【正文】 系統(tǒng)全面地闡述了對向傳播網(wǎng)絡(luò)的理論知識、網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)算法，并 作 仿真實驗，實驗的結(jié)果表明了對向傳播算法的 檢測用時短，又能保證其檢測的準(zhǔn)確度 。 文獻(xiàn) 4 介紹了神經(jīng)網(wǎng)絡(luò)的基本原理、訓(xùn)練方法、網(wǎng)絡(luò)結(jié)構(gòu)等知識，系統(tǒng)闡述了各種類型的神經(jīng)網(wǎng)絡(luò)在 MATLAB 上的實現(xiàn)方法，并給出了實際生活中的真實例子、實現(xiàn)的步驟和程序。準(zhǔn)確的道路交通信息從道路擁堵判別的系統(tǒng)中實時提取，以便能及時 發(fā)現(xiàn)路網(wǎng)中的交通擁擠情況，可以對道路交通進(jìn)行統(tǒng)一管理和控制，制定疏導(dǎo)策略，對緩解交通擁堵具有重要的意義。 道路擁堵判別除了應(yīng)用于處理交通擁堵中，在智能交通系統(tǒng)方面也有重要的作用。本文綜合考慮道路擁堵的實際情況，提出了基于概率神經(jīng)網(wǎng)絡(luò)的道路擁堵判別方法。但是，這種方法在運(yùn)行時間延誤的情況下是有它的局限性的，所以單純使用傳統(tǒng)的檢測方法得到的結(jié)果并不理想。從小的方面來看，交通擁堵會導(dǎo)致車輛延誤、行駛時間延長，影響著人們的日常生活；從大的方面來看，交通擁堵會使空氣污染加重、燃油能耗增大，同時交通擁堵還會影響經(jīng)濟(jì)活動的進(jìn)行，最終成為制約經(jīng)濟(jì)發(fā)展的重要因素之一，阻礙經(jīng)濟(jì)發(fā)展。本文針對道路擁堵判別這種非線性分類問題，提出了基于概率神經(jīng)網(wǎng)絡(luò)的道路擁堵判別方法。充分結(jié)合概率神經(jīng)網(wǎng)絡(luò)的理論知識，以前一時刻與后一時刻的交通量 q、速度 v 和車輛占有率作為概率神經(jīng)網(wǎng)絡(luò)的輸入量，通過樣本數(shù)據(jù)對概率神經(jīng)網(wǎng)絡(luò)的 訓(xùn)練，可以分析在輸入量因素的影響下道路的暢通情況，最后用 樣本數(shù)據(jù)進(jìn)行了仿真 實驗， 得到的 結(jié)果 令人滿意 。 對于交通擁堵這個問題，主要是由外部因素和內(nèi)部因素兩種影響因素導(dǎo)致的。近年來，仿真建模方法進(jìn)入了我們的視線。根據(jù)歷史的交通數(shù)據(jù)對概率神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后可對測試樣本進(jìn)行分析并分類，可判別出道路擁堵的位置，給后續(xù)的解決方案提供了有效而準(zhǔn)確的方向指引，從而避免交通擁堵頻繁發(fā)生，并且減少因為交通擁堵造成交通事故的數(shù)量。 道路擁堵判別為這些系統(tǒng)提供重要的、實時的非周期性交通流狀態(tài)變化信息，建立有時效性、準(zhǔn)確性高的道路擁堵判別系統(tǒng)。 國內(nèi)外文獻(xiàn)綜述 文獻(xiàn) 1 系統(tǒng)介紹了智能控制技術(shù)中神經(jīng)網(wǎng)絡(luò)的理論知識，同時還包含 MATLAB 的神經(jīng)網(wǎng)絡(luò)工具箱、函數(shù)以及各種 類型的 神經(jīng)網(wǎng)絡(luò)的 學(xué)習(xí)方法和 訓(xùn)練方法等 多方面的 內(nèi)容，并給出多個設(shè)計的例子作為學(xué)習(xí)參考。 文 獻(xiàn) 5 提出了 小波分析 的算法，并把小波分析 和神經(jīng)網(wǎng)絡(luò) 應(yīng) 用于事件檢測中，小波變換 的方法可以對 采樣信號 進(jìn)行奇異點檢測，然后使用神經(jīng)網(wǎng)絡(luò)對 檢測的 結(jié)果進(jìn)行分類，最后給出 檢測的結(jié)果，結(jié)果分成有事件和無事件兩種類型， 仿真 的 結(jié)果表明該算法相對于傳統(tǒng)的事件檢測算法 有時效和準(zhǔn)確率上的優(yōu)勢 。 