BP神經(jīng)網(wǎng)絡(luò)在靜態(tài)汽車衡軸自動識別中的應(yīng)用

上海香川電子衡器有限公司

【摘 要】 本文主要探討BP神經(jīng)網(wǎng)絡(luò)在靜態(tài)汽車衡軸自動識別中的應(yīng)用。其方法是利

用最小二乘法對車輛的重量數(shù)據(jù)進行擬合，設(shè)計了一種合適的BP神經(jīng)網(wǎng)絡(luò)模型，用

Matlab編寫模型程序，利用車輛速度與車輛上稱重量建立模型。BP神經(jīng)網(wǎng)絡(luò)在靜態(tài)汽車

衡軸自動識別的預(yù)測中取得了很好的效果。BP神經(jīng)網(wǎng)絡(luò)在靜態(tài)汽車衡軸自動識別中有良

好的應(yīng)用前景。

引言：

靜態(tài)汽車衡軸自動識別是指汽車在稱重的過程中不借助外加的軸識別器，只通過對汽車

本身的上秤的重量信息進行研究，得出汽車的準(zhǔn)確軸數(shù)，其一直以來被作為靜態(tài)汽車衡

稱重領(lǐng)域的一個課題被人們所研究。但是由于現(xiàn)場及汽車自身的諸多因素所影響，軸識

別率一直不能達到一個讓人滿意的結(jié)果。近年來，隨著科學(xué)技術(shù)的發(fā)展，各種數(shù)據(jù)處理

方法應(yīng)運而生，用神經(jīng)網(wǎng)絡(luò)去進行靜態(tài)汽車衡軸自動識別的方法引人注目，它有著傳統(tǒng)

處理方法無法比擬的適應(yīng)性、容錯性及自組織性等優(yōu)點，特別是用傳統(tǒng)處理方法效果不

好或不能達到目的時，采用BP神經(jīng)網(wǎng)絡(luò)往往能收到較好的效果。本文論述了采用BP神

經(jīng)網(wǎng)絡(luò)算法實現(xiàn)靜態(tài)汽車衡軸自動識別的建模，通過最小二乘法與LM算法使BP神經(jīng)網(wǎng)

絡(luò)算法在靜態(tài)汽車衡軸自動識別應(yīng)用中軸識別準(zhǔn)確率達到99%以上。

1 BP神經(jīng)網(wǎng)絡(luò)原理與理論分析

BP（Back Propagation）網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目

前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)

系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，

通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。

在靜態(tài)汽車衡稱重的過程中，對軸識別率產(chǎn)生影響的兩個最大的因素就是車速與車

重，因為靜態(tài)秤的特性就使得其稱重精度很高，通過對稱重傳感器的處理，我們可以很

精確的知道車輛上秤的重量；在靜態(tài)稱重的過程中，車輛正常行駛上秤過程我們可以認

為其是一個勻速上秤過程，那通過稱重儀表的AD采集速率與秤自身的有效長度，我們

可以計算出其車速。我們把車速與動態(tài)車重作為輸入層，把車軸與車重作為輸出層就可

以構(gòu)建一個二個節(jié)點的輸入層和兩個節(jié)點的輸出層的多層神經(jīng)網(wǎng)絡(luò)模型。

2 BP網(wǎng)絡(luò)在靜態(tài)汽車衡軸自動識別中的建模過程

BP神經(jīng)網(wǎng)絡(luò)建模的基本流程如圖1所示：首先收集靜態(tài)汽車衡產(chǎn)生汽車軸數(shù)與軸

重的主要影響因素及正確的軸數(shù)與軸重結(jié)果；然后把影響因素及正確的軸數(shù)與軸重結(jié)果

輸入到設(shè)計好神經(jīng)網(wǎng)絡(luò)模型中進行反復(fù)訓(xùn)練，直到網(wǎng)絡(luò)收斂（即達到預(yù)期的訓(xùn)練誤差），

