| 标题 | 模糊推理技术和神经网络在智能交通系统中的应用 |
| 范文 | 原鑫鑫+叶帅 摘 要：本文提出一种新的BP和RBF混合神经网络算法，并将其应用在智能交通诱导系统的研究。此研究既解决了现存交通信息孤岛问题，又实现了交通动态诱导的功能，提高了路网通行能力，具有重要的理论意义和现实意义。 关键词：混合神经网络；交通动态诱导；路网通行能力 中图分类号 ： TP3 文献标识码 ： A 1 引言 随着经济的快速发展，交通拥挤、拥堵等城市交通问题日益严重地困扰着世界各大中城市。公众出行的多样性和随机性导致交通信息的随时更新和掌握成为必要，研究开发动态智能交通诱导系统，可以有效实现路网交通流的有效分配。本文提出一种BP和RBF混合神经网络算法，并将其应用在智能交通诱导系统的研究。 2 智能交通的数据融合系统 模糊理论和神经网络都是基于人类处理各种复杂问题时所使用的解决方法进行总结，对遇到的问题进行抽象建模，得到智能解决问题的办法。使用模糊推理系统可以处理不确定的信息，但没有学习能力。神经网络可以并行处理，自学能力强，但知识解释较难。 2.1 智能交通数据融合系统的信息层实现 寻找两个交叉路口的绿信比和最佳信号周期可以对单个交叉口的进行良好的控制。若车辆很少，可以将信号周期设置的尽可能的短，同时为了保证路口等待的车辆来的及通过，一般设置的信号周期不能小于30s。交通流量较大时，考虑到行人和司机的心理承受能力，一般最大周期时间必须限制在120s左右。 故在一个交叉路口的红绿灯设置可以按照如下规律： （1）给予一个方向的最短绿灯时间（如15s，可保证该路口的最短周期不小于30s）。 （2）绿灯时间结束后，根据检测器检测到的等待车辆数适当的控制绿灯时间。 （3）增加的绿灯时间结束后，再检测重复第（2）步，但不能超过最大的绿灯时间（即120/2s）。 2.2 智能交通数据融合系统的特征层实现 应用神经网络自学能力强的特点构建数据融合系统，对收集到的样本数据进行分析处理并加以学习，总结规律，得到一个通用的对不同数据都能进行总结的人工神经网络，并将分析得到的结果归纳出来。 BP和RBF混合神经网络精确度提高，可以多次迭代，且有较好的收敛稳定性。下面介绍BP和RBF混合神经网络的原理。 使用RBF神经网络，可以解决局部最小值的问题，并可以线性逼近，性能良好，是一种优质前向网络。结合BP和RBF神经网络中的不同特点，根据径向基函数的网络结构，提出BP和RBF混合神经网络的拓扑结构。该拓扑结构分为三层网络：分别为输入层、隐含层和输出层。输入层只对接收到的信息进行传递，不做任何运算；隐含层对输入层传递的信息进行处理，根据不同的信息视需要而定，使用高斯函数进行映射变换；输出层与输入模式呼应，将隐含层变换的结果进行加权后输出，是线性变化，输出层的结果作为整个人工神经网络的输出结果。 2.3 智能交通数据融合系统的决策层实现 智能交通数据融合系统的决策层是将特征层所传递过来的交通流量大小、最佳信号周期等信息进行融合，分析交叉路口特点，能够根据系统自动得到合理、精确的决策输出。根据得到的结果下发不同的控制策略，由于有些结果是模糊的，所以需要用模糊推理技术将具有模糊性的值转化为确定值，较好地协调控制策略中路口的绿灯时间和其他因素的关系，对交通控制决策进行很好的指导执行。模糊推理技术实现步骤如下： （1）输入、输出量的模糊化 用模糊子集表示观测值，即将每个路口等待的车辆数表示成语言值，如非常少、少、比较少等。将这些语言值表示成模糊子集A1、A2、...An。 （2）模糊逻辑推理 总结前人的交通控制系统的经验，根据交通控制的特点，对检测器检测到的实时数据进行逻辑推理，确定对应的控制方法。 （3）模糊判别 输入一个模糊子集，即某个特定的车队长度，根据模糊逻辑推理，可以得到一个模糊控制策略。使用隶属度函数将此模糊的控制策略结果转化为清晰值。这以从模糊到清晰的转换过程称为反模糊化。