文獻(xiàn) 9 結(jié)合考慮 實際交通狀況中可能有的模糊條件 ，以此作為輸入量，根據(jù)模糊推五邑大學(xué)本科畢業(yè)設(shè)計 3 理 規(guī)則，提出模糊推理算法 并進(jìn)行仿真實驗，實驗驗證了這種算法能夠把交通狀況分類為非常暢通、暢通、輕微擁堵、較擁堵和很擁堵五個類別，而且判別 的 結(jié)果與實際交通狀況吻合 。 第 2 章 主要講述了概率神經(jīng)網(wǎng)絡(luò)的基本原理、拓?fù)渚W(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練方法，并總結(jié)歸納出概率神經(jīng)網(wǎng)絡(luò)的優(yōu)點。 五邑大學(xué)本科畢業(yè)設(shè)計 4 第 2章 概率神經(jīng)網(wǎng)絡(luò)原理 概率神經(jīng)網(wǎng)絡(luò)模型 概率神經(jīng)網(wǎng)絡(luò) (probabilistic neural work, PNN)是由基于貝葉斯最小風(fēng)險準(zhǔn)則理論延伸的一種算法，它 是由徑向基 神經(jīng)元和競爭神經(jīng)元一起共同組建的可用于模式分類的神經(jīng)網(wǎng)絡(luò)。x175。xM 1175。fM N ( x ) 175。概率神經(jīng) 網(wǎng)絡(luò)的權(quán)值矩陣 IW1,1 被設(shè)置為輸入向量矩陣 Pm 的轉(zhuǎn)置矩陣，權(quán)值矩陣LW2,1 被設(shè)置為目標(biāo)向量矩陣 T。 [6] 綜上所述，在訓(xùn)練網(wǎng)絡(luò)時，網(wǎng)絡(luò)直接存儲訓(xùn)練樣本向量作為網(wǎng)絡(luò)的模式樣本向量，在完成非線性處理后，再送入求和層中。 與常用的反向傳播神經(jīng)網(wǎng)絡(luò)相比較，概率神經(jīng)網(wǎng)絡(luò)的主要有以下優(yōu)點： （ 1） 概率神經(jīng)網(wǎng)絡(luò)的 訓(xùn)練時間 比反向傳播神經(jīng)網(wǎng)絡(luò) 短，訓(xùn)練過程簡單，能夠及時利用實時數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。 （ 5） 概率神經(jīng)網(wǎng)絡(luò)的誤差幾乎為零，容錯能力強(qiáng)，準(zhǔn)確率高，而且不存在局部最優(yōu)的情況出現(xiàn)。 [4]該工具箱幾乎涵蓋了所有的神經(jīng)網(wǎng)絡(luò)的基本常用模型和訓(xùn)練函數(shù)，為用戶的設(shè)計工作提供了很大的方便 。 在 MATLAB 的命令窗口輸入命令： nntool，回車后可以進(jìn)入神經(jīng)網(wǎng)絡(luò)工具箱的圖形用戶界面（ GUI），圖形用戶界面（ GUI）包括 7 個顯示區(qū)域 和 2 個按鈕區(qū)。具體的操作方法是：選中準(zhǔn)備訓(xùn) 練的網(wǎng)絡(luò)，此時 Networks only 按鈕區(qū)將變?yōu)榭蛇x，單擊 Train 按鈕，將彈出網(wǎng)絡(luò)訓(xùn)練窗口，如圖 37 所示： 圖 37 訓(xùn)練網(wǎng)絡(luò)窗口 五邑大學(xué)本科畢業(yè)設(shè)計 14 在訓(xùn)練網(wǎng)絡(luò)窗口中進(jìn)行選擇輸入變量、選擇目標(biāo)變量、設(shè)置訓(xùn)練輸出、設(shè)置訓(xùn)練誤差等步驟，最后確定步驟準(zhǔn)確無誤后可以單擊 Train Network 進(jìn)行訓(xùn)練網(wǎng)絡(luò)。 測出 同一車道同一檢測點 的流量 和 占有率，檢測時間間隔選為 2min. 為了檢測到由于 道路擁堵 引起 交通 流量和占有率的變化，應(yīng)比較 不少于兩 個時刻 的變量 ，例如 t, t1 兩個連續(xù) 時刻測出的流量和占有率數(shù)據(jù)。 