在訓(xùn)練過程中可適當(dāng)采用一定的技巧使網(wǎng)絡(luò)的訓(xùn)練速度最快、誤差最小、模型最優(yōu)；最

后用建立好的模型對車軸與軸重進行預(yù)測。下面具體探討網(wǎng)絡(luò)模型的設(shè)計要點。

2.1 確定訓(xùn)練樣本

從理論上講，訓(xùn)練樣本集的容量越大，訓(xùn)練后神經(jīng)網(wǎng)絡(luò)的診斷準(zhǔn)確率就有可能提高，

但會造成訓(xùn)練速度偏慢。由于訓(xùn)練樣本集內(nèi)可能含有信息重復(fù)的冗余樣本，將這些冗余

樣本剔除后也不會影響診斷準(zhǔn)確率，這樣可用較小的典型訓(xùn)練樣本集獲取較高的診斷準(zhǔn)

確率。

2.2 變量值的歸一化處理

歸一化處理的目的是把變量值歸一到區(qū)間［-1,1］內(nèi)，主要是因為BP網(wǎng)絡(luò)中非線

性傳遞函數(shù)的值域一般在區(qū)間［-1,1］內(nèi)，因此輸入及輸出變量的取值都限于這個區(qū)間

之內(nèi)。二是為了使輸入值（特別是那些比較大的輸入值）均落在Sigmoid傳遞函數(shù)變化

較大的區(qū)間，使網(wǎng)絡(luò)的訓(xùn)練速度最快，改善網(wǎng)絡(luò)的性能。

2.3 BP網(wǎng)絡(luò)的初始化

開始訓(xùn)練時，首先進行參數(shù)的初始化，主要是對最大訓(xùn)練次數(shù)、訓(xùn)練精度、隱節(jié)點

數(shù)、初始權(quán)值、閾值及速率進行初始化。網(wǎng)絡(luò)的初始權(quán)值一般取［-1，1］之間的隨機

數(shù)，這樣可保證每個神經(jīng)元的權(quán)值都能夠在 型傳遞函數(shù)變化梯度最大的地方進行調(diào)節(jié)。

2.4 輸入與輸出層的設(shè)計

輸入輸出層主要是接收數(shù)據(jù)以及給出最后需要的處理結(jié)果。在網(wǎng)絡(luò)建設(shè)之前必須要

明確輸入輸出層以及它們之間的聯(lián)系，對于三層BP神經(jīng)網(wǎng)絡(luò)來說，輸入層僅設(shè)一層，

輸入神經(jīng)元的個數(shù)與輸入變量的個數(shù)相同。輸出層也僅有一層，輸出層神經(jīng)元的個數(shù)與

所希望得出的預(yù)測變量數(shù)目相等。

2.5 隱含層數(shù)以及隱含層節(jié)點的設(shè)計

在設(shè)計多層神經(jīng)網(wǎng)絡(luò)時，要考慮到采用幾個隱含層及各層隱含節(jié)點的個數(shù)，一般來

說，增加隱含層可增加BP神經(jīng)網(wǎng)絡(luò)的處理能力，但是會引起訓(xùn)練的復(fù)雜化及訓(xùn)練時間

加長。通用的選取隱含層及其節(jié)點的規(guī)則是：對于任意問題首先只使用一個隱含層及少

數(shù)的隱層節(jié)點，然后不斷增加隱含層節(jié)點數(shù)，直到得到滿意的結(jié)果為止。最后再考慮增

加隱含層。

2.6 信息反饋

當(dāng)輸出的結(jié)果不正確時，通過修正權(quán)值與閾值，直到其誤差減少到最小。

2.7 模型確認

模型確認后，輸入未知參數(shù)，對已建立模型進行確認，得出結(jié)果。

3 靜態(tài)汽車衡軸自動識別的神經(jīng)網(wǎng)絡(luò)模型

3.1 BP神經(jīng)網(wǎng)絡(luò)模型建立

由于我們所研究的基礎(chǔ)為靜態(tài)汽車衡，在車速為40km/h的情況下，其對于車輛的

稱重要求能夠完全滿足要求，所以我們主要是對車軸進行了分析。只要是把車軸準(zhǔn)確率

能夠保證，那么就可以準(zhǔn)確得出車輛的軸重以及車輛的總重。

BP神經(jīng)網(wǎng)絡(luò)算法對靜態(tài)汽車衡數(shù)據(jù)

