CN103714382B - 一种城轨列车安全检测传感网可靠性多指标综合评估方法 - Google Patents

Abstract

本发明公开了属于属于现代交通安全技术领域的一种城轨列车安全检测传感网可靠性多指标综合评估方法。通过总结一系列影响城轨列车安全检测传感网可靠性的指标，选取时延、占有率、丢包率和误码率四项指标作为评估指标。运用模糊数学理论对各项评估指标测量值进行归一化处理，得出隶属函数值作为样本，构建BP神经网络，训练样本，运用最速下降法修改权值、阈值，如此反复训练样本，直至实际输出值和计算输出值误差位于可接受的范围内，训练结束，得到的具有专家知识的BP神经网络可对城轨列车安全检测传感网可靠性进行综合评估。此方法为评估城轨列车安全检测传感网性能提供了全新的方法，为优化城轨列车安全检测传感网性能提供理论和实践支持。

Description

一种城轨列车安全检测传感网可靠性多指标综合评估方法

技术领域

本发明属于属于现代交通安全技术领域。特别涉及一种城轨列车安全检测传感网可靠性多指标综合评估方法。

背景技术

城市轨道交通列车作为城市大容量公共交通的主要运输载体之一，保障其安全运行对整个城市轨道交通具有极端的重要性和关键性。城轨列车安全检测传感网的建设是进行城市轨道列车在途监测与安全预警的重要前提，是制定城轨列车安全管理策略、城轨列车系统故障检测、城轨列车事故致因分析等交通安全保障措施的必要基础，保证城轨列车安全检测传感网具有高度可靠性是建设城轨列车安全检测传感网的前提，是保障列车安全运行的必要条件。

目前对城轨列车安全检测传感网的可靠性能评估大多是基于某个单一的指标，如时延、丢包率、误码率等，或是引入主观因素的多指标评价，如专家打分法。然而单一指标或是专家打分都不能全面、客观地反映安全检测传感网的可靠性，因此必须对多项指标进行客观的综合的评估才能更加全面、客观、可靠、精确地评估城轨列车安全检测传感网的可靠性。

人工神经网络(Artificial Neural Networks,ANNs)是20世纪80年代飞速发展的人工智能技术，是基于人类对大脑组织结构和活动机制的认识提出的信息处理体系，是能够并行处理信息、进行非线性转换和自组织调整，具有自适应学习能力和高度容错性的复杂的网络系统。神经网络将输入样本和实际输出作为训练样本，通过计算对样本进行足够多次数的训练，使神经网络成功建立起输入与输出间的映射关系，训练后的神经网络模型便可解决类似的问题。神经网络发展至今，已是各成体系，最具代表性的有BP神经网络、自适应共振网络、Hopfield网络、自组织映射网络等。BP神经网络是以误差反向传播学习为算法的前馈型网络，使用梯度最速下降法进行搜索，按照计算输出值和实际输出值的均方误差最小为原则，逐步递归求解BP神经网络各层的权值和阈值。若计算输出值和实际输出值之差不符合要求便调整权值和阈值重新计算，直到计算输出值和实际输出值之差符合要求，结束计算，得到网络模型。

发明内容

本发明的目的是提供了一种城轨列车安全检测传感网可靠性多指标综合评估方法，其特征在于，该方法选择影响城轨列车安全检测传感网可靠性的指标，选取时延、占有率、丢包率和误码率四项指标作为网络输入样本，运用BP神经网络结合模糊数学理论对城轨列车安全检测传感网可靠性进行评估，包括如下步骤:

(1)处理样本，对时延、占有率、丢包率和误码率等四项指标进行测量，运用模糊数学理论中的隶属函数对测量值进行归一化处理，通过公式计算出对应的隶属函数值，使其具有相对的可比性，并量化至一可比较区间(-1,1)内，作为BP神经网络输入层的样本输入值，样本输出值即为对应的传感网可靠性分值；

(2)构建BP神经网络，确定网络结构，建立BP神经网络模型。BP神经网络包括一个输入层、多个隐含层和一个输出层；采用最简单也是应用最广泛的具有一个输入层、一个隐含层和一个输出层的三层BP神经网络作为构建的BP神经网络结构；

