输出结果进行比较，得下表（由于第二次训练次数多，数据较为精确这里取第二次实验的数据）：表4.3期望输出实际输出偏差率0.16670.16610.00360.33330.33380.00150.06590.06590.00000.03130.03130.0000由此可得知，第二次学习过程比第一次更加接近实际情况，即第二次的网络模型构建的评价体系更加科学准确。5、把表中实际输出数据带入之前的加权公式中进行计算，得到的评价等级I=0.203025，因此，样本1高速公路路段的安全评价等级为“良”。结合实际路段的数据，可知该评价比较合理，可以采用或采纳。第五章结论本文在对高速公路安全因素的分析上，采用了实时降水量、坡道长度、弯道半径、隧道个数、大型车比例、平均车速气温作为体系评价的指标，运用BP神经网络进行算法设计并运用MATLAB软件实现。通过本文的分析设计，可以得到以下结论：1、道路路面状况、天气原因、车辆因素是可以作为道路安全评价的指标。2、可以运用BP神经网络对道路安全进行评价研究，并可以得到直观的评价结果，同时经过爪化运算可以方便得到道路的安全级别。3、MATLAB软件中含有神经网络的专用工具箱，即NEWFF函数。经过样本的训练学习，可以得到更接近于实际情况的评价体系，而且训练精度能够达到事先的要求。第六章心得体会高速公路安全一直是大家都十分关心的问题，一旦发生事故，必然会造成重大人员财产损失。针对高速公路安全的预防与处置，我利用BP神经网络为高速公路安全构建了一个评价体系。如前文一系列叙述与分析，“基于BP神经网络的告诉公路安全评价体系”初步构成。人们可以利用这个体系对自己关心的告诉公路安全情况进行分析观察，由该体系训练得到的结论可以作为评价安全等级的参考因素，具有一定的科学性、合理性。万事开头难。回顾整个分析、构建、仿真的全过程，自己颇有心得。从刚开始的无所适从，到慢慢理清思路，收集整理资料数据，再到对BP神经网络的深入学习研究，对MATLAB软件强大功能的认识与动手实践，这整个过程完全有自己亲手一步一步完成。前后总共花费了差不多一个半月的时间，从什么都不懂，到慢慢熟悉，这一路走来，自己学到了很多，特别是做研究的态度和方法。好事多磨。在整个设计过程中，我多次遇到过很棘手的问题。比如在用MATLAB仿真训练时，由于软件NEWFF工具箱的原因，同一个程序，每次运行的结果都不一样，同一程序需要经过反复的训练跟实验。Validationchecks是用来防止网络训练过适的，即是训练时网络的验证误差大于训练误差的次数，默认值为6就是大于次数达到6次训练就会停止。网络训练过适时，即使performance还在减小网络性能也不会提高，反而会降低，因此要设定过适次数来提前训练以保证网络性能。在参数选择设定方面，输入层与隐含层的节点数的取值范围可以根据一些公式来大致确定，彬彬通过逐一带入仿真调试，进而确定最合适的节点数。最大训练次数训练精度以及学习设置率和动量的确定则需要在训练过程中不断调整以达到最佳状态。这也是在仿真过程中最繁琐，最难，也是最考验耐力的关键。经过这次完整的设计实践，我觉得自己在课题项目研究上的能力有的质的提高，自己的动手时间能力，软件应用能力、水平也得到明显加强，为自己在今后工作中应对工作上的各种挑战打下了扎实的理论与实践基础，我相信自己在以后的工作中一定能够展露出自己的能力与素养，在工作上干出一番成绩。参考文献[1]徐丽娜.神经网络控制.[M].哈尔滨：哈尔滨工业大学出版社，1999[2]史忠植.神经网络.[M].北京：高等教育出版社，2009[3]SimonHaykin.神经网络原理.[M].北京：机械工业出版社，2004[4]MartinT.Hagan,HowardB.Demuth,MarkH.Beale.神经网络设计.[M].北京：机械工业出版社，2002[5]杨阳.基于运行车速的高速公路交通安全性能研究[D].湖南大学,2012.[6]李聪颖,王肇飞.基于BP神经网络的高速公路交通安全评价系统设计与实现[J].武汉理工大学学报(交通科学与工程版),2010,03:476-479.[7]陈君,李聪颖,丁光明.基于BP神经网络的高速公路交通安全评价[J].同济大学学报(自然科学版),2008,07:927-931.[8]张巍.基于BP人工神经网络的道路安全评价研究[D].长安大学,2006.[9]吾斯曼•若孜.基于BP神经网络的的高速公路交通安全评价[J].华东公路,2013,04:87-89.[10]徐晶.高速公路交通安全微观评价方法及应用研究[D].北京交通大学,2011.[11]赵胜.高速公路交通动态评