少样本条件下基于BP神经网络的桥梁工程风险评估方法

少样本条件下基于bp神经网络的桥梁工程风险评估方法
技术领域
1.本发明属于桥梁工程领域，涉及一种桥梁工程风险评估方法，具体涉及少样本条件下基于bp神经网络的桥梁工程风险评估方法。


背景技术：

2.近几年我国的道路交通正处于飞速发展阶段，对于西部高速铁路桥梁的建设需求已经迫在眉睫。我国西部大多处于山川河流地带，所以需要建设大量的高速铁路桥梁。高速铁路桥梁的这类工程安全风险影响因素复杂，在高速铁路的发展中，要着重关注高速铁路桥梁的工程建设。为了保证高速铁路桥梁快速发展建设，需要有一套完好的科学的针对高速铁路桥梁施工的安全风险评估体系。
3.国内对桥梁工程施工的安全风险评估研究主要是采用传统的专家经验评价法，主要研究方向还是集中在公路和隧道方面等，且对各风险因素的评估过于主观，从而影响安全风险评估的结果。
4.在近几年开始对高速铁路桥梁风险评估进行定量化的安全风险评估，尽管满足了结果的科学性，但是计算过程复杂，不够简洁。针对工程安全评估体系环节复杂繁琐、人为主观性较重、计算复杂，并且信息化程度不高，导致了评估结果有所偏差且时效性差。
5.现有技术中，采用神经网络人工智能学习能够解决很多问题，但是人工智能学习往往需要足够多的训练样本，由于桥梁工程特殊性，其施工周期长，往往难以采集足够的训练样本，这就导致了利用神经网络进行桥梁工程风险评估大大受限。
6.综上所述，目前在高速铁路桥梁施工安全的风险评估中各影响因素之间存在着非常复杂的非线性关系，采用bp神经网络确实可以减少人为的干扰因素并且有很强的非线性逼近能力，更具有客观性，但是使用bp神经网络的前提必须要有足够数据样本对网络模型进行训练。目前，样本普遍都是由专家根据经验采用专家评价法获得，其样本数据容易受到人为的主观干扰；层次分析法(ahp法)通过风险因素重要性的相对关系构件整体判断矩阵，在一定程度上解决了样本受人为主观干扰，并容易结合工程的工艺流程构件指标体系。


技术实现要素：

7.本发明的目的在于提供一种少样本条件下基于bp神经网络的桥梁工程风险评估方法，通过有限的样本来获得足够高的学习精度，以为满足高速铁路桥梁施工安全风险评估定量化，客观化要求。本发明首先构建高速铁路桥梁施工安全风险评估体系，对桥梁施工风险指标进行识别，对各风险因素进行风险事件发生概率(p)和风险事件发生后果程度s进行量化打分；然后通过ahp法对数据进行预处理，得出最终风险等级；最后建立bp神经网络对数据进行训练，并得出一个完整的科学的准确的模型。该方法综合ahp法与bp神经网络算法，构建高速铁路桥梁施工安全风险评估体系，以期满足高速铁路桥梁施工风险评估科学性、简洁性及可推广性的要求。
8.为了解决上述技术问题，本发明采用的技术方案如下：
9.一种少样本条件下基于bp神经网络的桥梁工程风险评估方法，其特征在于，包括以下步骤：
10.s1、构建桥梁工程施工安全风险评估体系，对桥梁施工的风险因素进行识别，得到若干风险因素一级指标，每个风险因素一级指标又包含若干风险因素二级指标；
11.s2、针对识别的风险因素二级指标，通过对各自对应的风险调查项目进行初步风险等级量化，得到由所有二级指标量化值组成的安全风险评估数据集k；
12.s3、对风险因素的风险事件发生概率p和风险事件发生后果程度s进行量化打分后的等级划分，根据风险事件发生概率p和风险事件发生后果程度s等级划分对桥梁工程风险等级进行划分；
13.s4、通过层次分析法对风险事件发生概率p和风险事件发生后果程度s的量化得分进行数据预处理，得到由每个二级指标的风险事件发生概率权重组成的第一权重向量w和风险事件发生后果程度权重组成的第二权重向量w
*
；
14.s5、将每个二级指标量化值乘以相应的风险事件发生概率权重w并累加得到风险因素的风险事件发生概率p，将每个二级指标量化值乘以相应的风险事件发生后果程度权重w
*
并累加得到风险因素的风险事件发生后果程度s；
15.s6、以步骤s1中识别桥梁工程的安全风险评估数据集k作为样本，以步骤s5得到的风险事件发生概率p、风险事件发生后果程度s作为标签，构建训练样本，按照步骤s1-s5 方法采集不同的桥梁工程的安全风险评估数据，构建训练样本集；
16.s7、建立bp神经网络模型；
17.s8、将得到桥梁工程风险评估的样本集输入到bp神经网络模型中进行网络的自我学习训练；
