3现同时为浙江大学土木系博士生人工神经网络
在道路交通噪声预测中的应用
张继萍3
(浙江省环科院,杭州 310007) 吴硕贤
(浙江大学建筑系,杭州 310027)
摘要 人工神经网络具有很强的预测功能.根据某公路交通噪声的实测数据,应用人工神经网络进行道路交通噪声的预测,经检验,计算值与实测值接近,从而为道路交通噪声的预测提供了一种新的途径.关键词 神经网络;交通噪声预测;反向传播算法.
1 引 言
道路交通噪声预测是目前国际上较活跃的环境声学研究课题.它对环境污染控制、管理、
规划等方面均具有重要意义.迄今为止所提出的道路交通噪声预测方法,主要可归纳为两大
类.一类是根据噪声产生与传播的物理原理所提出的理论计算预测方法[1,2].由于实际交通流
和周边环境比较复杂,不一定符合理想的泊松流和自由声场或半自由声场条件,因此这类方法
通常导致较为复杂的表达式,而且与实际条件仍有一定差距.另一类是根据数学统计分析方法
所提出的预测方法[3,4],如应用回归分析得出的道路噪声预测公式.由于这类方法不需要物理
机制上的具体信息,可应用于非泊松型的任意交通流和任意复杂的周边环境条件.但通常这类
公式的应用有一定的局限性.显然,两类方法各有优缺点.还有一类方法,试图综合上述两类方
法的优点[5,6],但因其表达式很复杂,尚不便于在实践中应用.所以目前上述两类预测方法在
具体应用中各有其自身的价值.本文将应用新兴的人工神经网络来补充并发展后一类方法.近年来,人工神经网络(简称神经网络)的研究相当活跃,已在模式识别、最优化计算、信息
智能化处理、复杂控制和信号处理等方面得到广泛的应用[7].但在环境声学领域,包括道路交
通噪声预测,则尚未见到有应用的先例.本文根据某公路交通噪声的实测数据,建立了神经网
络预测道路交通噪声的模型.
2 人工神经网络
神经网络是一种模仿生物神经系统功能的近似方法,由一群人工神经元通过不同的连接
模式所构成.目前已发展出许多种神经网络[8].其中,以多层前传网最为成熟,应用也最为广
泛.多层前传网包括输入层、隐含层和输出层.隐含层可以是一层或多层.每层由若干个人工
神经元组成,各层顺序连接,见图1.
设第k层中第j个神经元的输入为y(k-1)i(i=1,2,…,Nk-1),输出为y(k)j.输出与输入的
关系为:第18卷第5期1998年9月环 境 科 学 学 报ACTASCIENTIAECIRCUMSTANTIAEVol.18,No.5Sept.,1998y(k)j=f(k)j[6Nk-1
i=1w(k-1)ijy(k-1)i+θ(k)j](1)
(j=1,2,…,Nk;k=1,2,…,M)
式中,w(k-1)ij为第k-1层中第i个神经元到第k层第j个神经元的连接权值;θ(k)j为对应神经
元的阈值;f(k)j(…)为神经元的传递函数;Nk为第k层神经元的数目;M为总层数.
图1 典型的人工神经网络Fig.1 Atypicalartificialneuralnetwork传递函数必须是准线性函数,连续可导,单调
递升,可取为下述形式的挤压函数(Sigmoidalfun2
tion):
f(x)=A/{1+exp[-(B・x+θ)]}(2)式中,x为神经元的输入,θ为其阈值,A、B分别
为幅值和斜率调节参数.网络应用梯度下降的原理,通过误差信号反向
传播算法(简称BP算法),对已知的输入、输出训
练对的数据信号,自动学习内部的权值Wij和阈值
θj的表达[9].
训练好的多层前传网,具有预测模型的功能.可将多层前传网看作一“黑箱”,将由实测获得的输
入与输出数据作为样本送入“黑箱”中让其学习.各输入变量对输出变量的影响在对样本的学
习过程中由“黑箱”自动记录下来.由于节点神经元传递函数是非线性的,因此“黑箱”也具有非
线性.整个学习过程就是预测模型的建立过程,只要节点数和训练样本数足够多,“黑箱”便能
实现对任意输入的输出预测.
