【正文】 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(diǎn)： （ 1） 概率神經(jīng)網(wǎng)絡(luò)的 訓(xùn)練時(shí)間 比反向傳播神經(jīng)網(wǎng)絡(luò) 短，訓(xùn)練過(guò)程簡(jiǎn)單，能夠及時(shí)利用實(shí)時(shí)數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。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。xM 1175。 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 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(xiǎn)準(zhǔn)則理論延伸的一種算法，它 是由徑向基 神經(jīng)元和競(jìng)爭(zhēng)神經(jīng)元一起共同組建的可用于模式分類(lèi)的神經(jīng)網(wǎng)絡(luò)。 文獻(xiàn) 9 結(jié)合考慮 實(shí)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(jì) 3 理 規(guī)則，提出模糊推理算法 并進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)驗(yàn)證了這種算法能夠把交通狀況分類(lèi)為非常暢通、暢通、輕微擁堵、較擁堵和很擁堵五個(gè)類(lèi)別，而且判別 的 結(jié)果與實(shí)際交通狀況吻合 。 國(guó)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(shí)，同時(shí)還包含 MATLAB 的神經(jīng)網(wǎng)絡(luò)工具箱、函數(shù)以及各種 類(lèi)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(gè)設(shè)計(jì)的例子作為學(xué)習(xí)參考。根據(jù)歷史的交通數(shù)據(jù)對(duì)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后可對(duì)測(cè)試樣本進(jìn)行分析并分類(lèi)，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?yàn)榻煌〒矶略斐山煌ㄊ鹿实臄?shù)量。 對(duì)于交通擁堵這個(gè)問(wèn)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。本文針對(duì)道路擁堵判別這種非線(xiàn)性分類(lèi)問(wèn)題，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(shí)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(cè)方法得到的結(jié)果并不理想。 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。 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(shí)，系統(tǒng)闡述了各種類(lèi)型的神經(jīng)網(wǎng)絡(luò)在 MATLAB 上的實(shí)現(xiàn)方法，并給出了實(shí)際生活中的真實(shí)例子、實(shí)現(xiàn)的步驟和程序。 第 1 章 概括性地闡述了本論文的選題背景、研究目的和意義，并對(duì)國(guó)內(nèi)外道路擁堵問(wèn)題的研究動(dòng)態(tài)進(jìn)行綜述。 概率神經(jīng) 網(wǎng)絡(luò) 的結(jié)構(gòu)包括了 輸 入 層、 隱層 、求和層 以及 輸出層 共 4 層，它們各層的功能圖如圖 22 所示： 175。f1 N ( x ) 175。 徑向基函數(shù)的輸入 n1 和輸出 a1 滿(mǎn)足以下的 關(guān)系式： t,12,11,111 ],[)(R a d b a s Qaaa ??? na （ 24） 式中 0≤a1,i≤1, i=1, 2, …, Q 當(dāng) 待檢向量 P 與訓(xùn)練樣本對(duì)的某個(gè)輸入向量 Ii 的歐氏距離越接近 的時(shí)候 ， a1 中相應(yīng)位置的輸出值 就會(huì) 越接近 1； 網(wǎng)絡(luò)的第二層把 a1 中的分量按分類(lèi)類(lèi)別求和，得到概率向量 n2, n2=[n2,1, n2,2, …, n2,K] t，式中 n2, j, j=1, 2, …, K 為向量 n2 的第 j 個(gè)元素 ； 111,22 TaaLWn ?? （ 25） 其中 K 是 n2 的維數(shù) , a1 中 的 每一個(gè)分量 都會(huì) 對(duì)應(yīng)一種分類(lèi)類(lèi)別，待檢向量 P 歸類(lèi) 到 該對(duì)應(yīng)類(lèi)別的 概率 則可以用 分量數(shù)值的大小 來(lái)表示； 最后， n2 作為 競(jìng)爭(zhēng)傳遞函數(shù) 的輸入 ， 采用以下的 競(jìng)爭(zhēng)傳遞函數(shù)運(yùn)算規(guī)則 進(jìn)行分類(lèi) ： ??? ??? ),m a x (0 ),m a x (1,22,21,2,2,22,21,2,2,2KjKjj nnnn nnnnn ?? （ 26） 概率神經(jīng)網(wǎng)絡(luò)的 目的是選出概率向量中最大數(shù)值的元素，并在競(jìng)爭(zhēng)層輸出向量 a2 中將其置 1，其余元素置 0，表示網(wǎng)絡(luò)把待檢向量 P 歸類(lèi)到此類(lèi)別。 （ 4） 概率神經(jīng)網(wǎng)絡(luò)的樣本追加能力強(qiáng)，只要增加或者減少模式層單元，連接權(quán)值只要把新的樣本數(shù)據(jù)直接賦值就能夠得出。 神經(jīng)網(wǎng)絡(luò)工具箱下的系統(tǒng)建立與仿真 使用神經(jīng)網(wǎng)絡(luò)工具箱的命令行方式建立 使用神經(jīng)網(wǎng)絡(luò)工具箱的命令行方式建立和訓(xùn)練概率神經(jīng)網(wǎng)絡(luò)主要包括以下常用的指令，如表 31 所示： 表 3 1 常用指令表 指令格式 執(zhí)行結(jié)果 參數(shù)意義 n e t =n e w p nn ( P , T , S P R E A D ) 創(chuàng)建一個(gè) 概率 神經(jīng)網(wǎng)絡(luò) P ： Q 組輸入向量組成的 R Q 維矩陣； T ： Q 組目標(biāo)分類(lèi)向量組成的 S Q 維矩陣； S P R E A D ：徑向基函數(shù)的擴(kuò) 展速度，它的默認(rèn)值為 1 ； v e c = i n d2 ve c ( i n d ) 和 i nd = v e c 2 i nd ( v e c ) 將數(shù)據(jù)索引形式和向量組形式相互轉(zhuǎn)換 i nd ：數(shù)據(jù)索引列向量 v e c ：函數(shù)返回值 Y= s im ( n e t , P ) 利用樣本對(duì)網(wǎng)絡(luò)進(jìn)行測(cè)試 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 10 使用神經(jīng)網(wǎng)絡(luò)工具箱的圖形用戶(hù)界面建立 下面用概率神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)來(lái)介紹如何使用 GUI 建立神經(jīng)網(wǎng)絡(luò)系統(tǒng)。 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 15 第 4 章 基于概率神經(jīng)網(wǎng)絡(luò)的擁堵判別設(shè)計(jì)與仿真 道路擁堵判別的系統(tǒng) 概率神經(jīng)網(wǎng)絡(luò)輸入變量的選擇 本文設(shè)計(jì)的概率神經(jīng)網(wǎng)絡(luò)的 輸入層有 6 個(gè)輸入，這 6 個(gè)輸 入 是交通流的特性參數(shù)的變量， 分別是交通流量、占有 率和速度。 本文的仿真數(shù)據(jù)來(lái)源于交通管理部門(mén)利用微波檢測(cè)器測(cè)出的交通數(shù)據(jù)。 概率神經(jīng)網(wǎng)絡(luò)的擁堵判別仿真 道路擁堵判別 的 概率神經(jīng)網(wǎng)絡(luò) 模型采用圖 22 的網(wǎng)絡(luò)結(jié)構(gòu)，輸入向量 P 的維數(shù) R=6, 第一層的神經(jīng)元個(gè)數(shù) Q=100, 第二層的神經(jīng)元個(gè)數(shù) K=2, 網(wǎng)絡(luò)的輸出 a2 分為 道路擁堵 和 道路不擁堵 兩種類(lèi)別。 Y=sim(,P) Yc=vec2ind(Y) toc。本文運(yùn)用交通流的基本理論和方法，研究了 概率神經(jīng)網(wǎng)絡(luò)的理論知識(shí)并利用概率神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)道路擁堵判別的仿真 ，獲得 了 以下結(jié)論： （ 1） 在對(duì)概率神經(jīng)網(wǎng)絡(luò)輸入向量選取和 算法 研究的基礎(chǔ)上，構(gòu)造了用于識(shí)別 道路 擁堵情 況的 兩類(lèi) 輸出 模式 ：包括用狀態(tài)“ 1”表示的道路擁堵模式和用“ 2”表示的道路不擁堵模式，并且 用 交通管理部門(mén)的道路 路段 樣本 數(shù)據(jù)對(duì)算法進(jìn)行 仿真 。在畢業(yè)設(shè)計(jì)的過(guò)程 中，梁新榮老師非常認(rèn)真負(fù)責(zé)，他會(huì)定期與我作學(xué)習(xí)溝通，時(shí)刻了解我的進(jìn)度和遇到的困難，當(dāng)我在學(xué)習(xí)中遇到“瓶頸”狀態(tài)的時(shí)候，梁老師會(huì)耐心地給我分析困惑的所在之處，并給予悉心的指導(dǎo)。 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 29 參考文獻(xiàn) 1 羅兵 , 甘俊英 , 張建民 . 智能控制技術(shù) [M]. 清華大學(xué)出版社 ， 20xx: 99153 2 石征華 , 侯忠生 . 城市快速路擁堵度判別方法研究 [J]. 交通與計(jì)算機(jī) ， 20xx,24(5):2023 3 沈小軍，陳峻，王晨 . 基于 LVQ神經(jīng)網(wǎng)絡(luò)的交通擁堵預(yù)測(cè)研究 [J]. 交通運(yùn)輸工程與信息學(xué)報(bào) ， 20xx, 7(3):97101 4 飛思科技產(chǎn)品研發(fā)中心 . 神經(jīng)網(wǎng)絡(luò)理論與 MATLAB7實(shí)現(xiàn) [M]. 電子工業(yè)出版社 ，20xx:1245 5 周雪銘 . 基于小波分析和神經(jīng)網(wǎng)絡(luò)的交通事件自動(dòng)檢測(cè) [J]. 公路與汽車(chē) , 20xx, 9(1): 1719 6 蘇亮 , 宋緒丁 . 