概率神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù) 道路擁堵判別 的數(shù)據(jù)來源可以是交通仿真模型的 輸出數(shù)據(jù)，也可以是現(xiàn)場交通數(shù)據(jù)。微波檢測器，采用了先進(jìn)的數(shù)字雷達(dá)波技術(shù)，它能夠 實時檢測交通流量、平均車速 及車道占用率等交通數(shù)據(jù)的產(chǎn)品 。其中， 部分 道路擁堵 和 不擁堵 時的樣本數(shù)據(jù) 共 30組數(shù)據(jù) 如表 41 所示，表中前 15 組數(shù)據(jù)和后 15 組數(shù)據(jù)分別對應(yīng) 著道路擁堵 和 不擁堵的情況 ，其中流量的單位為：輛 /小時 /車道 ，速度的單位為千米 /小時 。 仿真實驗 是 在 1 臺 CPU 為 N270, 主頻 為 , 內(nèi)存為 2G 的計算機(jī)上進(jìn)行，使用 編寫仿真程序。 tic。 %Test begin P2=[ 五邑大學(xué)本科畢業(yè)設(shè)計 21 ]39。因此， 概率神經(jīng)網(wǎng)絡(luò) 應(yīng)用于 道路擁堵判別 為 擁堵研究 提供了一種切實可行的新思路 。 與 反向傳播 神經(jīng)網(wǎng)絡(luò)相比，概率神經(jīng)網(wǎng)絡(luò) 能夠克服 其 學(xué)習(xí)速度慢、訓(xùn)練時間長等方面的 局限性 。在畢業(yè)論文完成之際，我衷心地向各位給予我指導(dǎo)、支持和幫助的老師和同學(xué)們表示深深的感謝。我希望借此機(jī)會向梁新榮老師表示衷心感謝！ 同時，也要感謝畢業(yè)設(shè)計過程中給予我關(guān)心與幫助的 蘭楊芳同學(xué)和黃文冠同學(xué) ，和他們討論 研究問題能讓我多角度地去思考問題 ，讓我在設(shè)計上學(xué)會創(chuàng)新，我獲益匪淺，同時也看到了自身的不足，在今后的學(xué)習(xí)中我將不懈地努力完善自己。 梁新榮 老師 堅持嚴(yán)謹(jǐn)?shù)?工作 態(tài)度， 嚴(yán)格要求學(xué)生， 常常 根據(jù)我們的學(xué)習(xí)情況 給予 我們適當(dāng)?shù)?指導(dǎo)。 隨著經(jīng)濟(jì)的發(fā)展，交通運(yùn)輸越來越成為影響經(jīng)濟(jì)發(fā)展、文化交流的因素，因此，建立有效的檢測系統(tǒng)判別道路擁堵情況對交通擁堵研究課題有著極其重要的意義。 其中，概率神經(jīng)網(wǎng)絡(luò) 算法 對擁堵判別的 實現(xiàn)是 核心部分， 也是本文的主要工作。 本章小結(jié) 針對 道路擁堵判別 這一 個 多輸入的非線性系統(tǒng)建模問題， 本章 提出 了基于概率神經(jīng)網(wǎng)絡(luò) （ PNN）理論 的分類方法。 Tc=[1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2] T=ind2vec(Tc) =newpnn(P,T)。當(dāng) 神經(jīng)網(wǎng)絡(luò)的 訓(xùn)練結(jié)束后，再用未訓(xùn)練的另外 20 組樣本 測試 數(shù)據(jù)對 訓(xùn)練后的 概率神經(jīng)網(wǎng)絡(luò) 的輸出 判別結(jié)果 進(jìn)行驗證，仿真 結(jié)果 這 20 組測試樣本數(shù)據(jù)的分類結(jié)果完全正確，測試準(zhǔn)確率為 100％ , 誤差率為 0，表明所建立的 概率 神經(jīng)網(wǎng)絡(luò) 道路擁堵判別 模型正確描述了輸入、輸出 之間 的映射規(guī)律， 對概率神經(jīng)網(wǎng)絡(luò)的道路擁堵判別模型的建立 是成功 而具有重大意義的。擁堵判別系統(tǒng)采用 的命令行方式建立，這種通過編寫命令行的方式建立概率神經(jīng)網(wǎng)絡(luò)，對于需要用大量的樣本數(shù)據(jù)進(jìn)行仿真的系統(tǒng)來說，具有方便快捷的特點。