(3)训练样本，输入各指标隶属函数值，通过公式计算BP神经网络隐含层的输出值，隐含层的输出值即为输出层的输入值，通过公式计算输出层的输出值；

(4)调整权值，根据实际输出值和计算输出值之差，调整权值，返回方案第三步，重新计算隐含层输出值和输出层输出值，如此调整权值，计算，再调整权值，再计算，直到BP神经网络实际输出值与计算输出值误差小于设定的极小值，即达到网络收敛状态，结束计算，得到最终权值；

(5)计算可靠性，此时得到的BP神经网络具有专家的经验知识，用此模型便可根据各项指标测量值计算城轨列车安全检测传感网的可靠性。

所述步骤(2)构建BP神经网络，由于各项评估指标对城轨列车安全检测传感网可靠性的影响大小不同，为了使各项评估指标在系统中进行互相比较，具有相对的可比性，必须运用模糊数学理论对各项评估指标做归一化处理，处理后的各项评估指标才能作为BP神经网络的训练样本，时延、占有率、丢包率、误码率均为定量指标，不同的是时延、丢包率、误码率是逆向指标，即越小越好，而利用率属于正向指标，即越大越好。

本发明的有益效果：本发明过测量多项影响传感网可靠性的性能指标，根据城轨列车安全检测传感网，测试时延、占有率、丢包率和误码率等四项指标数据，结合模糊数学理论，运用BP神经网络，对城轨列车安全监测传感网的可靠性能进行全面、客观、可靠、精确的评估，并对该传感网可靠性打分，使其更加直观，便于人们理解。运用模糊数学理论将各指标测量值归一化，计算其隶属函数值，使其具有可比性，通过构建BP神经网络，对样本进行足够的训练，得到具有专家知识的BP神经网络，评估城轨列车安全检测传感网的可靠性能，为城轨列车安全检测传感网性能的总体评估提供参考和依据，为保障列车安全运行提供技术支持。

附图说明

图1是本发明具体操作流程图。

图2是本发明三层BP神经网络拓扑结构图。

具体实施方式

本发明提供了一种城轨列车安全检测传感网可靠性多指标综合评估方法，下面结合附图，对优选实施例作详细说明；

实施例1:

图1所示为城轨列车安全检测传感网可靠性多指标综合评估方法流程图，含有以下步骤：

(1)处理样本。

由于各项评估指标对城轨列车安全检测传感网可靠性的影响大小不同，为了使各项评估指标在系统中可以互相比较，具有相对的可比性，必须运用模糊数学理论对各项评估指标做归一化处理，处理后的各项评估指标才可以作为BP神经网络的训练样本。时延、利用率、丢包率、误码率均为定量指标，不同的是时延、丢包率、误码率是逆向指标，即越小越好，而利用率属于正向指标，即越大越好。本发明在利用BP神经网络对列车安全检测传感网可靠性做综合评估前，运用模糊数学理论，先对各项评估指标的实际测量值做归一化处理，按照隶属度函数将测量值归一化到(-1,1)这个无量纲区间内。

正向指标的归一化公式：

$A_k^t=(a_k^t-{\stackrel{\‾}{p}}_k)/\left|{\stackrel{\‾}{p}}_k\right|---\left(1\right)$

逆向指标的归一化公式：

$A_k^t=({\stackrel{\‾}{p}}_k-a_k^t)/\left|{\stackrel{\‾}{p}}_k\right|---\left(2\right)$

将指标测量值转为区间[-1，1]上的隶属函数值：

$x_k^t=(1-e^{-A_k^t})/(1+e^{-A_k^t})---\left(3\right)$

其中，为第k个评估指标的第i个测量值，为第k个评估指标所有测量值的平均值，为中间转换变量，为第k个评估指标的第i个测量值在区间(-1,1)内对应的隶属函数值，即BP神经网络输入层的输入值。

从上述具体的转换过程可以看出，正向指标的测量值越大，与其对应的隶属函数值越大，当测量值达到一定高度时，隶属函数值接近“饱和”，公式(3)的应用可以防止评估指标测量值过大导致综合评估不准确。

(2)构建BP神经网络，确定网络结构，建立网络模型。

BP神经网络结构包括输入层、输出层和一个或多个隐含层。通常情况下，一个隐含层就能使神经网络具有一定的精度及表达能力；本发明采用具有一个输入层、一个隐含层和一个输出层的三层BP神经网络作为构建的BP神经网络结构。