18.s9、根据步骤s1和s2方法对待评估的桥梁工程进行风险因素识别，得到待评估桥梁工程的安全风险评估数据集k；将识别的安全风险评估数据集k输入到训练完成后的bp神经网络模型中，得到风险事件发生概率p和风险事件发生后果程度s，通过步骤s3划分的桥梁工程风险等级标准得出桥梁工程安全风险等级。
19.进一步地，步骤s1中，所识别的风险因素的一级指标有四个，分别为人员素质k1、机械设备及施工材料k2、施工管理k3、施工环境k4；其中，
20.人员素质k1包括：人员的安全意识k
11
、操作的规范程度k
12
、人员的学历k
13
、人员的经验k
14
、岗前的安全培训k
15
、从业时间k
16
、现场防护措施k
17
、安全设备使用经验 k
18
、敬业精神k
19
；
21.机械设备及施工材料k2包括：设备进场质量检测k
21
、安全操作规范k
22
、机械强度是否适应施工强度k
23
、设备保养维修k
24
、材料进场检测k
25
、材料整理和储存布局k
26
、场内材料运输k
27
、材料使用是否符合设计要求k
28
；
22.施工管理k3包括：安全管理人员是否尽职k
31
、安全规章制度是否规范齐全k
32
、安全监督是否按规定定期检查k
33
、人员的配置不合理k
34
、施工指挥人员的素质k
35
包括；
23.施工环境k4包括：施工环境运输k
41
、周边环境复杂程度k
42
、作业环境布局是否合理 k
43
、与施工无关的人员流量k
44
、施工环境恶劣程度k
45
、发生自然灾害的可能性k
46
、周围是否有建筑物k
47
。
24.进一步地，步骤s2中，初步的风险等级量化方法为根据该风险因素的危险程度量
化为 0-1之间的具体数值，越安全，数值越小。
25.进一步地，步骤s2中，采用模糊数学理论用精确的数学来确定等级中的隶属程度，初步风险等级量化的量化标准和对应的量化值如下：
26.很危险：量化值为1～0.8；
27.危险：量化值为0.8～0.6；
28.比较安全：量化值为0.6～0.4；
29.安全：量化值为0.4～0.2；
30.很安全：量化值为0.2～0。
31.进一步地，步骤s3中，风险事件发生概率p的等级量化如下：
32.频繁发生：概率等级为5，量化值为1～0.8；
33.可能发生：概率等级为4，量化值为0.8～0.6；
34.偶然发生：概率等级为3，量化值为0.6～0.4；
35.很少发生：概率等级为2，量化值为0.4～0.2；
36.极不可能发生：概率等级为1，量化值为0.2～0；
37.风险事件发生后果程度s的等级量化如下：
38.灾难性的：概率等级为e，量化值为1～0.8
39.很严重的：概率等级为d，量化值为0.8～0.6
40.严重的：概率等级为c，量化值为0.6～0.4
41.较大的：概率等级为b，量化值为0.4～0.2
42.轻微的：概率等级为a，量化值为0.2～0。
43.进一步地，步骤s4中，结合风险事件发生概率等级和风险事件发生后果等级，将桥梁工程风险等级分为极高、高度、中度、低度四个风险等级，具体如下表：
[0044][0045]
得到风险事件发生概率p和风险事件发生后果程度s后根据上述表格确定最终风险等级。
[0046]
进一步地，步骤s4的具体方法如下：
[0047]
s4.1、先构造判断矩阵，通过专家的讨论探究判断各风险因素所占的重要性，将各因素在某同一准测下两两相互比较，并按其重要性程度评定等级，判断矩阵的通用公式如下：
[0048][0049]
其中：a
ij
为第i个风险因素和第j个风险因素的相对重要性，其中a
ij
＝1/a
ji
；n为二级风险因素总数；
[0050]
对于风险事件发生概率p的判断矩阵a，包括一级指标判断矩阵和相应的二级指标判断矩阵，其中，一级指标判断矩阵记为a0，人员素质的判断矩阵记为a1，机械设备及施工材料的判断矩阵记为a2；施工管理的判断矩阵记为a3；施工环境的判断矩阵记为a4；
[0051]
对于风险事件发生后果程度s的判断矩阵a
*
，包括一级指标判断矩阵和相应的二级指标判断矩阵，其中，一级指标判断矩阵记为a
0*
，人员素质的判断矩阵记为a
1*
，机械设备及施工材料的判断矩阵记为a
2*
；施工管理的判断矩阵记为a
3*
；施工环境的判断矩阵记为 a
4*
；
[0052]
s4.2、对每个判断矩阵进行平均几何计算并归一化得到每个风险因素的权重向量，计算公式如下：
