BP神經網絡在靜態(tài)汽車衡軸自動識別中的應用

上海香川電子衡器有限公司

【摘 要】 本文主要探討BP神經網絡在靜態(tài)汽車衡軸自動識別中的應用。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，設計了一種合適的BP神經網絡模型，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神經網絡在靜態(tài)汽車

衡軸自動識別的預測中取得了很好的效果。BP神經網絡在靜態(tài)汽車衡軸自動識別中有良

好的應用前景。

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，得出汽車的準確軸數(shù)，其一直以來被作為靜態(tài)汽車衡

稱重領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果。近年來，隨著科學技術的發(fā)展，各種數(shù)據(jù)處理

方法應運而生，用神經網絡去進行靜態(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神經網絡往往能收到較好的效果。本文論述了采用BP神

經網絡算法實現(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神經網

絡算法在靜態(tài)汽車衡軸自動識別應用中軸識別準確率達到99%以上。

1 BP神經網絡原理與理論分析

BP（Back Propagation）網絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W絡，是目

前應用最廣泛的神經網絡模型之一。BP網絡能學習和存貯大量的輸入-輸出模式映射關

系，而無需事前揭示描述這種映射關系的數(shù)學方程。它的學習規(guī)則是使用最速下降法，

通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。

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網絡模型。

2 BP網絡在靜態(tài)汽車衡軸自動識別中的建模過程

BP神經網絡建模的基本流程如圖1所示：首先收集靜態(tài)汽車衡產生汽車軸數(shù)與軸

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

輸入到設計好神經網絡模型中進行反復訓練，直到網絡收斂（即達到預期的訓練誤差），

在訓練過程中可適當采用一定的技巧使網絡的訓練速度最快、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測。下面具體探討網絡模型的設計要點。

2.1 確定訓練樣本

從理論上講，訓練樣本集的容量越大，訓練后神經網絡的診斷準確率就有可能提高，

但會造成訓練速度偏慢。由于訓練樣本集內可能含有信息重復的冗余樣本，將這些冗余

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

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，主要是因為BP網絡中非線

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

之內。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，使網絡的訓練速度最快，改善網絡的性能。

2.3 BP網絡的初始化

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

數(shù)、初始權值、閾值及速率進行初始化。網絡的初始權值一般�。�-1，1］之間的隨機

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

2.4 輸入與輸出層的設計

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果。在網絡建設之前必須要

明確輸入輸出層以及它們之間的聯(lián)系，對于三層BP神經網絡來說，輸入層僅設一層，

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

所希望得出的預測變量數(shù)目相等。

2.5 隱含層數(shù)以及隱含層節(jié)點的設計

在設計多層神經網絡時，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神經網絡的處理能力，但是會引起訓練的復雜化及訓練時間

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)，直到得到滿意的結果為止。最后再考慮增

加隱含層。

2.6 信息反饋

當輸出的結果不正確時，通過修正權值與閾值，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，得出結果。

3 靜態(tài)汽車衡軸自動識別的神經網絡模型

3.1 BP神經網絡模型建立

由于我們所研究的基礎為靜態(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。只要是把車軸準確率

能夠保證，那么就可以準確得出車輛的軸重以及車輛的總重。

BP神經網絡算法對靜態(tài)汽車衡數(shù)據(jù)

處理的原理是：構建一個二個節(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

多層神經網絡模型。通過實驗獲得的樣本

數(shù)據(jù)，在MATLAB上通過多次訓練構建

的雙輸入雙輸出神經網絡。如果泛化的結

果達到系統(tǒng)的誤差要求，則輸出各隱層和

輸出層的權值和閾值，然后可以利用訓練

好的網絡參數(shù)，根據(jù)測得的任意速度和動

態(tài)車重，得出當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值為wij，閾值i與j；隱層與輸出層之間的權值為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；網絡訓練的函數(shù)設定為trainlm。 )(

20iiijxwfWjΣ==

3.2 樣本獲取及訓練

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，

設計合適的神經網絡參數(shù)。輸入神經元2個，單層隱含層，隱含層神經元數(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元個數(shù)，輸出層神經元個數(shù)為2；訓

練, 次數(shù)1000次，訓練目標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，網絡訓練的函數(shù)設定為trainlm。通過反復訓練發(fā)現(xiàn)，當隱含層神經元個數(shù)

為6時，網絡的訓練速度最快，僅需要6次訓練便達到到了預期的訓練誤差，訓練的速

度也比均勻，網絡振蕩最小。

4 結束語

我們把上述訓練好的BP神經網絡模型進行考核，把我們的產品投入到陜西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。實驗結果證明此方法在現(xiàn)實中已經取得了很好的效果，并為靜態(tài)汽車衡實現(xiàn)

動態(tài)稱重打下了良好的基礎，有著重要的實際意義。