基于 Matlab的概率神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)及應(yīng)用 [J]. 計(jì)算機(jī)與現(xiàn)代化 , 20xx, 26(11): 4750 7 張良春 , 夏利民 , 石華瑋 . 基于模糊聚類(lèi)支持向量機(jī)的高速公路事件檢測(cè) [J]. 計(jì)算機(jī)工程與應(yīng)用 ， 20xx,43(17): 226229 8 裴瑞平， 梁新 榮 ，劉智勇 . 基于 對(duì) 向 傳播網(wǎng)絡(luò)的交通事件檢測(cè)算法 [J]. 微計(jì)算機(jī)信息 ， 20xx, 23(33): 264266 9 張一鳴，尹春橋，王鵬 . 基于模糊推理的交通擁堵判別方法 [J]. 西部交通科技 ， 20xx, 6(2): 6469 10 R. L. Cheu, S. G. Ritchie. Automated Detection of LaneBlocking Freeway Incidents Using Artificial Neural Networks. Transportation Research (Part C), 1995, 3(6): 371388. 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 30 致 謝 本次畢業(yè)設(shè)計(jì)終于接近尾聲了，在 梁新榮教授 的耐心指導(dǎo)下，我對(duì)交通工程專(zhuān)業(yè)的理論知識(shí)有了更深的了解。 一方面， 概率神經(jīng)網(wǎng)絡(luò)的 學(xué)習(xí)過(guò)程簡(jiǎn)單，訓(xùn)練速度 非常 快，它的抗干擾能力比較強(qiáng)，能夠有效抑制傳感器的測(cè)量噪聲 ； 另一方面， 概率神經(jīng)網(wǎng)絡(luò) 可以克服 反向傳播 神經(jīng)網(wǎng)絡(luò) 的缺點(diǎn)。 MATLAB 程序 及仿真結(jié)果 MATLAB 程序 clear。 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 16 經(jīng) 過(guò)數(shù)據(jù)歸一化處理、篩選 得到 100 組樣本數(shù)據(jù)用來(lái)訓(xùn)練 概率神經(jīng)網(wǎng)絡(luò) , 另外還得到20 組樣本數(shù)據(jù)用來(lái)測(cè)試 概率神經(jīng)網(wǎng)絡(luò) .。因此 ，本設(shè)計(jì) 將 t, t1 時(shí) 刻 分別 測(cè)得的流量 、 占有率 和速度共 6 個(gè)變量 作為 概率神經(jīng)網(wǎng)絡(luò) 的輸入，即 前一時(shí)刻 流量 qt 后一時(shí)刻流量 qt, 前一時(shí)刻 占有率 Ot后一時(shí)刻占有率 Ot 以及 前一時(shí)刻速度 vt后一時(shí)刻速度 vt. 在以上 的 輸入變量中，占有率數(shù)據(jù)在 [0, 1]范圍 內(nèi)，但流量 和速度的 數(shù)據(jù)通常 情況下都會(huì)比 較大，因此 ，在數(shù)據(jù)處理方面必須 先 對(duì)流量 和速度 進(jìn)行歸一化處理，使歸一化后的流量 、速度均 在 [0, 1]的范圍 內(nèi) ，使之符合概率神經(jīng)網(wǎng)絡(luò)的輸入要求 。 圖 34 概率神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)圖 （ 2）樣本數(shù)據(jù)的輸入或?qū)耄狠斎霐?shù)據(jù)可以單擊 New Data 按鈕，彈出 Create New Data窗口，如圖 35 所示： 圖 35 Create New Data 窗口 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 13 使用導(dǎo)入數(shù)據(jù)的方法，數(shù)據(jù)從文件或者工作區(qū)導(dǎo)入，具體操作方法可以單擊 Import 按鈕彈出 Create New Data 窗口，如圖 36 所示： 圖 36 導(dǎo)入數(shù)據(jù)窗口 （ 3）訓(xùn)練神經(jīng)網(wǎng)絡(luò)：樣本數(shù)據(jù)導(dǎo)入完畢后就可以進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 9 第 3 章 MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱的使用 引言 神經(jīng)網(wǎng)絡(luò)工具箱是在 MATLAB 環(huán)境下開(kāi)發(fā)出來(lái)的許多工具箱之一，它是以人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ)，輔助工程人員對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行分析與設(shè)計(jì)的、應(yīng)用極為廣泛的神經(jīng)網(wǎng)絡(luò)軟件包 。 概率神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn) 概率神經(jīng)網(wǎng)絡(luò)是一種使用方便、應(yīng)用廣泛的分類(lèi)神經(jīng)網(wǎng)絡(luò)，由于概率神經(jīng)網(wǎng)絡(luò)有著獨(dú)特的優(yōu)點(diǎn)，因此，概率神經(jīng)網(wǎng)絡(luò)已經(jīng)廣泛應(yīng)用于模式識(shí)別、故障診斷領(lǐng)域。 Q R Q 1 n 1 a 1 n 2 a 2 = y P R 1 Q 1 Q 1