處理的原理是：構(gòu)建一個二個節(jié)點（汽車

車速V與實時車重W1）的輸入層和兩個

節(jié)點（車軸Axle與車重W2）的輸出層的

多層神經(jīng)網(wǎng)絡(luò)模型。通過實驗獲得的樣本

數(shù)據(jù)，在MATLAB上通過多次訓(xùn)練構(gòu)建

的雙輸入雙輸出神經(jīng)網(wǎng)絡(luò)。如果泛化的結(jié)

果達到系統(tǒng)的誤差要求，則輸出各隱層和

輸出層的權(quán)值和閾值，然后可以利用訓(xùn)練

好的網(wǎng)絡(luò)參數(shù)，根據(jù)測得的任意速度和動

態(tài)車重，得出當(dāng)前精確的車軸與車重。

V與w1為測得的汽車行駛速度和動態(tài)車重；Axle與w2為輸出的車軸與車重；

輸入層與隱層之間的權(quán)值為wij，閾值i與j；隱層與輸出層之間的權(quán)值為wjk，閾值為j與k；

隱層選用雙曲正切型函數(shù)tansig，函數(shù)原形為：112)()2(.

+=.xexf

輸出層的神經(jīng)元則采用線性傳遞函數(shù)purelin，函數(shù)原形為=)(xfx；

則隱層節(jié)點的輸出為：j=1,2,……j；網(wǎng)絡(luò)訓(xùn)練的函數(shù)設(shè)定為trainlm。 )(

20iiijxwfWjΣ==

3.2 樣本獲取及訓(xùn)練

本實驗是在靜態(tài)汽車衡的平臺上，共采用了2～12軸共12種不同車型的車輛，加

載不同的重量分別在不同的速度下（5～40km/h）進行分組試驗。在車輛重量信息輸入

之前，我們采用了最小二乘法對車輛的重量數(shù)據(jù)進行擬合，對數(shù)據(jù)進行了一次濾波處理，

設(shè)計合適的神經(jīng)網(wǎng)絡(luò)參數(shù)。輸入神經(jīng)元2個，單層隱含層，隱含層神經(jīng)元數(shù)目4～13個

之間，通過靈敏度修剪算法確定隱含層的最佳神經(jīng)元個數(shù)，輸出層神經(jīng)元個數(shù)為2；訓(xùn)

練, 次數(shù)1000次，訓(xùn)練目標(biāo)0.01；隱含層采用 型正切函數(shù)tansig，輸出層采用線性傳遞

函數(shù)purelin，網(wǎng)絡(luò)訓(xùn)練的函數(shù)設(shè)定為trainlm。通過反復(fù)訓(xùn)練發(fā)現(xiàn)，當(dāng)隱含層神經(jīng)元個數(shù)

為6時，網(wǎng)絡(luò)的訓(xùn)練速度最快，僅需要6次訓(xùn)練便達到到了預(yù)期的訓(xùn)練誤差，訓(xùn)練的速

度也比均勻，網(wǎng)絡(luò)振蕩最小。

4 結(jié)束語

我們把上述訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型進行考核，把我們的產(chǎn)品投入到陜西30多個

超限站進行試驗，從客戶中拿到的總計約有10萬組數(shù)據(jù)進行統(tǒng)計，我們的軸識別率可

以達到99%以上，其中重車的識別率達100%，得到了客戶的認可，完全可以滿足現(xiàn)行

超限需求。實驗結(jié)果證明此方法在現(xiàn)實中已經(jīng)取得了很好的效果，并為靜態(tài)汽車衡實現(xiàn)

動態(tài)稱重打下了良好的基礎(chǔ)，有著重要的實際意義。