BP神经网络的的输入层单元个数由列车安全检测传感网可靠性评估指标个数决定。本发明采用时延、利用率、丢包率、误码率四项指标进行评估。设输入层向量X＝(x¹，x²，...，xⁿ)^T，k＝(1，2，...，p)，p为输入层单元个数，本发明中输入层单元个数p＝4。其中xⁱ为第i个样本，为第k个评估指标的第i个测量值在区间(-1,1)内对应的隶属函数值即输入层输入值，n为样本数。

输出层单元一个，为列车安全检测传感网的可靠性分值，本发明采用百分制打分法。输出向量设为Y＝(y¹，y²，...，yⁿ)^T，s＝(1，2，...，m)，m为输出层单元个数；本发明中输出层单元个数m＝1。其中为第i次训练中输出层第s个单元的输出值。

隐含层是为了计算而存在，不具备具体意义，隐含层单元个数q可通过公式计算。

$q=\sqrt{p+m}+a---\left(4\right)$

式中a为[1，10]间的常数。设隐含层输出向量即输出层输入向量为U＝(u¹，u²，...，uⁿ)^T，t＝(1，2，...，q)。其中为第i次训练中隐含层第t个单元的输出值。

设输入层到隐含层权值向量为v，隐含层到输出层权值向量为w。BP神经网络拓扑结构如图2所示。

(3)训练样本。

BP神经网络属于前馈型网络，训练过程包括正向传播和误差反向传播两个阶段。首先，输入层输入样本，经隐含层处理，传到输出层，此为正向传播阶段。若实际输出与计算输出值不符，则将误差以某个形式反向传播，传向隐含层再传到输入层，将误差均摊给各层单元，获得各层单元误差信号，修改各层权值，此为误差反向传播阶段。权值的不断调整过程即为网络的训练过程。

从输入层到隐含层：

设置初始权值v和初始阈值θ，均设为随机的最小值。

输入评估指标的隶属度函数值作为BP神经网络的输入样本，计算隐含层和输出层的输出值。

设第i次训练中隐含层的第t个神经元激活值为

$s_t^i={\mathrm{\Σ}}_{k=1}^p{v}_{kt}{x}_k^t-{\mathrm{\θ}}_t,(t=1,2,\mathrm{...},q)---\left(5\right)$

式(5)中，v_kτ为BP神经网络输入层第k个神经元与隐含层第t个神经元的连接权值，为第k个评估指标的第i个测量值在区间(-1,1)内对应的隶属函数值，即输入层输入值，θ_τ为隐含层的第t个神经元的阈值。

隐含层神经元激活函数采用sigmoid函数：

f(x)＝1/[1+exp(-x)] (6)

隐含层的第t个神经元输出值

从隐含层到输出层：

此时隐含层神经元的输出值是输出层神经元的输入值，输出层神经元激活值为

$l_s^t={\mathrm{\Σ}}_{t=1}^q{w}_{ts}{u}_t^i-r_s,(s=1,2,\mathrm{...}m)---\left(8\right)$

式(7)中w_τs为BP神经网络隐含层的第t个神经元与输出层的第s个神经元相连的连接权值，r_s为输出层的第s个神经元的阈值。

输出层神经元激活函数与隐含层神经元激活函数一样，采用sigmoid函数：

f(x)＝1/[1+exp(-x)] (9)

输出层的第s个神经元输出值为

$y_s^t=f\left(l_3^t\right),(t=1,2,\mathrm{...}q)---\left(10\right)$

(4)调整权值。

设已知实际输出值为实际输出值与计算输出值之差为

利用最速下降法，根据公式调整输出层权值ω_τs：

${\mathrm{\Δ\ω}}_{t3}=\mathrm{\η}(d_3^t-y_3^t)y_3^t(1-y_3^t)u_t^t$

ω_τs(i+1)＝ω_τs(i)+Δω_τs

其中，η是比例系数，即学习率，设为[0，1]间的一个较小数。ω_τs(i+1)为第i+1次训练中隐含层到输出层权值。

利用最速下降法，根据公式调整输出层权值v_kτ：

$\begin{array}{c}{\mathrm{\Δv}}_{kt}=\mathrm{\η}\underset{s=1}{\overset{m}{\Σ}}(d_s^i-y_s^i)y_s^i(1-y_s^i){\mathrm{\ω}}_{ts}{u}_t^i(1-u_t^i)x_k^i\\ v_{kt}(i+1)=v_{kt}\left(i\right)+{\mathrm{\Δv}}_{kt}\end{array}$

