灰色特征加权ELM在构造深度预测中的应用

发布时间：2018-01-07 07:14

本文关键词：灰色特征加权ELM在构造深度预测中的应用　出处：《合肥工业大学学报(自然科学版)》2014年07期 　论文类型：期刊论文

【摘要】：路面构造深度是沥青路面质量控制的主要指标之一。极限学习向量机(extreme learning machine,简称ELM)是一种快速的前向神经网络学习算法,具有学习速度快、泛化性能好的优点。文章以沥青路面中的细度模数、最大粒径、沥青质量分数和4.75mm筛孔通过率作为模型输入参数,通过灰色特征加权ELM对模型参数数据进行预处理,以减小训练样本本身存在的孤立点和噪音对预测结果的影响,再代入ELM预测模型进行路面构造深度的预测。仿真结果表明:路面构造深度影响因素的大小排序为:最大粒径沥青质量分数细度模数4.75mm筛孔通过率;灰色特征加权ELM比传统ELM具有更好的预测能力,该方法可作为道路工程领域应用的一种新方法。
[Abstract]:The pavement structure depth is one of the main indexes of asphalt pavement quality control. The limit vector machine learning (extreme learning machine, referred to as ELM) is a kind of fast learning algorithm for feedforward neural network, has the advantages of fast learning speed, good generalization performance. The fineness modulus of asphalt pavement, the maximum particle size, mass fraction of asphalt and the 4.75mm passing rate as the model input parameters, the grey feature weighted ELM to preprocess the data model parameters, in order to reduce the outlier training samples itself and the noise impact on the forecast results, forecasting the generation into the ELM prediction model of pavement structure depth. The simulation results show that the influence of pavement structure depth size factor sort: the maximum particle size of asphalt content fineness modulus 4.75mm passing rate; grey prediction ability feature weighted ELM is better than the traditional ELM, this method can be used for A new method for application in the field of road engineering.

【作者单位】：合肥工业大学土木与水利工程学院;合肥工业大学安徽土木工程结构与材料省级实验室;安徽省交通规划设计研究院有限公司;
【基金】：国家自然科学基金资助项目(51179043;51078123)
【分类号】：U416.217
【正文快照】： 随着高速公路的兴建和公路等级的普遍提高,沥青混凝土路面被广泛应用,与行车安全和舒适程度紧密相关的路面抗滑性能也日益受到重视,而路面构造深度直接影响着路面抗滑性能,因此路面构造深度是路面检测的一项重要指标,同时路面构造深度也是沥青路面离析的评价指标之一[1]。离析

【相似文献】