因此，微波檢測器被 廣泛應(yīng)用于高速公路、城市道路等交通檢測 當(dāng)中 ，能夠精確的檢測高速公路上的 任意 車輛 的交通 流參數(shù) 數(shù)據(jù)。現(xiàn)場交通數(shù)據(jù) 可 以 通過兩種 不同 途 徑來 獲得： 第 一 種途徑 是交通管理部門的日志； 第二種 途徑是 檢測點 現(xiàn)場傳感器的檢測數(shù)據(jù)， 但 必須注意 的是 經(jīng)傳感器檢測到的交通特性原始數(shù)據(jù)通常由于 外界環(huán)境的 干擾會在數(shù)值上 出現(xiàn) 一定的突變現(xiàn)象，因此必須 先行 對 檢測得到的 數(shù)據(jù)進(jìn)行預(yù)處理 ，使數(shù)據(jù)樣本更加能夠充分反映實時的道路狀況 。如果在 檢測站測得的 前一時刻 t1的 數(shù)據(jù)與 后一時刻 t檢測的數(shù)據(jù)相比較，呈現(xiàn) 出交通流量減少、占有率增大、瞬時速度突然下降 的變化，則說明可能有 交通擁堵的事件 發(fā)生 ，反之，則說明沒有擁堵事件發(fā)生 。 本章小結(jié) 本章主要介紹了 MATLAB中神經(jīng)網(wǎng)絡(luò)工具箱的使用，著重闡述了用 GUI建立神經(jīng)網(wǎng)絡(luò)系統(tǒng)的方法與步驟，并以概率神經(jīng)網(wǎng)絡(luò)為例子展示了神經(jīng)網(wǎng)絡(luò)系統(tǒng)建立的過程。 最后單擊 Create 按鈕， 便可初步建立起新的概率神經(jīng)網(wǎng)絡(luò)系統(tǒng)。接下來將分別介紹這兩種方法并建立概率神經(jīng)網(wǎng)絡(luò)，其中著重介紹相 對簡單的方法：用 GUI 建立系統(tǒng)的方法。從概率神經(jīng)網(wǎng)絡(luò)的理論可以總結(jié)出概率神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)簡單、訓(xùn)練快捷等特點，與反向傳播神經(jīng)網(wǎng)絡(luò)相比較有著突出的優(yōu)越性，因此，概率神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于生物、工程、醫(yī)學(xué)等多個領(lǐng) 域。 （ 3） 在保 證有足夠多的訓(xùn)練數(shù)據(jù)的前提之下，仿真研究得到的結(jié)果將會是貝葉斯準(zhǔn)則下的最優(yōu)解。在輸出層中，根據(jù)對輸入向量的概率估計，按照貝 葉斯分類規(guī)則將輸入向量分到概率向量最大值的類別中去。 當(dāng) 已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)獲得輸入的 待檢向量 tRppp ]...[ ,2,1?P 時， 概率神經(jīng) 網(wǎng)絡(luò)的第一層 將對 該輸入向量與訓(xùn)練樣本對的輸入向量 Ii , i=1, 2, …, Q 的歐氏距離 進(jìn)行計算 ，得 到 的五邑大學(xué)本科畢業(yè)設(shè)計 7 結(jié)果為 向量 D， 即： t21 ],[ QIPIPIPD ???? ? （ 22） 徑向基函數(shù)的輸入量 n1 是 向量 D 與閾值向量 b1 相乘 得到的 結(jié)果 ，即： t,122,111,11 ],[ bbb IPIPIPn ???? ? （ 23） 式中 b1,i, i=1, 2, …, 閾值向量 b1 的第 i 個元素 即為 Q。 五邑大學(xué)本科畢業(yè)設(shè)計 6 概率神經(jīng)網(wǎng)絡(luò) 的網(wǎng)絡(luò)結(jié)構(gòu) 概率神經(jīng)網(wǎng)絡(luò) 的結(jié)構(gòu)如圖 23 所示。xM N 175。x1 2175。 [4] 概率神經(jīng)網(wǎng)絡(luò)拓?fù)?結(jié)構(gòu)圖如圖 21 所示 。 第 4 章 主要利用概率神經(jīng)網(wǎng)絡(luò)工