交通噪声预测的神经网络模型

　　交通噪声的强度同车辆的结构、种类、运行状况、道路交通状态等有关。因此,影响道路交通噪声因素可分成三大类:第一类为声源的强度,包括车流量[1,2]、车速、轻/重型车比例、道路的坡度、宽度、平整度、路面材料的性质;第二类为噪声传播的方式和传播路径,包括预测点距车道中心的距离、地面绿化状况、各类地物(如声屏障、建筑物、较大的地面起伏等)对噪声的遮挡作用及空气的温度、湿度和流动等;第三类为受声点的空间位置,包括受声点对声源的视角、噪声的反射效应等。

　　然而,上述环境影响因素具有不确定性,这种不确定性主要表现在由于人类活动如人口变迁、经济发展、社会进步等引起的声源强度的不确定性,自然现象如地理、气温、降水量、风向、风速等引起的不确定性,影响因素的测量的差异、对复杂情况如声屏障、噪声的多次反射、气象条件、路面的坡度、平整度等的处理的方法不同,都会影响预测结果。这种在参数的获取过程中和对未知的推导过程中的参数不确定性使得一般预测方法在处理大量原始数据时难以用规则或公式准确描述;另一方面,由于人类认识客观世界能力的局限性使得不能运用常规方法解决问题或解决效果不佳。人工神经网络模型由于其具有的高度非线性函数映射功能、很强的学习、联想和容错功能,在这些方面表现出了极大的灵活性和自适应性。

　　1　BP神经网络模型及其改进

　　BP神经网络属于多层状的人工神经网络,由若干层神经元组成,它们可分为输入层、隐含层和输出层(图1),经过“模式顺传播”→“误差逆传播”→“记忆训练”→“学习收敛”的反复交替过程,完成某一算法的计算机仿真。

　　但BP算法除有可能陷入局部极小外,还有收敛速度慢等缺点,Levenberg-Marquardt(简称LM)优化的学习方法,可使学习时间更短。下式为更新参数的LM规则

　　式中:J为误差对权值微分的Jacobian矩阵;e为误差向量;μ为一个标量,μ确定了学习算法是根据牛顿法还是梯度法来完成。

　　只有当训练中的误差达到了期望误差,μ达到了最大值,或者达到了最大的训练次数,才会停止训练。随着μ的增大,LM中的JTJ项可以忽略。因此学习过程主要根据梯度下降,即μ-1JTe项,只要迭代使误差增加,μ也就会增加,直到误差不再增加为止。但是,如果μ太大,则会使学习停止(μ-1JTe接近于0),当μ很小时,式(1)变成了高斯-牛顿(Gauss-Newton)法,在这种方法中,μ是自适应调整的,从而达到了优化学习的目的。

　　2　BP神经网络模型的设计