其中，v_kτ(i+1)为第i+1次训练中输入层到隐含层权值。

返回步骤(3)，进行下一次训练，直到BP神经网络实际输出值与计算输出值误差小于设定的极小值，即达到网络收敛状态。

(5)计算可靠性

此时得到的BP神经网络模型具有专家的经验知识，根据提供的指标测量值便可对任一安全检测传感网可靠性进行评估，根据输出的可靠性分值便可了解传感网的可靠性程度。

为了更加全面、更加客观、更加可靠、更加精确，更能充分反映安全检测传感网的可靠性能，为评估城轨列车安全检测传感网性能提供了全新的方法，为优化城轨列车安全检测传感网性能提供了理论和实践支持。

Claims (5)

1.一种城轨列车安全检测传感网可靠性多指标综合评估方法，其特征在于，含有以下步骤：

(1)处理样本，对时延、占有率、丢包率和误码率四项指标进行测量，运用模糊数学理论中的隶属函数对测量值进行归一化处理，通过公式计算出对应的隶属函数值，使其具有相对的可比性，并量化至一可比较区间(-1,1)内，作为BP神经网络输入层的样本输入值，样本输出值即为对应的传感网可靠性分值；

(2)构建BP神经网络，确定网络结构，建立BP神经网络模型，BP神经网络包括一个输入层、多个隐含层和一个输出层；采用最简单也是应用最广泛的具有一个输入层、一个隐含层和一个输出层的三层BP神经网络作为构建的BP神经网络结构；

(3)训练样本，输入各指标隶属函数值，通过公式计算BP神经网络隐含层的输出值，隐含层的输出值即为输出层的输入值，通过公式计算输出层的输出值；

(4)调整权值，根据实际输出值和计算输出值之差，调整权值，返回步骤(3)，重新计算隐含层输出值和输出层输出值，如此调整权值，计算，再调整权值，再计算，直到BP神经网络实际输出值与计算输出值误差小于设定的极小值，即达到网络收敛状态，结束计算，得到最终权值；

(5)计算可靠性，此时得到的BP神经网络具有专家的经验知识，用此模型便可根据各项指标测量值计算城轨列车安全检测传感网的可靠性。

2.根据权利要求1所述的一种城轨列车安全检测传感网可靠性多指标综合评估方法，其特征在于，所述步骤(2)构建BP神经网络，由于各项评估指标对城轨列车安全检测传感网可靠性的影响大小不同，为了使各项评估指标在系统中进行互相比较，具有相对的可比性，必须运用模糊数学理论对各项评估指标做归一化处理，处理后的各项评估指标才能作为BP神经网络的训练样本，时延、占有率、丢包率、误码率均为定量指标，不同的是时延、丢包率、误码率是逆向指标，即越小越好，而占有率属于正向指标，即越大越好。

3.根据权利要求2所述的一种城轨列车安全检测传感网可靠性多指标综合评估方法，其特征在于，所述运用模糊数学理论对各项评估指标做归一化处理，建立评估指标归一化模型，

正向指标的归一化公式：

$A_k^i=(a_k^i-\stackrel{\‾}{p_k})/\left|\stackrel{\‾}{p_k}\right|---\left(1\right)$

逆向指标的归一化公式：

$A_k^i=(\stackrel{\‾}{p_k}-a_k^i)/\left|\stackrel{\‾}{p_k}\right|---\left(2\right)$

将指标测量值转为区间(-1,1)上的隶属函数值：

$x_k^i=(1-e^{-A_k^i})/(1+e^{-A_k^i})---\left(3\right)$

其中，为第k个评估指标的第i个测量值，为第k个评估指标所有测量值的平均值，为中间转换变量，为第k个评估指标的第i个测量值在区间(-1,1)内对应的隶属函数值，即BP神经网络输入层的输入值。