用一个确定清晰的值作为智能交通数据融合系统中模糊判别的控制策略代表。 3 仿真研究 利用BP和RBF混合神经网络算法设计智能交通数据融合系统编写了仿真程序。利用该仿真程序对交叉路口的各种不同车流大小进行模拟控制，通过信息层、特征层和决策层对数据进行处理仿真。 假设路口的两个交叉方向的最大通过能力为0.3辆/s，每个方向两对向车流中等待车辆数较多的一方为检测到的等待车辆数。故车辆到达率分别取0.0-0.3辆/s、0.0-0.2辆/s、0.0-0.1辆/s，依次减少。仿真结果表1表明，控制结果迅速、合理，与期望值基本吻合，非常类似于人的决策过程。 结语 本文以神经网络和模糊推理技术为基础，分析了智能交通系统中的流量、信息层信息融合方法、特征层处理方法和决策层决策方法，为交通控制技术提供了充分的理论基础，具有重要的现实意义。 参考文献 [1] 郑景润. 智能环境下基于音频视频信息融合的多说话人跟踪[D]. 兰州大学. 2011：10-12. [2] 周润景， 张丽娜. 基于MATLAB与fuzzy TECH的模糊与神经网络设计[M]. 北京： 电子工业出版社， 2010， 1～211. [3] 潘峥嵘， 王群. 基于模糊神经网络的COD软测量技术的研究 [J]. 计算机测量与控制， 2011， 19（7）： 1572-1574. 摘 要：本文提出一种新的BP和RBF混合神经网络算法，并将其应用在智能交通诱导系统的研究。此研究既解决了现存交通信息孤岛问题，又实现了交通动态诱导的功能，提高了路网通行能力，具有重要的理论意义和现实意义。 关键词：混合神经网络；交通动态诱导；路网通行能力 中图分类号 ： TP3 文献标识码 ： A 1 引言 随着经济的快速发展，交通拥挤、拥堵等城市交通问题日益严重地困扰着世界各大中城市。公众出行的多样性和随机性导致交通信息的随时更新和掌握成为必要，研究开发动态智能交通诱导系统，可以有效实现路网交通流的有效分配。本文提出一种BP和RBF混合神经网络算法，并将其应用在智能交通诱导系统的研究。 2 智能交通的数据融合系统 模糊理论和神经网络都是基于人类处理各种复杂问题时所使用的解决方法进行总结，对遇到的问题进行抽象建模，得到智能解决问题的办法。使用模糊推理系统可以处理不确定的信息，但没有学习能力。神经网络可以并行处理，自学能力强，但知识解释较难。 2.1 智能交通数据融合系统的信息层实现 寻找两个交叉路口的绿信比和最佳信号周期可以对单个交叉口的进行良好的控制。若车辆很少，可以将信号周期设置的尽可能的短，同时为了保证路口等待的车辆来的及通过，一般设置的信号周期不能小于30s。交通流量较大时，考虑到行人和司机的心理承受能力，一般最大周期时间必须限制在120s左右。 故在一个交叉路口的红绿灯设置可以按照如下规律： （1）给予一个方向的最短绿灯时间（如15s，可保证该路口的最短周期不小于30s）。 （2）绿灯时间结束后，根据检测器检测到的等待车辆数适当的控制绿灯时间。 （3）增加的绿灯时间结束后，再检测重复第（2）步，但不能超过最大的绿灯时间（即120/2s）。 2.2 智能交通数据融合系统的特征层实现 应用神经网络自学能力强的特点构建数据融合系统，对收集到的样本数据进行分析处理并加以学习，总结规律，得到一个通用的对不同数据都能进行总结的人工神经网络，并将分析得到的结果归纳出来。 BP和RBF混合神经网络精确度提高，可以多次迭代，且有较好的收敛稳定性。下面介绍BP和RBF混合神经网络的原理。 使用RBF神经网络，可以解决局部最小值的问题，并可以线性逼近，性能良好，是一种优质前向网络。结合BP和RBF神经网络中的不同特点，根据径向基函数的网络结构，提出BP和RBF混合神经网络的拓扑结构。该拓扑结构分为三层网络：分别为输入层、隐含层和输出层。