智能運輸展望(存儲版)
【正文】 死點問題 , 使得聚類分析中始點的選取可以有更大的隨意性，并以實例驗證了算法的有效性。在反復迭代學習過程中，給出了匝道優(yōu)化設計的目標。有了這些特定氣象條件下對道路通行能力，匝道控制系統(tǒng)就可以對匝道處交通流量作出相應的控制。 模糊聚類神經(jīng)網(wǎng)絡的死點問題 n 近年來， 基于競爭學習算法的聚類神經(jīng)網(wǎng)絡。 匝道測控模型的參數(shù)辨識 n 我們從高速公路交通流的宏觀、動態(tài)特征出發(fā)，首先給出了交通流控制和仿真中常用的宏觀、動態(tài)、確定性交通流模型，并利用模糊神經(jīng)網(wǎng)絡的方法對模型中的參數(shù)進行辨識，既可以和高速公路實際的交通狀況吻合，又簡化計算，且收斂性較好。n 模糊神經(jīng)網(wǎng)絡這一新興領域的開拓者應該歸功為美國南加利福尼亞大學信號和圖像處理研究所長 B． Kosko教授。 (3) 智能復雜性和高度自動化系統(tǒng)的穩(wěn)定性要求有新的理論、方法和開發(fā)工具。 80年代以來，世界各發(fā)達國家雖然已經(jīng)基本建成了四通八達的現(xiàn)代化國家道路網(wǎng)。這就引出一個多變量反饋控制策略的問題。 n 下列問題就有待于解決： (1) 能否找到一類模糊函數(shù)可用單純模糊神經(jīng)網(wǎng)絡來逼近的等價條件。 匝道測控的因素空間分析 n 從系統(tǒng)的觀點出發(fā) ,把車輛和道路（例如：公路負載能力、事故率、燃料消耗、尾氣排放水平、公眾接受程度等等）綜合一起考慮 ，首先我們對匝道測控的各種因素進行分析，建立匝道測控的監(jiān)測策略的因素空間，形成因素空間中的網(wǎng)絡圖。 災變神經(jīng)網(wǎng)絡模型 n 在自動控制理論中還沒有一個有效的方法能夠解決像匝道測控系統(tǒng)這樣的非線性大系統(tǒng)的最優(yōu)控制問題。 交通事故的人的因素識別模式 n 由于人的因素而導致的交通事故是經(jīng)常發(fā)生的。 圖 2 神經(jīng)網(wǎng)絡模型訓練的均平方誤差曲線圖考慮氣象條件的模糊神經(jīng)網(wǎng)絡模型 n 氣象
教學課件相關推薦
鄂ICP備17016276號-1