[0053][0054]
上式中u为角标，u＝0表示一级指标的权重向量，u＝1-4分别表示每个二级指标的权重向量；
[0055]
对于风险事件发生概率p，一级指标的权重向量记为w0＝(a1,a2,a3,a4)，其中， a1,a2,a3,a4为每个一级指标的权重；人员素质的权重向量记为w1；机械设备及施工材料的权重向量记为w2；施工管理的权重向量记为w3；施工环境的权重向量记为w4；
[0056]
对于风险事件发生后果程度s，一级指标的权重向量记为w
0*
＝(a
1*
,a
2*
,a
3*
,a
4*
)，其中， a
1*
,a
2*
,a
3*
,a
4*
为每个一级指标的权重；人员素质的权重向量记为w1*；机械设备及施工材料的权重向量记为w2*；施工管理的权重向量记为w3*；施工环境的权重向量记为w4*；
[0057]
s4.3、将各二级指标的权重乘以对应的一级指标的权重，得出的结果为对应的二级指标量化值的风险事件发生概率权重和风险事件发生后果程度权重，计算公式如下：
[0058]
w＝(a1·
w1,a2·
w2,a3·
w3,a4·
w4)
ꢀꢀꢀꢀꢀ
公式(3)
[0059][0060]
上式中w为由风险事件发生概率权重组成的第一权重向量，w
*
为由风险事件发生后果程度权重组成的第二权重向量。
[0061]
进一步地，步骤s5中，风险事件发生概率p和风险事件发生后果程度s的计算公式如下：
[0062]
k＝(k
11
,k
12
,
…
,k
47
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(5)
[0063]
p＝w
·kt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(6)
[0064]
s＝w
*
·kt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(7)。
[0065]
本发明针对桥梁施工安全进行风险因素的识别，构建桥梁施工安全风险评估体系，用层次分析法结合专家经验获得风险因素等级数据样本进行数据的预处理，从而达到克服传统评估体系主观性过强的目的，采用bp神经网络对处理后的数据样本进行训练，在少量数据样本的情况下也可以得出科学、准确的评估结果。
[0066]
与现有技术相比，本发明有益效果如下：
[0067]
1.本发明利用ahp构建了满足工程施工评估指标体系，同时采用bp神经网络的非线性特点克服了专家评价法对风险等级量化的人为主观性过大的问题。
[0068]
2.本发明利用ahp法构建了bp神经网络训练需要的样本库，工程验证表明适用于高速铁路工程项目的风险等级评估，与传统评估方法过程繁琐、结论主观相比，本发明更加简洁实用、科学严谨，便于编制标准化的算法程序，具有一定的参考价值和推广价值。
[0069]
3.本发明在没有大量数据样本的情况下，也可以科学、准确的得到评估结果。
附图说明
[0070]
为了更清楚地说明本发明实施例，或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
[0071]
图1为本发明实施例中一种少样本条件下基于bp神经网络的桥梁工程风险评估方法流程图。
[0072]
图2位本发明实施例中高速铁路桥梁施工的安全风险评估指标体系图。
[0073]
图3为本发明实施例中bp神经网络模型结构示意图。
[0074]
图4为本发明实施例中bp神经网络模型训练过程图。
具体实施方式
[0075]
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。
[0076]
下面以高速铁路桥梁施工的安全风险评估为例对本发明进行举例说明，需要明确说明的是，本发明并不限于高速铁路桥梁施工，还可以用于任何其他桥梁工程施工风险评估。
[0077]
如图1所示，本发明提供一种少样本条件下基于bp神经网络的桥梁工程风险评估方法，包括以下步骤：
[0078]
s1、构建桥梁工程施工安全风险评估体系，对桥梁施工的风险因素进行识别，得到若干风险因素一级指标，每个风险因素一级指标又包含若干风险因素二级指标；
[0079]
如图2所示，为高铁桥梁施工安全风险因素体系部分风险因素，所述的风险因素从4各方面的一级指标进行识别，即：人员素质(k1)、机械设备及施工材料(k2)、施工管理 (k3)、施工环境(k4)。
