Проблемы проектирования систем прогнозирования эксплуатационного состояния автомобильных дорог на основе нечетких нейронных сетей

Тип работы:
Реферат
Предмет:
Кибернетика


Узнать стоимость

Детальная информация о работе

Выдержка из работы

УДК 625.7. 001. 18:681.3. 016
М. В Щербаков, Д. А. Скоробогатченко, А. А. Авдеев, М. А. Аль-Гунаид
ПРОБЛЕМЫ ПРОЕКТИРОВАНИЯ СИСТЕМ ПРОГНОЗИРОВАНИЯ ЭКСПЛУАТАЦИОННОГО СОСТОЯНИЯ АВТОМОБИЛЬНЫХ ДОРОГ НА ОСНОВЕ НЕЧЕТКИХ НЕЙРОННЫХ СЕТЕЙ
Волгоградский государственный технический университет E-mail: Maxim. shcherbakov@gmail. com, algonid@gmail. com, Avdeev. alexander@gmail. com
Предлагается использование нечеткой нейронной сети для прогнозирования изменения эксплуатационного состояния автомобильных дорог. Для практических расчетов по прогнозированию разработана автоматизированная система. Приведен практический пример прогнозирования изменения эксплуатационного состояния автомобильных дорог.
Ключевые слова: автомобильные дороги, эксплуатационное состояние, нечеткие нейронные сети.
M. V. Shcherbakov, D. A. Skorobogatchenko, A. A. Avdeev, M. A. Al-Gunaid
DESIGN PROBLEMS OF PREDICTION OF OPERATING CAR NETWORK-BASED FUZZY NEURAL NETWORKS
Volgogorad State Technical University
Proposes to use fuzzy neural network for forecasting changes the operational status of highways. For practical calculations to forecast developed an automated system. The practical examples of forecasting changes in the operational status of highways.
Keywords: roads, operational status, fuzzy neural networks.
В настоящее время для принятия обоснованных управленческих решений в дорожностроительном секторе необходима эффективная система прогнозирования эксплуатационного состояния автомобильных дорог (ЭС АД) с учетом внешнего транспортно-климатического воздействия и дорожных работ. В этом направлении разработан ряд программных продуктов для управления текущим ремонтом и содержанием автомобильных дорог, среди которых можно выделить АБДД «РЕМОНТ» и АБДД «ДОРОГА», Титул 2000−2005, IndorGIS/Road «Минимум» [4]. Однако широкому практическому применению созданных систем препятствует необходимость сбора большого количества данных на основе дорогостоящей диагностики эксплуатационного состояния автомобильных дорог [2].
Таким образом, в связи с тем, что процессы прогнозирования изменения ЭС АД достаточно сложны для анализа с помощью общепринятых количественных методов, а ЭС АД в каждый конкретный момент времени может очень удобно интерпретироваться качественной информацией, авторы считают, что для прогнозирования изменения ЭС АД большие возможности открывает использование нечеткой логики [1, 5]. В свою очередь, объединение нечетких множеств с нейронными сетями в нечеткую нейронную сеть позволяет повысить точность прогноза и устранить субъективизм в формули-
ровке правил [3]. Существенным положительным качеством получаемой в результате такого объединения нечеткой нейронной сети (ННС) является способность к «обучению», то есть к самостоятельной корректировке прогнозируемых результатов на основе статистических материалов.
Первоначально модель прогнозирования ЭС АД строилась на работе двух ННС, параллельно сочетающих воздействие внешней среды и дорожные работы на ЭС АД (рис. 1). Рассмотрим последовательность ее функционирования:
