【正文】 K 1 K 1 K Q Q 1 IW 1 , 1 W b 1 徑向基函數(shù) LW 2 , 1 競(jìng)爭(zhēng)傳遞函數(shù) || d i s t || 圖 23 概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖 圖 23 中 的 IW1,1 表示 網(wǎng)絡(luò) 第一層 (徑向基函數(shù)層 )的權(quán)值矩陣， IW1,1 為 QR 矩陣， Q為第一層的神經(jīng)元個(gè)數(shù)， 也就是 訓(xùn)練樣本對(duì)的數(shù)量， R 為網(wǎng)絡(luò)輸入 的維數(shù)， K 為預(yù)定義的分類(lèi)類(lèi)別數(shù)，即第二層 (競(jìng)爭(zhēng)層 )的神經(jīng)元個(gè)數(shù) ； P 為待檢特征向量 (R1), b1 為第一層的閾值向量 (Q1), n1 為第一層徑向基傳遞函數(shù)的輸入向量 (Q1), a1 為第一層徑向基傳遞函數(shù)的輸出向量 (Q1)； LW2,1 是連接第一層和第二層的權(quán)值矩陣 ； 假設(shè)有 Q 組訓(xùn)練樣本對(duì) I1/O1, I2/O2, …, IQ/OQ, 其中 Ii, i=1, 2, …, Q 為訓(xùn)練樣本對(duì)的輸入向量 (R1), Oi, i=1, 2, …, Q 為訓(xùn)練樣本對(duì)的目標(biāo)向量， Oit 的形式是 K 維列向量 (K1), 其中 t 的含義是 轉(zhuǎn)置， K 個(gè)分量分別對(duì)應(yīng) K 個(gè)分類(lèi)類(lèi)別，每個(gè)分量有且 只 有一個(gè)元素為 1，其余元素 都是 為 0，表示所對(duì)應(yīng)的輸入向量屬于與該分量相對(duì)應(yīng)的一種類(lèi)別 ，另外， 訓(xùn)練 的 時(shí) 候 ，輸入向量 Ii, i=1, 2, …, Q主要是 以列向量形式組成一個(gè) RQ 的輸入向量矩陣 Pm, 目標(biāo)向量 則 組成一個(gè) KQ 的目標(biāo)向量矩陣 T， 即： ],[ tt2t1 QOOOT ?? （ 21） 概率神經(jīng)網(wǎng)絡(luò) 的訓(xùn)練 概率神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程 與 BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程相比較 ， 概率神經(jīng)網(wǎng)絡(luò) 相對(duì)較為簡(jiǎn)單。x1 N 1175。 結(jié)論部分對(duì)本論文內(nèi)容進(jìn)行歸納總結(jié)，并陳述了基于概率神經(jīng)網(wǎng)絡(luò)的道路擁堵判別方法的意義。 文獻(xiàn) 8 提出 對(duì)向傳播網(wǎng)絡(luò)的 算 法，系統(tǒng)全面地闡述了對(duì)向傳播網(wǎng)絡(luò)的理論知識(shí)、網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)算法，并 作 仿真實(shí)驗(yàn)，實(shí)驗(yàn)的結(jié)果表明了對(duì)向傳播算法的 檢測(cè)用時(shí)短，又能保證其檢測(cè)的準(zhǔn)確度 。準(zhǔn)確的道路交通信息從道路擁堵判別的系統(tǒng)中實(shí)時(shí)提取，以便能及時(shí) 發(fā)現(xiàn)路網(wǎng)中的交通擁擠情況，可以對(duì)道路交通進(jìn)行統(tǒng)一管理和控制，制定疏導(dǎo)策略，對(duì)緩解交通擁堵具有重要的意義。本文綜合考慮道路擁堵的實(shí)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。從小的方面來(lái)看，交通擁堵會(huì)導(dǎo)致車(chē)輛延誤、行駛時(shí)間延長(zhǎng)，影響著人們的日常生活；從大的方面來(lái)看，交通擁堵會(huì)使空氣污染加重、燃油能耗增大，同時(shí)交通擁堵還會(huì)影響經(jīng)濟(jì)活動(dòng)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。充分結(jié)合概率神經(jīng)網(wǎng)絡(luò)的理論知識(shí)，以前一時(shí)刻與后一時(shí)刻的交通量 q、速度 v 和車(chē)輛占有率作為概率神經(jīng)網(wǎng)絡(luò)的輸入量，通過(guò)樣本數(shù)據(jù)對(duì)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(shí)驗(yàn)， 得到的 結(jié)果 令人滿意 。近年來(lái)，仿真建模方法進(jìn)入了我們的視線。 道路擁堵判別為這些系統(tǒng)提供重要的、實(shí)時(shí)的非周期性交通流狀態(tài)變化信息，建立有時(shí)效性、準(zhǔn)確性高的道路擁堵判別系統(tǒng)。 