[发明专利]一种基于BP神经网络的超速辨别模型优化方法

说明书

本发明公开了一种基于BP神经网络的超速辨别模型优化方法，在待优化模型的误差来源因子上添加修正系数，采集仿真样本，并计算样本的修正系数，再通过神经网络模型最终实现超速辨别。本发明利用BP神经网络显著降低了模型输出值与标准值间的误差，提高了超速辨别模型的辨别精度；将事故现场的勘测数据输入模型即可辨别是否超速，解决了传统仿真软件分析事故，辨别超速耗时较长的问题，且方便准确；使超速辨别模型可直接用于实际事故分析。

技术领域

本发明涉及超速辨别技术领域，尤其是一种基于BP神经网络的超速辨别模型优化方法。

背景技术

随着我国交通的发展，道路等级的不断提升，车辆行驶的自由程度也随之增加。而驾驶员也会因此放松警惕，提高车速，造成交通安全隐患。

目前，机动车超速已成为威胁交通安全的首要因素。因此，对机动车超速辨别的研究显得尤为重要。

在超速辨别的研究中，采用反推法的超速辨别模型具有简单方便的特点，但模型中个别因子的含义与实际事故中存在差异，导致误差，使得超速辨别模型的辨别精度仍有较大提升空间。

发明内容

发明目的：针对上述现有技术存在的缺陷，本发明旨在提供一种基于BP神经网络的超速辨别模型优化方法。

技术方案：一种基于BP神经网络的超速辨别模型优化方法，包括如下步骤：

(1)确定待优化的超速辨别模型；

(2)优化超速辨别模型：在待优化模型的误差来源因子上添加修正系数；

(3)采集仿真样本，并计算样本的修正系数；若优化超速辨别模型包含1个修正系数，则将样本输入优化超速辨别模型可得到修正系数的具体值；若优化超速辨别模型包含多个修正系数，则将样本输入优化超速辨别模型可得到修正系数之间的关系；

(4)建立神经网络模型；

(5)在步骤(3)采集的样本中选择部分作为神经网络的训练样本；

(6)利用步骤(5)挑选的训练样本输入神经网络进行训练；

(7)将训练样本外的其他样本作为检测样本进行检测。

进一步的，所述步骤(4)具体包括如下子步骤：

(4.1)神经网络输入层为待优化的超速辨别模型的各输入参量；

(4.2)神经网络的输出层为步骤(4.1)中待优化的超速辨别模型误差来源因子对应的修正系数；

(4.3)神经网络隐含层的节点数为其中n为输入层节点数，m为输出层节点数，a为1-10之间的常数，m为修正系数的个数，n为待优化模型输入参量的个数。

进一步的，所述步骤(5)具体为：在步骤(3)采集的样本中随机抽取50％作为神经网络的训练样本。

进一步的，步骤(6)具体包括如下子步骤：

(6.1)确定隐层传递函数；

(6.2)确定输出层传递函数；

(6.3)确定训练函数；

(6.4)确定最大训练次数；

(6.5)确定训练精度；

(6.6)训练神经网络。

进一步的，步骤(7)具体包括如下子步骤：

(7.1)将训练样本外的其他样本对应的待优化的超速辨别模型的输入参量作为检测样本；