输入层只对接收到的信息进行传递，不做任何运算；隐含层对输入层传递的信息进行处理，根据不同的信息视需要而定，使用高斯函数进行映射变换；输出层与输入模式呼应，将隐含层变换的结果进行加权后输出，是线性变化，输出层的结果作为整个人工神经网络的输出结果。 2.3 智能交通数据融合系统的决策层实现 智能交通数据融合系统的决策层是将特征层所传递过来的交通流量大小、最佳信号周期等信息进行融合，分析交叉路口特点，能够根据系统自动得到合理、精确的决策输出。根据得到的结果下发不同的控制策略，由于有些结果是模糊的，所以需要用模糊推理技术将具有模糊性的值转化为确定值，较好地协调控制策略中路口的绿灯时间和其他因素的关系，对交通控制决策进行很好的指导执行。模糊推理技术实现步骤如下： （1）输入、输出量的模糊化 用模糊子集表示观测值，即将每个路口等待的车辆数表示成语言值，如非常少、少、比较少等。将这些语言值表示成模糊子集A1、A2、...An。 （2）模糊逻辑推理 总结前人的交通控制系统的经验，根据交通控制的特点，对检测器检测到的实时数据进行逻辑推理，确定对应的控制方法。 （3）模糊判别 输入一个模糊子集，即某个特定的车队长度，根据模糊逻辑推理，可以得到一个模糊控制策略。使用隶属度函数将此模糊的控制策略结果转化为清晰值。这以从模糊到清晰的转换过程称为反模糊化。用一个确定清晰的值作为智能交通数据融合系统中模糊判别的控制策略代表。 3 仿真研究 利用BP和RBF混合神经网络算法设计智能交通数据融合系统编写了仿真程序。利用该仿真程序对交叉路口的各种不同车流大小进行模拟控制，通过信息层、特征层和决策层对数据进行处理仿真。 假设路口的两个交叉方向的最大通过能力为0.3辆/s，每个方向两对向车流中等待车辆数较多的一方为检测到的等待车辆数。故车辆到达率分别取0.0-0.3辆/s、0.0-0.2辆/s、0.0-0.1辆/s，依次减少。仿真结果表1表明，控制结果迅速、合理，与期望值基本吻合，非常类似于人的决策过程。 结语 本文以神经网络和模糊推理技术为基础，分析了智能交通系统中的流量、信息层信息融合方法、特征层处理方法和决策层决策方法，为交通控制技术提供了充分的理论基础，具有重要的现实意义。 参考文献 [1] 郑景润. 智能环境下基于音频视频信息融合的多说话人跟踪[D]. 兰州大学. 2011：10-12. [2] 周润景， 张丽娜. 基于MATLAB与fuzzy TECH的模糊与神经网络设计[M]. 北京： 电子工业出版社， 2010， 1～211. [3] 潘峥嵘， 王群. 基于模糊神经网络的COD软测量技术的研究 [J]. 计算机测量与控制， 2011， 19（7）： 1572-1574. 摘 要：本文提出一种新的BP和RBF混合神经网络算法，并将其应用在智能交通诱导系统的研究。此研究既解决了现存交通信息孤岛问题，又实现了交通动态诱导的功能，提高了路网通行能力，具有重要的理论意义和现实意义。 关键词：混合神经网络；交通动态诱导；路网通行能力 中图分类号 ： TP3 文献标识码 ： A 1 引言 随着经济的快速发展，交通拥挤、拥堵等城市交通问题日益严重地困扰着世界各大中城市。公众出行的多样性和随机性导致交通信息的随时更新和掌握成为必要，研究开发动态智能交通诱导系统，可以有效实现路网交通流的有效分配。本文提出一种BP和RBF混合神经网络算法，并将其应用在智能交通诱导系统的研究。 2 智能交通的数据融合系统 模糊理论和神经网络都是基于人类处理各种复杂问题时所使用的解决方法进行总结，对遇到的问题进行抽象建模，得到智能解决问题的办法。使用模糊推理系统可以处理不确定的信息，但没有学习能力。神经网络可以并行处理，自学能力强，但知识解释较难。 2.1 智能交通数据融合系统的信息层实现 寻找两个交叉路口的绿信比和最佳信号周期可以对单个交叉口的进行良好的控制。若车辆很少，可以将信号周期设置的尽可能的短，同时为了保证路口等待的车辆来的及通过，一般设置的信号周期不能小于30s。交通流量较大时，考虑到行人和司机的心理承受能力，一般最大周期时间必须限制在120s左右。 