На первом слое (Ь) пользователь вводит данные, характеризующие уровень начального ЭС АД, воздействия среды и дорожные работы:
У, = X, (1)
где у1 — нейроны первого слоя, значениям которых присваивается значение входной переменной- X, — входные переменные, значения
которых задаются пользователем- , — количество входных переменных (, = 1… 3).
На втором слое (Ь1) каждая переменная первого слоя представляется тремя функциями принадлежности гауссовского типа:
У, г = Ц г (X), (2)
где цг (х,) — функции принадлежности нечетких множеств входных переменных х1 (см. табл. 1): г — количество нечетких множеств (, = 1… 3).
Ll L2
Ввод текущих значений Вычисление значений функ-входных переменных ций принадлежности гауссовского вида от входных переменных
Начальное ЭС
АД
Lз L4 L5
Произведение значений Суммирование произве- Вычисление зна-функций согласно пра- дений умноженных на чения прогнози-
руемого ЭС АД
П г = У г (і)Х У і (Х2)
Воздействие среды на ЭС АД
веса связей
9
і=Е™ і х П г
Значение выходной пере-
у
Начальное ЭС
АД
Воздействие дорожных работ на ЭС АД
*2 =ІІХ П
Рис. 1. Структура модели прогнозирования ЭС АД, основанная на двух ННС с двумя параллельными входами
На третьем слое (Ь3) осуществляется произ-
На четвертом слое (Ь4) осуществляется сум-
ведение значений нейронов второго слоя, пред- мирование результатов произведений третьего ставляющее собой перебор вариантов возмож- слоя, помноженных на веса связей. В результа-
ных сочетаний: у. = П^ (хг),
(3)
і=1…3 г =1… 3
те, в данном слое имеется всего два нейрона:
9 9
У* = Е®. П^ г (Хг) и Уь =ЕП^ г (Хг),
¦=1 г=1…3 =1 г=1 … 3
г=1…3 '- '-
где у — количество произведений: нейронов третьего слоя (в каждой из двух сеток у = 1… 9).
где ю. — первоначальный вес связи.
Таблица 1
Вид функций принадлежности (нейроны второго слоя)
Начальное эксплуатационное состояние Воздействие среды Воздействие дорожных работ
Название множества Функция принадлежности Название множества Функция принадлежности Название множества Функция принадлежности
1 2 3 4 5 6
Неудовле- творитель- ное у (х) = ехр К х-о)'- Низкое у (х) = ехр --(х& quot-0)2'- Низкое у (х) = ехр -(х-0)'-'-
Удовлетво- рительное у (х) = ехр- хй6)'-] Среднее у (х) = ехр і хш4)'- Среднее у (х) = ехр (х-0,3) & quot-1 & quot-0л5)
Хорошее у (х) = ехр і ё)'- |- Разруши- тельное у (х) = ехр -(ё Г Интен- сивное у (х) = ехр --(а2'-
На пятом слое (Х5) получается выходное значение прогнозируемого ЭС АД путем деления значения нейрона, а на значение нейрона Ь:
у = У, а I Уь • (5)
Настройка весовых коэффициентов позволит устранить субъективизм в формулировке набора нечетких правил. Алгоритм обучения ННС следующий:
1. По материалам фактического обследования дорог за прошлые годы определяется обучающая выборка. Она представляет собой статистический набор фактических значений входных переменных и соответствующих им значений выходной переменной — прогнозируемого ЭС АД (табл. 2).
Таблица 2
Общий вид обучающей выборки для ННС с двумя входами
Номер примера выборки т Фактическое значение первой входной переменной х Фактическое значение второй входной переменной хт Фактическое значение выходной переменн°й 7ф'-ак1 Расчетное значение выходной переменной, полученное в моделИ ^ Фактическое значение ошибки прогнозирования вт = у & quot- у факт расч факт
1 х х'- У1 факт У1 расч в1 факт
2×12 х'- У2 факт У2 расч в'- дейст