3 道路交通噪声预测
按图1构造一个3层神经元前传网,输入列为具体道路各种类型车辆的车流量、车速和受
声点离开道路距离,输出列为受声点处的等效连续声级Leq.输入节点、隐含节点、输出节点数分别为15、13、1.
图2 测量断面示意图Fig.2 Sectionplanofthemeasurement网络训练学习样本和检验样本为
国道320干线杭州至上海段K217+
200处道路交通噪声实测数据.测量时,仪器采用4台国产红声HS6211型
环境噪声自动统计分析仪,在公路一
侧展开,在分别距路肩垂直距离20、
40、60、100m处各设一个测点,同步进行.测量断面如图2所示.测量共分17个时段,每段20min或10min,参照
《城市环境噪声测量方法》(GB32222
82)和《城市区域环境噪声测量方法》(GB/T14623293)中的有关交通噪声测量规范进行,同时记录各种类型车辆的车流量及其平均274环 境 科 学 学 报18卷车速.车辆分成小轿车、小型车、中型卡车、大型卡车、大客车、摩托车和拖拉机等7项.每次采
样结束后打印记录等效连续声级.由于车流量和车速随时间连续变化,按顺序将奇数次测量作
为网络学习样本,用以训练神经网络;将偶数次测量作为网络检验样本,用以检验前传神经网
络交通噪声预测模型.
图3 训练学习流程框图Fig.3 Flowdiagramofthetrainingandlearning应用BP算法训练上述构造的神经网络道
路交通噪声预测模型.相应的网络训练流程见图
3.具体步骤为:(1)应用随机函数将网络各层节点神经元的连接权和阈值初始化.(2)从训练集内选取一个训练对,包括一个输入列y(0)j(j=1,2,…,15)和一个目标输出列
d1.y(0)1、y(0)2…y(0)15依次表示实测时段内各车种
的车流量及其车速,以及测点离开道路的距离;
d1表示对应时段不同测点实测的等效连续声
级.(3)将选取的输入列作用于网络输入端,从左向右逐层按(1)式和(2)式进行计算,得到网络
计算的输出列y(3)1.y(3)1表示网络计算得出的等
效连续声级.
(4)计算偏差值S=12(d1-y(3)1)2.
(5)根据差值规则梯度下降原理,按下面计算式从右向左逐层对权连接和阈值进行修正(推
导略,可参考文献[10]):
D(1)=[f(3)1(…)]′・(d1-y(3)1)
D(2)=[f(2)j(…)]′・61
i=1D(1)w(3)ij
D(3)=[f(1)j(…)]′・613
i=1D(2)w(2)
ijno(3)
w(k)ij(t+1)=w(k)ij(t)+αy(k-1)jD(4-k)
θ(k)(t+1)=θ(k)(t)+αD(4-k)
(4)式中,α为控制训练速率系数,其它同式(1)和式
(2);当k=1时,i=1,2,…,15,当k=2时,i=1,2,…,13,当k=3时,i=1.(6)从训练集选取第2个训练对,重复以上(3)、(4)、(5)、(6)步骤,计算得到偏差值.(7)当训练集内所有训练对都使用过一次后,完成了一个训练周期,计算总偏差平方和:
S(1)=635
m=
1[(d1-y(3)1)2m/2]3745期张继萍等:人工神经网络在道路交通噪声预测中的应用(在用于训练的9个时段实测数据中,有35个点次的测量数据有效).(8)返回到以上第(2)步骤,进行下一个训练周期,得到下一轮训练周期的结果.如此重复循环,得到S(M),直到S(M)小于某个规定容许值.网络训练在DX486/66PC计算机上用16位C语言平台编程执行,α取011,经过约
107min完成72074个训练对循环,平均每秒约11次循环,最后收敛于01001dB(A)的均方误差值.网络输入层、中间层、输出层连接权值和阈值学习结果分别列于表1—表4.
