[发明专利]基于力学指标和人工神经网络的路面病害快速巡检方法

权利要求书

1.一种基于力学指标和人工神经网络的路面病害快速巡检方法，该方法包括以下内容：

在不同病害种类的路面上，在车辆行驶过程中，由加速度传感器采集垂直振动加速度和振幅，以垂直振动加速度经快速傅里叶变换获得基频幅值、频谱中的n次谐波分量幅值，确定谐波比VMI；

以在不同病害类型的道路上车辆行驶过程中的VMI值、车速、车辆高程信息、振幅作为一组数据，多组数据形成输入数据集；

利用SOM神经网络对输入数据集中的数据进行聚类，输出对应聚类结果；

将根据聚类中心范围内的数据，与相应的时间信息和经纬度信息对应，确定每个聚类中心范围内加速度特征信息所对应的真实病害分类等级信息，建立样本数据即加速度特征信息与病害分类等级信息的一一对应的关系，使每个样本数据都对应一个病害分类等级信息的标签，建立样本病害数据库；

利用建立的样本病害数据库训练决策树，建立决策树模型，对破坏道路进行病害分类和分级决策；

所述谐波比的表达式为

其中，C为一个常数，a(P₀)代表基频幅值，a(P_n)代表频谱中的n次谐波分量幅值，VMI谐波比。

2.根据权利要求1所述的巡检方法，其特征在于，C＝300。

3.根据权利要求1所述的巡检方法，其特征在于，所述真实病害分类等级信息能根据对应时间点和经纬度位置采集的图像信息进行确定和/或者根据对应时间点所对应的振动加速度传感器采集的经纬度位置，通过实验方法现场检测，和聚类中心范围内的数据相对应，确定当前道路位置的路面病害种类及分级；病害种类的分级依据现行规范确定，能根据加速度特征变化信息的聚类结果实现对横向裂缝、龟裂、车辙、波浪、沉陷、隆起和坑槽的区分，并获得到对应的加速度特征变化信息。

4.根据权利要求1所述的巡检方法，其特征在于，利用SOM神经网络对输入数据集中的数据进行聚类的过程是：

1)利用”min-max标准化”函数对上输入数据集中的加速度特征变化的数据信息进行归一化，归一化后的数据分量在尺度变换后处于0～1之间：

其中x_a,max，x_a,min为第a种加速度特征变化信息指标中的最大值和最小值，x_a为第a种加速度特征变化信息指标，且a＝1,2...N，N为输入数据集中加速度特征变化信息的特征种类数；X_a是归一化后的加速度特征变化信息指标值；

2)输入层神经元个数为h，映射层神经元个数为K，取0和1之间的随机值对映射层和输入层之间的初始连接权重向量W_k随机赋值W_k＝{ω_1k,ω_2k,…,ω_nk,…,ω_hk}，n为第n组数据，hk表示映射层和输入层之间的对应关系的数量，对初始的学习率也随机赋值为η，且η∈[0,1]，设置初始优胜邻域N_k*(0)，其中，k＝1,2,3,…,K，为第k个神经元，ω_nk＝{ω_nk,1,ω_nk,2,…,ω_nk,i,…,ω_nk,N}为神经元k与第i种加速度特征变化信息指标的连接权重值；

3)输入归一化样本X＝(X₁,X₂,…X_n,…,X_h)^T作为训练样本；

4)计算输入向量与映射层的权值向量的相似性，每一个训练数据会与映射层所有的神经元对应的权向量W_k进行相似性对比，最相似的神经元将获胜，这里采用欧式距离作为输入向量与连接权重向量的距离来进行比较；

5)对优胜神经元的权重进行调整，优胜神经元周围的神经元和输入向量的连接权重也会一并更新：

6)将加速度特征变化信息对应的优胜神经元进行标号，确定当前加速度特征变化信息对应的优胜神经元，返回步骤4)，直到找到所有加速度特征变化信息对应的优胜神经元；

7)只有优胜神经元才有权调整权向量，参与循环步骤2)至步骤6)，直到最大循环次数，或者学习率η＜η_min时得到加速度特征变化信息的聚类结果。