[0080]
每个风险因素一级指标又包含若干风险因素二级指标，所述识别的风险因素共29
个，即29个二级指标，包括：
[0081]
人员素质(k1)：人员的安全意识(k
11
)、操作的规范程度(k
12
)、人员的学历(k
13
)、人员的经验(k
14
)、岗前的安全培训(k
15
)、从业时间(k
16
)、现场防护措施(k
17
)、安全设备使用经验(k
18
)、敬业精神(k
19
)；
[0082]
机械设备及施工材料(k2)：设备进场质量检测(k
21
)、安全操作规范(k
22
)、机械强度是否适应施工强度(k
23
)、设备保养维修(k
24
)、材料进场检测(k
25
)、材料整理和储存布局(k
26
)、场内材料运输(k
27
)、材料使用是否符合设计要求(k
28
)；
[0083]
施工管理(k3)：安全管理人员是否尽职(k
31
)、安全规章制度是否规范齐全(k
32
)、安全监督是否按规定定期检查(k
33
)、人员的配置不合理(k
34
)、施工指挥人员的素质 (k
35
)；
[0084]
施工环境(k4)：施工环境运输(k
41
)、周边环境复杂程度(k
42
)、作业环境布局是否合理(k
43
)、与施工无关的人员流量(k
44
)、施工环境恶劣程度(k
45
)、发生自然灾害的可能性(k
46
)、周围是否有建筑物(k
47
)。
[0085]
s2、针对识别的风险因素二级指标，通过对各自对应的风险调查项目进行初步风险等级量化，得到由所有二级指标量化值组成的安全风险评估数据集k；
[0086]
所述对各项二级指标(k
11
、k
12
……k47
)，通过数学模糊方法对对应的风险调查项目进行一个初步风险等级量化，量化规则见表1：
[0087]
表1初步风险等级量化打分表
[0088][0089]
s3、对风险因素的风险事件发生概率p和风险事件发生后果程度s进行量化打分后的等级划分，根据风险事件发生概率p和风险事件发生后果程度s等级划分对桥梁工程风险等级进行划分；
[0090]
所述对风险因素的量化划分规则，包括：
[0091]
表2风险事件发生概率p等级量化表
[0092][0093][0094]
表3风险事件发生后果程度s等级量化表
[0095][0096]
最终的桥梁工程安全风险等级共四个等级，包括：低度风险、中度风险、高度风险、极高风险。等级划分规则见表4。
[0097]
表4桥梁工程风险等级标准
[0098][0099]
s4、通过层次分析法(ahp法)对风险事件发生概率p和风险事件发生后果程度s的量化得分进行数据预处理，得到由每个二级指标的风险事件发生概率权重组成的第一权重向量w和风险事件发生后果程度权重组成的第二权重向量w
*
；
[0100]
具体的，步骤s4中，所述ahp法对风险事件发生概率p和风险事件发生后果程度s的量化分进行数据预处理步骤如下：
[0101]
s4.1、先构造判断矩阵，通过专家的讨论探究判断各风险因素所占的重要性，将各因素在某同一准测下两两相互比较，并按其重要性程度评定等级，判断矩阵的通用公式如下：
[0102][0103]
其中：a
ij
为第i个风险因素和第j个风险因素的相对重要性，其中a
ij
＝1/a
ji
；n为二级风险因素总数。
[0104]
对于风险事件发生概率p的判断矩阵a如下：
[0105]
注：a0代表一级指标；a1代表人员素质；a2代表机械设备及施工材料；a3代表施工管理；a4代表施工环境。
[0106]
[0107][0108][0109][0110][0111]
对于风险事件发生后果程度s的判断矩阵a
*
如下：
[0112]
注：a
0*
代表一级指标；a
1*
代表人员素质；a
2*
代表机械设备及施工材料；a
3*
代表施工管理；a
4*
代表施工环境。
[0113][0114][0115][0116]
[0117][0118]
s4.2、对每个判断矩阵进行平均几何计算并归一化得到每个风险因素的权重向量，计算公式如下：
[0119][0120]
上式中u为角标，其中u为0、1、2、3、4，分别代表一级指标、人员素质、机械设备及施工材料、施工管理、施工环境的权重向量；
[0121]