М хМ хМ у М факт у М расч вМ дейст
2. Определяется расчетное значение выходной переменной 7р: ч для каждого из т-примеров
обучающей выборки, которые также приводятся в массиве рядом с фактическими данными.
3. Задается величина средней допустимой ошибки за цикл обучения (вдоп), а также величина скорости обучения (п).
4. Рассчитываются новые значения весов
связей между третьим и четвертым слоем по
следующим формулам:
ш" (Г +1) = ш" (Г) +Аш", (6)
Аш" =-п у х 8^, (7)
где ^ - номер цикла обучения. Один цикл обучения включает перебор всех примеров из обучающей выборки.
5. Определяется средняя фактическая ошибка за цикл обучения:
м /
8факт =? 8"ак/М. (8)
т=1 /
Если значение средней фактической ошибки за цикл обучения превышает значение средней допустимой ошибки, то происходит возврат на шаг 4.
6. В противном случае процесс обучения прекращается, и сеть считается обученной.
Практические расчеты, основанные на модели, использующей параллельную работу ННС, показали скачкообразное снижение ошибки, вызванное независимой работой двух ННС даже при низких скоростях обучения (рис. 2).
— Фактическая ошибка прогноза
Установленная минимальная ошибка
а
— Фактическая ошибка прогноза
Устновленная минимальная ошибка
б
Рис. 2. Типичные графики снижения ошибки прогнозирования ЭС АД при применении модели, основанной на двух параллельных ННС
Для устранения данного недостатка авторы перешли от работы двух параллельных ННС с двумя входами к реализации одной ННС с тремя входами (рис. 3), сохранив при этом общую концепцию функционирования сети. Результаты прогнозирования и процесс снижения ошибки в модели с тремя входами представим на рис. 4.
Таким образом, в результате объединения композиционного вывода по прогнозированию ЭС АД и нейронной сети получена гибридная ННС. Экспериментально обоснована применимость ННС с тремя входами. Для практических расчетов предложена АСУ «Road Status», позволяющая повысить до требуемой величины точность работы модели прогнозирования изменения ЭС АД.
Ll ^ Lз
Ввод теку- Вычисление значений функ- Произведение значений
щих значе- ций принадлежности гаус- функций согласно прави-ний входных совского вида от входных лам
L4
Суммирование произведений умноженных на веса связей
Фактическое Э С -----Прогнозируемое ЭС до обучения
Прогнозируемое Э С после обучения
а
----Суммарная фактическая ошибка прогнозирования
б
Рис. 4. Результаты прогнозирования ЭС АД «Сызрань — Саратов — Волгоград» до и после настройки весов (а)
и снижение ошибки в процессе обучения (б)
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Боровик, В. С. Система оценки и прогнозирования изменения транспортно-эксплуатационного состояния автомобильных дорог / В. С. Боровик, Д. А. Скоробогатчен-ко // Известия вузов. Строительство. — 2005. — № 10. — С. 89−94.
2. Камаев, В. А. Применение нечетких нейросетевых моделей для идентификации состояния автомобильных дорог / В. А. Камаев, М. В. Щербаков, Д. А. Скоробогат-ченко // Вестник компьютерных и информационных технологий. — 2010. — № 12. — С. 36−41.
3. Сарычев, Д. С. ГИС, САПР и БД / Д. С. Сарычев,
А. В. Скворцов // Автомобильные дороги. — 2009. — № 1. -С. 54−57.
4. Хусаинов, И. Ж. К диагностике автомобильных дорог / И. Ж. Хусаинов // Автомобильные дороги. — 2009. -№ 4. — С. 52.
5. Щербаков, М. В. Специфика применения интеллектуальных моделей анализа данных для повышения энергетической эффективности / М. В. Щербаков // Известия Волгоградского государственного технического университета: межвуз. сб. науч. ст. № 11 (71) / ВолгГТУ. — Волгоград: ИУНЛ ВолгГТУ, 2010. — (Сер. Актуальные проблемы управления, вычислительной техники и информатики в технических системах. Вып. 9). — С. 72−76.

ПоказатьСвернуть
Заполнить форму текущей работой