4.根据权利要求1所述的一种城轨列车安全检测传感网可靠性多指标综合评估方法，其特征在于，所述步骤(2)构建BP神经网络模型

设输入层向量X＝(x¹,x²,...,xⁿ)^T，k＝(1,2,...,p)，其中xⁱ为第i个样本，为第k个评估指标的第i个测量值在区间(-1,1)内对应的隶属函数值即输入层输入值，n为样本数；p为输入层单元个数；

输出向量设为Y＝(y¹,y²,...,yⁿ)^T，s＝(1,2,...,m)，其中为第i次训练中输出层第s个单元的输出值；该输出层单元为列车安全检测传感网的可靠性分值；m为输出层单元个数；

隐含层是为了计算而存在，不具备具体意义，隐含层单元个数q可通过公式计算，

$q=\sqrt{p+m}+a---\left(4\right)$

式中a为[1,10]间的常数，设隐含层输出向量即输出层输入向量为U＝(u¹,u²,...,uⁿ)^T，t＝(1,2,...,q)；其中为第i次训练中隐含层第t个单元的输出值；q为隐含层单元个数；

设输入层到隐含层权值向量为V，隐含层到输出层权值向量为W。

5.根据权利要求1所述的一种城轨列车安全检测传感网可靠性多指标综合评估方法，其特征在于，所述步骤(3)训练样本，建立样本训练模型，

从输入层到隐含层：

设置初始权值v和初始阈值θ，均设为随机的最小值；

输入评估指标的隶属度函数值作为BP神经网络的输入样本，计算隐含层和输出层的输出值；

设第i次训练中隐含层的第t个神经元激活值为

$s_t^i=\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{v}_{kt}{x}_k^i-{\mathrm{\θ}}_t,(t=1,2,...,q)---\left(5\right)$

式(5)中，v_kt为BP神经网络输入层第k个神经元与隐含层第t个神经元的连接权值，为第k个评估指标的第i个测量值在区间(-1,1)内对应的隶属函数值，即输入层输入值，θ_t为隐含层的第t个神经元的阈值，p为输入层单元个数；q为隐含层单元个数；

隐含层神经元激活函数采用sigmoid函数：

f(x)＝1/[1+exp(-x)] (6)

隐含层的第t个神经元输出值

$u_t^i=f\left(s_t^i\right),(t=1,2,...,q)---\left(7\right)$

从隐含层到输出层：

此时隐含层神经元的输出值是输出层神经元的输入值，输出层神经元激活值为

$l_s^i=\underset{t=1}{\overset{q}{\mathrm{\Σ}}}{w}_{ts}{u}_t^i-r_s,(s=1,2,...,m)---\left(8\right)$

式(7)中w_ts为BP神经网络隐含层的第t个神经元与输出层的第s个神经元相连的连接权值，r_s为输出层的第s个神经元的阈值；m为输出层单元个数；

输出层神经元激活函数与隐含层神经元激活函数一样，采用sigmoid函数：

f(x)＝1/[1+exp(-x)] (9)

输出层的第s个神经元输出值为

$y_s^i=f\left(l_s^i\right),(s=1,2,...,m)---\left(10\right);$

所述步骤(4)调整权值，包括：设已知实际输出值为实际输出值与计算输出值之差为

利用最速下降法，根据公式调整输出层权值w_ts：

${\mathrm{\Δw}}_{ts}=\mathrm{\η}(d_s^i-y_s^i)y_s^i(1-y_s^i)u_t^i$

w_ts(i+1)＝w_ts(i)+Δw_ts

其中，η是比例系数，即学习率，设为[0,1]间的一个较小数；w_ts(i+1)为第i+1次训练中隐含层到输出层权值；

利用最速下降法，根据公式调整输入层权值v_kt：

${\mathrm{\Δv}}_{kt}=\mathrm{\η}\underset{s=1}{\overset{m}{\Σ}}(d_s^i-y_s^i)y_s^i(1-y_s^i)w_{ts}{u}_t^i(1-u_t^i)x_k^i$

v_kt(i+1)＝v_kt(i)+Δv_kt

其中，v_kt(i+1)为第i+1次训练中输入层到隐含层权值；

返回步骤(3)，进行下一次训练，直到BP神经网络实际输出值与计算输出值误差小于设定的极小值，即达到网络收敛状态。