基于支持向量机和隐马模型的路面压实质量评价方法

摘要

本发明涉及基于支持向量机和隐马模型的路面压实质量评价方法，属于交通基础设施智能建设领域。该方法通过车载传感器与UWB/GPS组合定位系统获取压实监测参数；通过RTK‑GPS结果标识训练样本；采用模糊支持向量机算法对标识后的训练样本进行单点压实状态分类；通过采用极大似然估计算法计算隐马模型参数以描述压实质量变化规律，结合压实监测数据获得整体压实质量评价结果。本发明通过模糊C均值算法的设计和应用对样本数据进行了隶属度求解，提升了支持向量机算法的抗噪能力；通过隐马模型参数的求解和应用，有效地获取了路面压实质量的变化过程；结合组合定位系统的应用，实现了全过程和全区域路面压实质量的评价。

说明书

技术领域

本发明涉及基于支持向量机和隐马模型的路面压实质量评价方法，属于交通基础设施智能建设领域。

背景技术

压实是路面材料密实成型和路用功能实现的关键环节，直接影响路面的强度、稳定性和抗疲劳性能。因此，路面施工中必须重视和加强压实质量控制。目前，路面压实质量管理仍以事后检验为主，难以及时了解压实状况并进行过程控制。因而，能够连续实时无损监测和反馈的智能压实逐渐引起关注，其中路面压实质量的实时准确评价是智能压实反馈控制的前提。

在路面压实施工的质量控制中，路面材料密实状况的检测十分重要。实际应用中，通常使用压实度描述压实质量，其检测方法包括传统方法、在线方法和连续方法等。

传统压实质量检测方法简单易行，但均停留在结果检测，不具备充分的代表性，难以实时反映压实状态。此外，环刀法、灌砂法、钻芯法等属于有损检测方法，不但操作繁琐，同时存在耗费大量人力物力等缺陷，从而实时无损的在线检测技术成为路面建设的迫切需求。

在线方法避免了传统检测方法的不足，能够对路基路面材料进行快速无损检测。然而，在线方法亦属于抽样检测和结果控制方法，其检测结果具有片面性和滞后性，不能及时发现欠压、过压区域，难以满足过程控制的要求。

为了对压实质量进行过程控制，需要在碾压施工中进行实时在线的全域监测，从而连续压实检测方法获得了发展。用于描述压实状态的途径有多种，如振动轮加速度、振动轮激振力与位移、机械驱动功率、瑞雷波波速等。鉴于振动反馈信号易于采集，振动信号采集和处理装置易于和施工设备集成等因素，基于谐波分析法的压实度指标如CMV、CCV等获得的关注较多，但仍存在适用材料类型单一、与常规压实检测方法结果的相关度一般等缺点，需要进一步深入研究和优化。

综上所述，如何将连续压实监测数据与路面压实质量评价的需求相结合，以克服现有路面压实质量检测方法中的不足，是路面智能压实建设的重要任务。

发明内容

针对以上传统压实检测方法、在线压实检测方法以及连续压实检测方法的缺陷，本发明提出基于支持向量机和隐马模型的路面压实质量评价方法，将统计学习方法的优势与路面压实质量检测的需求相结合，实现连续实时无损的路面压实质量评价。

本发明采用如下技术方案：

本发明所述的基于支持向量机和隐马模型的路面压实质量评价方法步骤如下：

步骤一、通过车载传感器和UWB/GPS组合定位系统获取压实监测参数；UWB/GPS为超宽带(Ultra Wide Band，UWB)/全球定位系统(Global Positioning System，GPS)；

步骤二、对步骤一中通过UWB/GPS组合定位系统获取的压实监测数据进行样本数据预处理，通过RTK-GPS结果标识训练样本；

步骤三、单点压实状态分类：通过采用模糊支持向量机算法针对步骤二中的RTK-GPS结果标识训练样本进行学习分类；

步骤四、整体压实质量评价：通过分类后的训练样本，采用极大似然估计算法计算隐马模型参数以描述压实质量变化规律，结合压实监测数据获得整体压实质量评价。

本发明所述的基于支持向量机和隐马模型的路面压实质量评价方法，步骤一中压实监测参数包括振动参数指标、施工温度参数、碾压定位参数；其中振动参数指标包括压实计值(Compaction Meter Value，CMV)、压实控制值(Compaction Control Value，CCV)、振动压实能量值(Vibration Compaction Energy Value，VCVe)。

