基于改进的RBF神经网络车辆动态称重研究
2021-10-15魏赫,陈新
兵器装备工程学报 2021年9期
魏 赫,陈 新
(南京理工大学, 南京 210094)
1 引言
目前,应用于高速公路上的动态称重检测设备有很多类型,使用最为普遍的是压电薄膜传感器,对高速通行车辆称重的误差率为±5%,仍有可提升的空间。针对提升动态称重系统精度这一研究目标,国内外学者在多个方面着手研究。袁明新[1]提出可以利用RBF神经网络处理动态称重数据,相比于传统的BP神经网络,RBF神经网络的全局搜索能力更强,优化效果更好。赵娜[2]对神经网络在动态称重数据的应用进行研究,将前后轴重差值作为神经网络的输入量,对真实车辆重量进行了预测,数据表明,增加神经网络的参量可以有效地提升神经网络的预测精度。陈超波[3]对RBF神经网络在动态称重数据处理的可行性进行了探究,利用小车进行通行实验,验证了RBF神经网络可以应用于对动态称重数据的处理。宗周红[4]对汽车通过动态称重设备的物理荷载模型进行研究,分析了误差的物理来源,证明速度、温度、车型、车重设备设置的角度都是影响压电薄膜传感器测量值的关键因素。Afiatdoust[5]提出将遗传算法与RBF神经网络结合,数值分析结果表明,经过结合后的优化效果优于传统的RBF神经网络算法。现阶段存在的问题是:传统的BP与RBF神经网络的收敛速度较慢,算法仅支持低速车辆的数据优化,对高速运行车辆的数据优化效果不够理想。
本文中提出了利用粒子群优化RBF神经网络的算法处理高速车辆运行数据。对比了BP、RBF、改进的RBF算法对动态称重数据的优化效果,并对不同速度的数据优化效果进行了分析,发现改进的RBF算法对高速运行的车辆数据有良好的优化效果,在高速公路的车辆称重检测中有一定的推广价值。……
登录APP查看全文
