神经网络综合预警

1.模型训练

以TS高速公路2003—2007年共计5年历史数据作为训练样本，以2008年数据作为检测样本，输入样本后系统按照前文所述BP算法来学习，直到误差满足EAV预先设定的要求时，系统停止学习，此时的权值矩阵与阀值向量固定下来，成为系统内部知识。再次设定学习速率为0.05，误差限制在0.0001，神经网络模型的训练样本输入数据，根据前述历史数据采用线性比例变换法进行归一处理。

线性比例变换法可以对越大越好、越小越好及适中为宜三种指标类型采取不同的无量纲方法处理，如表7-25所示。

表7-25 线性比例变换计算

经归一处理后BP网络输入数据如表7-26、表7-27、表7-28所示。

表7-26 TS高速公路自然风险预警指标归一化数值表

根据5.4.1所述模糊综合评价方法，根据专家评审意见，同自然风险预警原理计算，得到TS高速公路项目运营历年各综合预警值。

表7-27 TS高速公路经济风险预警指标归一化数值表

表7-28 TS高速公路行为风险预警指标归一化数值表

续表7-28

表7-29 TS高速公路历年专家及模糊综合预警结论

注: 无警○(蓝色) 轻警◎(绿色) 中警●(黄色) 重警▲(橙色) 极警◆(红色)。

运用人工神经网络模型程序软件进行学习，将2003—2007年风险预警指标值(每年29个)作为5个样本输入值，将2003—2007年专家综合预警评分作为5个样本的输出值，用第5章建立的BP网络模型，借助MATLAB7.0神经网络工具箱，进行178次训练后，总体误差满足要求，此时EAV=0.00099，如图7-3所示。

训练结果如表7-30所示。

图7-3 综合预警训练过程中的网络误差记录

表7-30 神经网络模型训练样本输入

2.模型检测

将2008年值输入模型，误差EAV=0.00072，满足要求。说明此BP神经网络训练成功，可以运用此模型对高速公路项目运营风险进行综合预警。

3.2009年TS高速公路项目运营风险综合预警

将2009年各指标的预测值带入模型，得输出结果为0.274，说明2009年TS高速公路项目运营风险综合预警警级为轻警。此结果与专家模糊综合评价结果一致。