CMV指标定义如下：

上式中，A

CCV指标定义如下：

上式中，A

VCVe指标定义如下：

上式中，A

本发明所述的基于支持向量机和隐马模型的路面压实质量评价方法，所述步骤二中，对压实监测的样本数据进行预处理的过程为：

步骤1、振动数据清洗：根据振动压实反馈信号的基波频率设置时间滑动窗口，基于步骤一获取多组CMV、CCV、VCVe数据；为剔除粗大误差数据，以3σ准则为依据排除异常数据，求取压实度指标的平均值作为振动参数特征；

步骤2、温度数据处理：针对异常温度数据，基于3σ准则的算法进行异常温度数据处理；

步骤3、碾压次数提取：精确定位碾压位置，应用网格地图技术提取碾压次数；

步骤4、样本数据标识：通过步骤三获取的碾压次数，计算得到碾压过程中的压实度标定数据；根据压实度验收标准判别压实状态，并分别定义档次，进而标识样本数据。

本发明所述的基于支持向量机和隐马模型的路面压实质量评价方法，采用模糊支持向量机算法进行机器学习分类的过程为：

步骤1、对于压实监测样本数据，采用模糊C均值算法确定样本数据的隶属度，进而完成训练样本集的模糊聚类粗略划分，作为支持向量机压实状态分类算法的基础数据；

步骤2、根据压实监测样本数据的特点和压实分类的实际需求选择适当的核函数用于样本数据的分类，并确定惩罚因子C值、核函数参数γ值，设计基于核函数的支持向量机算法；

核函数选择是支持向量机算法应用的必备环节，是支持向量机算法的结构组成部分和运算过程的一环。

步骤3、对步骤1采用模糊C均值算法所得初步聚类分类后的结果数据，使用步骤2得到的支持向量机算法进行机器学习分类识别，确定路面压实的单点压实状态类别。

5、根据权利要求1所述的基于支持向量机和隐马模型的路面压实质量评价方法，其特征在于：步骤四中基于极大似然估计算法计算隐马模型参数以描述压实质量变化规律，结合压实监测数据进行整体压实质量评价的过程为：

步骤1、在碾压施工中直接获取路面初始压实状态，即为初始概率向量π；在碾压过程中通过步骤一获取系列压实监测数据，并通过步骤二和步骤三获取对单点压实状态的分类，即为观测序列；

步骤2、依据现场试验获取准确的碾压次数，进而通过压实度与压实次数的对数关系反推压实状态作为隐含状态序列；

步骤3、通过极大似然估计算法进行隐马模型参数的计算，确定路面压实质量状态的隐马模型λ＝(A,B,π)，其中A为隐含状态转移概率矩阵，B为观测状态转移概率矩阵，π为初始状态概率向量。

步骤4、将步骤三的分类结果作为压实状态观测序列O，并结合步骤3获得隐马模型参数，使用维特比算法计算获取碾压施工的隐含压实状态序列；

步骤5、根据步骤3的结果，结合UWB/GPS组合定位系统结果，实现路面碾压施工的全过程和全区域压实质量评价，为智能压实反馈控制提供决策依据。

有益效果

本发明适应了路面压实质量智能检测的发展趋势，结合统计机器学习的优势与路面压实质量评价的需求，提出了基于支持向量机和隐马模型的路面压实质量评价方法。通过融合多源多维压实监测参数和数据预处理，为压实状态分类和质量评价提供了良好的数据基础，避免了压实质量评价结果对于单一压实监测参数类型的依赖性；通过模糊C均值算法的设计和应用对样本数据进行了隶属度求解，提升了支持向量机算法的抗噪能力；通过隐马模型参数的求解和应用描述压实状态序列变化规律，有效地获取了路面压实质量的变化过程；结合组合定位系统的应用，实现了全过程和全区域路面压实质量的评价。

附图说明

图1为本发明实施的基于支持向量机和隐马模型的路面压实质量评价方法的整体工作流程图。

图2为模糊支持向量机训练样本分布图。

图3为压实质量序列的隐马模型图。

图4为基于隐马模型的路面压实质量评价流程图。

具体实施方式

为使本发明实施例的目的和技术方案更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，基于支持向量机和隐马模型的路面压实质量评价方法包括以下步骤：