故在一个交叉路口的红绿灯设置可以按照如下规律： （1）给予一个方向的最短绿灯时间（如15s，可保证该路口的最短周期不小于30s）。 （2）绿灯时间结束后，根据检测器检测到的等待车辆数适当的控制绿灯时间。 （3）增加的绿灯时间结束后，再检测重复第（2）步，但不能超过最大的绿灯时间（即120/2s）。 2.2 智能交通数据融合系统的特征层实现 应用神经网络自学能力强的特点构建数据融合系统，对收集到的样本数据进行分析处理并加以学习，总结规律，得到一个通用的对不同数据都能进行总结的人工神经网络，并将分析得到的结果归纳出来。 BP和RBF混合神经网络精确度提高，可以多次迭代，且有较好的收敛稳定性。下面介绍BP和RBF混合神经网络的原理。 使用RBF神经网络，可以解决局部最小值的问题，并可以线性逼近，性能良好，是一种优质前向网络。结合BP和RBF神经网络中的不同特点，根据径向基函数的网络结构，提出BP和RBF混合神经网络的拓扑结构。该拓扑结构分为三层网络：分别为输入层、隐含层和输出层。输入层只对接收到的信息进行传递，不做任何运算；隐含层对输入层传递的信息进行处理，根据不同的信息视需要而定，使用高斯函数进行映射变换；输出层与输入模式呼应，将隐含层变换的结果进行加权后输出，是线性变化，输出层的结果作为整个人工神经网络的输出结果。 2.3 智能交通数据融合系统的决策层实现 智能交通数据融合系统的决策层是将特征层所传递过来的交通流量大小、最佳信号周期等信息进行融合，分析交叉路口特点，能够根据系统自动得到合理、精确的决策输出。根据得到的结果下发不同的控制策略，由于有些结果是模糊的，所以需要用模糊推理技术将具有模糊性的值转化为确定值，较好地协调控制策略中路口的绿灯时间和其他因素的关系，对交通控制决策进行很好的指导执行。模糊推理技术实现步骤如下： （1）输入、输出量的模糊化 用模糊子集表示观测值，即将每个路口等待的车辆数表示成语言值，如非常少、少、比较少等。将这些语言值表示成模糊子集A1、A2、...An。 （2）模糊逻辑推理 总结前人的交通控制系统的经验，根据交通控制的特点，对检测器检测到的实时数据进行逻辑推理，确定对应的控制方法。 （3）模糊判别 输入一个模糊子集，即某个特定的车队长度，根据模糊逻辑推理，可以得到一个模糊控制策略。使用隶属度函数将此模糊的控制策略结果转化为清晰值。这以从模糊到清晰的转换过程称为反模糊化。用一个确定清晰的值作为智能交通数据融合系统中模糊判别的控制策略代表。 3 仿真研究 利用BP和RBF混合神经网络算法设计智能交通数据融合系统编写了仿真程序。利用该仿真程序对交叉路口的各种不同车流大小进行模拟控制，通过信息层、特征层和决策层对数据进行处理仿真。 假设路口的两个交叉方向的最大通过能力为0.3辆/s，每个方向两对向车流中等待车辆数较多的一方为检测到的等待车辆数。故车辆到达率分别取0.0-0.3辆/s、0.0-0.2辆/s、0.0-0.1辆/s，依次减少。仿真结果表1表明，控制结果迅速、合理，与期望值基本吻合，非常类似于人的决策过程。 结语 本文以神经网络和模糊推理技术为基础，分析了智能交通系统中的流量、信息层信息融合方法、特征层处理方法和决策层决策方法，为交通控制技术提供了充分的理论基础，具有重要的现实意义。 参考文献 [1] 郑景润. 智能环境下基于音频视频信息融合的多说话人跟踪[D]. 兰州大学. 2011：10-12. [2] 周润景， 张丽娜. 基于MATLAB与fuzzy TECH的模糊与神经网络设计[M]. 北京： 电子工业出版社， 2010， 1～211. [3] 潘峥嵘， 王群. 基于模糊神经网络的COD软测量技术的研究 [J]. 计算机测量与控制， 2011， 19（7）： 1572-1574. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。