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(cè)中，小波變換 的方法可以對(duì) 采樣信號(hào) 進(jìn)行奇異點(diǎn)檢測(cè)，然后使用神經(jīng)網(wǎng)絡(luò)對(duì) 檢測(cè)的 結(jié)果進(jìn)行分類(lèi)，最后給出 檢測(cè)的結(jié)果，結(jié)果分成有事件和無(wú)事件兩種類(lèi)型， 仿真 的 結(jié)果表明該算法相對(duì)于傳統(tǒng)的事件檢測(cè)算法 有時(shí)效和準(zhǔn)確率上的優(yōu)勢(shì) 。 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(diǎn)。x175。fM N ( x ) 175。 [6] 綜上所述，在訓(xùn)練網(wǎng)絡(luò)時(shí)，網(wǎng)絡(luò)直接存儲(chǔ)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。 （ 5） 概率神經(jīng)網(wǎng)絡(luò)的誤差幾乎為零，容錯(cuò)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)。 在 MATLAB 的命令窗口輸入命令： nntool，回車(chē)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(gè)顯示區(qū)域 和 2 個(gè)按鈕區(qū)。 測(cè)出 同一車(chē)道同一檢測(cè)點(diǎn) 的流量 和 占有率，檢測(cè)時(shí)間間隔選為 2min. 為了檢測(cè)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(gè)時(shí)刻 的變量 ，例如 t, t1 兩個(gè)連續(xù) 時(shí)刻測(cè)出的流量和占有率數(shù)據(jù)。微波檢測(cè)器，采用了先進(jìn)的數(shù)字雷達(dá)波技術(shù)，它能夠 實(shí)時(shí)檢測(cè)交通流量、平均車(chē)速 及車(chē)道占用率等交通數(shù)據(jù)的產(chǎn)品 。 仿真實(shí)驗(yàn) 是 在 1 臺(tái) CPU 為 N270, 主頻 為 , 內(nèi)存為 2G 的計(jì)算機(jī)上進(jìn)行，使用 編寫(xiě)仿真程序。 %Test begin P2=[ 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 21 ]39。 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(shí)間長(zhǎng)等方面的 局限性 。我希望借此機(jī)會(huì)向梁新榮老師表示衷心感謝！ 同時(shí)，也要感謝畢業(yè)設(shè)計(jì)過(guò)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(wèn)題能讓我多角度地去思考問(wèn)題 ，讓我在設(shè)計(jì)上學(xué)會(huì)創(chuàng)新，我獲益匪淺，同時(shí)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。 隨著經(jīng)濟(jì)的發(fā)展，交通運(yùn)輸越來(lái)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(cè)系統(tǒng)判別道路擁堵情況對(duì)交通擁堵研究課題有著極其重要的意義。 本章小結(jié) 針對(duì) 道路擁堵判別 這一 個(gè) 多輸入的非線性系統(tǒng)建模問(wèn)題， 本章 提出 了基于概率神經(jīng)網(wǎng)絡(luò) （ PNN）理論 的分類(lèi)方法。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(cè)試 數(shù)據(jù)對(duì) 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(yàn)證，仿真 結(jié)果 這 20 組測(cè)試樣本數(shù)據(jù)的分類(lèi)結(jié)果完全正確，測(cè)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(duì)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。因此，微波檢測(cè)器被 廣泛應(yīng)用于高速公路、城市道路等交通檢測(cè) 當(dāng)中 ，能夠精確的檢測(cè)高速公路上的 任意 車(chē)輛 的交通 流參數(shù) 數(shù)據(jù)。如果在 檢測(cè)站測(cè)得的 前一時(shí)刻 t1的 數(shù)據(jù)與 后一時(shí)刻 t檢測(cè)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(shí)速度突然下降 的變化，則說(shuō)明可能有 交通擁堵的事件 發(fā)生 ，反之，則說(shuō)明沒(méi)有擁堵事件發(fā)生 。 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)。