(1)压实监测参数获取，在路面碾压施工过程中采集信号，并提取监测参数；

(2)样本数据预处理，融合分析多维压实监测数据，通过RTK-GPS结果标识训练样本；

(3)单点压实状态分类，在步骤(2)基础上采用模糊支持向量机算法进行机器学习分类；

(4)整体压实质量评价，在步骤(3)基础上，基于极大似然估计算法计算隐马模型参数以描述压实质量变化规律，然后结合压实监测数据进行整体压实质量评价。

步骤(1)中，在路面碾压施工过程中，通过车载传感器和定位系统采集各种压实监测信号，并经过数字信号处理和分析，获取压实监测参数，主要包括振动参数指标(CMV、CCV、VCV

步骤(2)中，对压实监测的样本数据进行预处理的过程为：

(2-1)振动数据清洗：根据振动压实反馈信号的基波频率设置时间滑动窗口，以1秒为检测周期，获取多组CMV、CCV、VCV

式(1)中，A

式(2)中，A

式(2)中，A

(2-2)温度数据处理：对于因施工设备结构、现场环境和风力等因素导致的异常温度数据，基于3σ准则的算法进行异常温度数据处理。

(2-3)碾压次数提取：在准确定位压路机碾压位置的基础上，应用网格地图技术进行碾压次数提取。

(2-4)样本数据标识：首先，通过RTK-GPS标定系统提取准确的碾压次数；然后，根据路面压实度与碾压次数的对数关系规律，计算碾压过程中的压实度标定数据；最后，根据压实度验收标准判别压实状态，并分别定义档次，进而标识样本数据。以最简单的松散和压实两种状态为例，其压实状态数据样本可分别定义为-1和+1。

步骤(3)中，采用模糊支持向量机算法进行机器学习分类的过程为：

(3-1)对步骤(2)得到的压实监测样本数据，使用模糊C均值算法确定样本数据的隶属度，进而完成训练样本集的模糊聚类划分；

(3-2)选择适当的核函数，并确定惩罚因子C值、核函数参数γ值，设计基于核函数的支持向量机算法；

(3-3)对步骤(3-1)得到的样本数据使用步骤(3-2)得到的支持向量机算法进行机器学习分类识别，确定路面压实的单点压实状态类别。

步骤(4)中，在步骤(3)基础上，基于极大似然估计算法计算隐马模型参数以描述压实质量变化规律，然后结合压实监测数据进行整体压实质量评价的过程为：

(4-1)在碾压施工中直接获取路面初始压实状态，即为初始概率向量π；在碾压过程中通过步骤(1)获取系列压实监测数据，并通过步骤(2)和步骤(3)获取对单点压实状态的分类，即为观测序列；

(4-2)在现场试验中采用RTK-GPS高精度定位系统获取准确的碾压次数，进而通过压实度与压实次数的对数关系反推压实状态作为隐含状态序列。RTK-GPS系统仅在施工初始时期作为标定手段使用，并不用于施工全过程监测；

(4-3)通过极大似然估计算法进行隐马模型参数的计算，确定路面压实质量状态变化的隐马模型λ＝(A,B,π)；

(4-4)将步骤(3)的分类结果作为压实状态观测序列O，并结合步骤(4-3)获得的隐马模型参数，使用维特比算法获取碾压施工的隐含压实状态序列；

(4-5)根据步骤(4-4)的结果，结合组合定位系统结果，实现路面碾压施工的全过程和全区域压实质量评价，为智能压实反馈控制提供决策依据。

图2为输入的模糊支持向量机训练样本分布图，图3为描述压实质量变化的隐马模型图，图4为基于隐马模型的路面压实质量评价流程图。从图中可以看到本发明能够较有效地抑制样本数据中噪声和野点的干扰，结合组合定位系统的应用可以实现路面压实质量的连续实时无损监测和评价。

本发明方案虽然通过以上实施方式阐述了技术手段，但这种描述方式仅仅是为清晰展现发明详情，本发明方案还包括由以上技术手段进行任意组合或替换所形成的技术方案。本技术领域的技术人员可以在不脱离本发明原理的前提下，对本发明做出修改、组合或替换，形成适用于本领域的其他实施方式。