对于风险事件发生概率p，一级指标的权重向量记为w0＝(a1,a2,a3,a4)，其中， a1,a2,a3,a4为每个一级指标的权重；人员素质的权重向量记为w1；机械设备及施工材料的权重向量记为w2；施工管理的权重向量记为w3；施工环境的权重向量记为w4；
[0122]
对于风险事件发生后果程度s，一级指标的权重向量记为w
0*
＝(a
1*
,a
2*
,a
3*
,a
4*
)，其中， a
1*
,a
2*
,a
3*
,a
4*
为每个一级指标的权重；人员素质的权重向量记为w1*；机械设备及施工材料的权重向量记为w2*；施工管理的权重向量记为w3*；施工环境的权重向量记为w4*；
[0123]
对于风险事件发生概率p的权重向量w计算如下：
[0124]
注：w0代表一级指标；w1代表人员素质；w2代表机械设备及施工材料；w3代表施工管理；w4代表施工环境。
[0125]
w1＝(0.148,0.128,0.077,0.141,0.085,0.075,0.081,0.156,0.109)
[0126]
w2＝(0.204,0.178,0.009,0.012,0.182,0.087,0.183,0.145)
[0127]
w3＝(0.246,0.169,0.268,0.148,0.169)
[0128]
w4＝(0.168,0.173,0.151,0.133,0.133,0.117,0.125)
[0129]
w0＝(0.3563,0.1100,0.3219,0.2118)
[0130]
对于风险事件发生后果程度s等级的权重向量w
*
如下：
[0131]
注：w
0*
代表一级指标；w
1*
代表人员素质；w
2*
代表机械设备及施工材料；w
3*
代表施工管理；w
4*
代表施工环境。
[0132]
w1*＝(0.095,0.229,0.042,0.069,0.096,0.100,0.247,0.090,0.032)
[0133]
w2*＝(0.099,0.200,0.027,0.026,0.114,0.141,0.145,0.248)
[0134]
w3*＝(0.223,0.076,0.125,0.237,0.339)
[0135]
w4*＝(0.097,0.008,0.307,0.189,0.088,0.244,0.067)
[0136]w0*
＝(0.193,0.359,0.123,0.325)
[0137]
s4.3、将各二级指标的权重乘以对应的一级指标的权重，得出的结果为对应的二级指标量化值的风险事件发生概率权重和风险事件发生后果程度权重，计算公式如下：
[0138]
w＝(a1·
w1,a2·
w2,a3·
w3,a4·
w4)
ꢀꢀꢀꢀꢀ
公式(3)
[0139][0140]
上式中w为由风险事件发生概率权重组成的第一权重向量，w
*
为由风险事件发生后果程度权重组成的第二权重向量。
[0141]
s5、将每个二级指标量化值乘以相应的风险事件发生概率权重w并累加得到风险因素的风险事件发生概率p，将每个二级指标量化值乘以相应的风险事件发生后果程度权重w
*
并累加得到风险因素的风险事件发生后果程度s，根据步骤s3中划分的桥梁工程风险等级，得到最终安全风险等级；具体是将风险事件发生概率p和风险事件发生后果程度s代入到表 4中即可得到最终安全风险等级。
[0142]
风险事件发生概率p和风险事件发生后果程度s的计算公式如下：
[0143]
k＝(k
11
,k
12
,
…
,k
47
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(5)
[0144]
p＝w
·kt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(6)
[0145]
s＝w
*
·kt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(7)。
[0146]
s6、以步骤s1中识别的桥梁工程安全风险评估数据集k作为样本，以步骤s5得到的风险事件发生概率p、风险事件发生后果程度s作为标签(输出)，构建训练样本，按照步骤s1-s5方法采集不同的桥梁工程安全风险评估数据，构建训练样本集；
[0147]
s7、建立bp神经网络模型；
[0148]
如图3所示，所建立的bp神经网络模型包括：输入层、隐含层、输出层；该网络模型只设定一层隐含层，为单隐层网络。
[0149]