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(jiǎn)單、訓(xùn)練快捷等特點(diǎn)，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(gè)領(lǐng) 域。在輸出層中，根據(jù)對(duì)輸入向量的概率估計(jì)，按照貝 葉斯分類(lèi)規(guī)則將輸入向量分到概率向量最大值的類(lèi)別中去。 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 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。x1 2175。 第 4 章 主要利用概率神經(jīng)網(wǎng)絡(luò)工具箱，根據(jù)交通量、車(chē)輛速度和占有率的樣本數(shù)據(jù)，設(shè)計(jì)了用于判別道路擁堵的概率神經(jīng)網(wǎng)絡(luò)，并用樣本數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練與仿真，得到令人滿意的結(jié)果。 文獻(xiàn) 7 提出支持向量機(jī) (SVM)的算法，把這種算法運(yùn)用于高速公路事件檢測(cè)，用改進(jìn)的模糊 C 均值聚類(lèi)方法進(jìn)行預(yù)處理訓(xùn)練數(shù)據(jù)，不但提高了支持向量機(jī)的訓(xùn)練速度，而且能夠大幅 度減少訓(xùn)練樣本的數(shù)量。 從目前的情況來(lái)看，世界各國(guó)專(zhuān)家也專(zhuān)注于對(duì)交通擁堵的研究，但是缺少了一個(gè)對(duì)交通擁堵的定量標(biāo)準(zhǔn) ，所以解決道路上的擁堵問(wèn)題值得深入探究。 面對(duì)交通擁堵這個(gè)嚴(yán)峻的挑戰(zhàn)，我們急需一種能夠判別道路擁堵與否的方法，對(duì)城市大大小小的道路進(jìn)行檢測(cè)，從而保證時(shí)效性和準(zhǔn)確性地檢測(cè)出道路擁堵的情況，進(jìn)而由交通管理部門(mén)對(duì)擁堵情況采取適當(dāng)?shù)慕煌ù胧?，降低交通擁堵發(fā)生的頻率，盡可能提高 道路的通行能力，保證城市道路的暢通。然而，由于汽車(chē)擁有量不斷增加，人們出行頻率不斷地提高，道路的通行能力不足以滿足人們的日常出行需要，由此引發(fā)了各種各 樣的交通問(wèn)題，而交通擁堵就是最為常見(jiàn)的一種交通問(wèn)題。 關(guān)鍵詞 城市交通；道路擁堵；概率神經(jīng)網(wǎng)絡(luò)；測(cè)試數(shù)據(jù)；仿真研 究 五邑大學(xué)本科畢業(yè)設(shè)計(jì) II Abstract In recent years, traffic congestion has not only brought inconvenience to people’s daily life, but also has bee a factor hindering economic development. Aiming at the problem of nonlinear classification in traffic congestion judgment, a method based on probabilistic neural work (PNN) is proposed. Combined the theory of probabilistic neural work, speed, traffic volume and occupation ratio of a previous moment and the later moment are taken as inputs. Simulation research is carried out with the sample data, the result is satisfying. Key words urban traffic road congestion probabilistic neural work test data simulation study 五邑大學(xué)本科畢業(yè)設(shè)計(jì) III 目 錄 摘 要 ..................................................................... I Abstract .................................................................... II 第 1 章 緒論 ................................................................. 1 課題背景 ............................................................ 1 研究的目的和意義 .................................................... 1 國(guó)內(nèi)外文獻(xiàn)綜述 ...................................................... 2 本文的主要內(nèi)容 ...................................................... 3 第 2 章 概率神經(jīng)網(wǎng)絡(luò)原理 ......