表1 神经网络的输入列至输入层连接权Wij训练结果Table1 TrainingresultsoftheweightwijintheneuralnetworkfrominputlinetoinputlayerWij到达j:输入层输出节点(中间层输入节点)123456789101112131415
出发i：输入列（输入层输入节点
）1-0.908-0.363+0.196-0.149+1.704-1.012+0.126+1.236+1.759+0.514-3.578-2.045-1.383-1.202+1.8522-1.463-0.251+0.286+0.291+1.124+3.334-1.788-1.931-3.674-2.117+1.726+2.616+3.379+3.783+3.2493-0.078+2.213+0.016+0.478+1.792-0.478-1.898+3.743-3.404-2.047+0.308+0.337-2.151-0.780+0.3294+1.768+0.501-0.534-0.625+2.400-0.737-1.087+2.498-1.442-2.104+0.917-2.825+0.257-1.581+0.2695-2.397-1.685+0.793+1.174+1.938-2.030+0.013+1.430-2.367-0.643+2.925+3.869-0.819-3.954-0.8326+0.376+0.432+0.513-0.425+0.302-2.995-0.667-0.065+0.537-0.062+1.576+2.105+2.255+1.981+2.0207+0.835+2.102+0.754-0.326+1.459-0.313-2.175+2.101-2.661-2.960-0.411-1.634-2.435-0.291-0.2188-4.774-3.263-0.880-0.515-1.134-3.059+1.223-0.017-1.407+2.578+0.453+3.119+1.399+1.294-3.4729-1.137-1.180+0.260-0.091+0.740+0.071-1.008-0.510-0.924+1.578+0.227-0.027+0.737+0.592-1.10410-0.928-1.374+0.465-0.217-0.895+0.738-0.077+2.149+0.963+0.686+0.030-1.079-0.909+1.109-0.88811-1.648-0.848-0.143+0.334-0.723-1.001+0.308+2.101+0.743+1.144-0.565-1.252+0.339+0.362-2.17212-2.723-1.954-0.405+0.077-0.949+0.107+3.157+0.937+0.147+2.337+2.452+1.043+0.295+0.287-2.36413-0.988-0.868+0.415+0.577-0.841+0.167+1.625+1.332+0.0012.477+1.048+1.152+0.133+0.333-1.54514-0.757-2.153-0.269+0.372-0.051+0.293+0.897+0.556+0.210+1.465+1.021+1.117+0.809-0.160-2.61015+5.099+2.946+0.398+0.135-0.161-0.656+0.210+2.575-0.770-0.938+0.742+1.612+0.808-0.318+0.145
表2 神经网络的输入层至中间层连接权Wij训练结果Table2 TrainingresultsoftheweightwijintheneuralnetworkfrominputlayertomiddlelayerWij到达j:中间层输出节点(输出层输入节点)12345678910111213
出发i：输入层输出节点（中间层输入节点
）1-0.882-1.522-2.330-1.725-1.564-2.239-3.523-1.997-2.893-2.925-2.648-1.227-2.8452-1.445-1.121-2.326-2.005-3.197-4.249-4.371-2.490-2.705-2.666-3.437-2.920-3.1503-0.407+0.377-0.923-1.393-1.093-2.360-2.206-2.656-1.009-0.893-2.406-1.261-0.7714+0.756-0.409-0.732-1.012-2.147-0.579-1.350-0.962-1.137-1.706-1.000-0.159-0.9655-1.614+0.293+0.340+0.593+0.271+1.152+1.167+2.513+3.070+4.167+3.305+3.824+5.3486-0.174-1.346-2.845-2.623-3.252-3.598-3.120-3.271-1.793-2.679-3.311-3.100-3.2567-0.828-1.509-1.636-1.109-1.485-1.659-3.117-1.695-1.790-2.575-1.200-1.788-2.1028-1.226+0.661-0.039-0.313+0.648+0.559+2.128+2.283+3.265+2.870+4.348+4.461+4.9659-0.437-0.952-2.069-1.313-2.704-2.723-2.663-2.746-2.589-1.791-2.838-2.398-2.12910+0.498+0.144-1.827-2.327-2.685-1.674-2.151-2.039-2.643-3.576-1.841-2.904-3.17111-1.855-0.986-2.172-1.313-1.810-2.127-1.839-2.089-2.297-1.110-1.830-1.707-1.36212-1.273-0.603-1.023-1.169-1.810-2.408-3.225-1.747-2.959-1.301-3.023-1.226-2.35113+0.010-1.841-1.075-2.671-2.982-2.147-3.538-3.564-2.769-2.200-2.484-1.661-1.57514-1.192-1.412-2.334-1.869-2.726-3.236-2.573-2.066-3.269-3.534-3.231-2.081-2.92715-1.201-1.029-1.127-1.560-2.969-1.752-2.192-2.995-2.671-1.669-2.765-1.947-2.180474环 境 科 学 学 报18卷