具体的，bp神经网络算法的基本思想学习过程是由信号的正向传播与误差的反向传播两个过程组成。正向传播是将输入样本输入到输入层经隐含层处理后将数据传到输出层，若输出层的输出实际数据与期望数据不符，则将转入误差的反向传播阶段。这种信号的正向传播与误差的反向传播的各层权值的调整的过程是周而复始的进行的，这一过程被称为bp网络的自我学习阶段。此过程一直进行到网络输出的误差减少到可接受的程度或者进行到预先设定的学习次数为止，示意图可见图3。
[0150]
其中，在bp神经网络的算法网络中，实际输出与期望输出不等时，往往存在一个输出误差e。其式如下：
[0151][0152]
可以看出各层权值w
jk
、v
ij
可影响改变误差e，调整权值可使误差不断减小，因此各层权值调整计算公式如下：
[0153]
δw
jk
＝μ(d
k-ok)ok(1-ok)yjꢀꢀꢀꢀꢀ
公式(9)
[0154][0155]
其中：j＝0,1,2,3,
…
,m；i＝0,1,2,3,
…
,m；k＝0,1,2,3,
…
,l；
[0156]
常数μ∈(0,1)表示比例系数，反映了训练速率，δ为误差信号。
[0157]
其中，输入向量为：
[0158]
x＝(x1,x2,
…
,xi,
…
,xn)
t
ꢀꢀꢀꢀꢀꢀꢀ
公式(11)
[0159]
隐层输出向量为：
[0160]
y＝(y1,y2,
…
yj,
…
,ym)
t
ꢀꢀꢀꢀꢀꢀꢀꢀ
公式(12)
[0161]
期望输出向量为：
[0162]
d＝(d1,d2,
…dk
,
…
,d
l
)
t
ꢀꢀꢀꢀꢀꢀꢀꢀ
公式(13)
[0163]
输出层输出向量为:
[0164]
o＝(o1,o2,
…
ok,
…
,o
l
)
t
ꢀꢀꢀꢀꢀꢀꢀ
公式(14)
[0165]
如图4所示，标准的bp网络计算流程如下：
[0166]
初始化
→
输入训练样本
→
计算网络输出误差
→
计算各层误差信号
→
调整各层权值
→
检查网络是否到达预定轮次
→
检查网络总误差是否达到精度要求
→
输出结果。
[0167]
s8、将得到桥梁工程风险评估的样本集输入到bp神经网络模型中进行网络的自我学习训练；
[0168]
将桥梁工程(高速铁路桥梁)施工风险因素的29个二级指标作为输入集(k
11
～k
47
)，将高速铁路桥梁的风险事件发生概率p的等级量化值、风险事件发生后果程度s的等级量化值为2个输出集，隐含层的节点数由于需要通过大量的经验和测试来确定的，没有固定的理论公式，经过多次的尝试和验证选取35为该网络模型最佳的隐含节点数。
[0169]
该网络模型选取的隐含层传递函数和输出层传递函数分别采用
‘
tansig’和
‘
logsig’为最佳函数，具体公式：
[0170]
tansig函数公式：
[0171]
logsig(x)＝1/(1+e
(-x)
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
公式(15)
[0172]
logsig函数公式：
[0173]
tansig(x)＝2/((1+e
(-2x)
)-1)
ꢀꢀꢀꢀꢀ
公式(16)
[0174]
其中：x隐含层或输出层下层的输入变量值。
[0175]
性能函数采用mse(均方误差)函数，具体公式：
[0176][0177]
其中：m为样本数，yi为真实值，为预测值。
[0178]
网络参数设置，训练函数：trainbr(贝叶斯正则化算法)；最大迭代次数：1000；网络训练目标误差：0.00001；学习率：0.0001。
[0179]
s9、根据步骤s1和s2方法对待评估的桥梁工程进行风险因素识别，得到待评估桥梁工程的安全风险评估数据集k；将识别的安全风险评估数据集k输入到训练完成后的bp神经网络模型中，得到风险事件发生概率p和风险事件发生后果程度s，通过步骤s3划分的桥梁工程风险等级标准得出桥梁工程安全风险等级，具体是将风险事件发生概率p和风险事件发生后果程度s代入表4中，得到最终的桥梁工程安全风险等级。
[0180]
以上实施方式仅用于说明本发明，而非对本发明的限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行各种组合、修改或者等同替换，都不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。