【正文】 ............................................... 4 概率神經(jīng)網(wǎng)絡模型 .................................................... 4 概率神經(jīng)網(wǎng)絡的網(wǎng)絡結(jié)構(gòu) .............................................. 6 概率神經(jīng)網(wǎng)絡的訓練 .................................................. 6 概率神經(jīng)網(wǎng)絡的優(yōu)點 .................................................. 7 本章小結(jié) ............................................................ 8 第 3 章 MATLAB 神經(jīng)網(wǎng)絡工具箱的使用 ........................................ 9 引言 ................................................................ 9 神經(jīng)網(wǎng)絡工具箱下的系統(tǒng)建立與仿真 .................................... 9 使用神經(jīng)網(wǎng)絡工具箱的命令行方式建立 ............................. 9 使用神經(jīng)網(wǎng)絡工具箱的圖形用戶界面建立 .......................... 10 本章小結(jié) ........................................................... 14 第 4 章 基于概率神經(jīng)網(wǎng)絡的擁堵判別設計與仿真 ................................ 15 道路擁堵判別的系統(tǒng) ................................................. 15 概率神經(jīng)網(wǎng)絡輸入變量的選擇 .................................... 15 概率神經(jīng)網(wǎng)絡的訓練數(shù)據(jù)和測試數(shù)據(jù) .............................. 15 基于概率神經(jīng)網(wǎng)絡的擁堵判別系統(tǒng)建立 ............................ 17 概率神經(jīng)網(wǎng)絡的擁堵判別仿真 ......................................... 17 MATLAB 程序及仿真結(jié)果 ............................................ 17 MATLAB 程序 ................................................. 17 仿真過程數(shù)據(jù) .................................................. 21 仿真結(jié)果 ...................................................... 27 本章小結(jié) ........................................................... 27 結(jié) 論 .................................................................... 28 參考文獻 ................................................................... 29 致 謝 .................................................................... 30 五邑大學本科畢業(yè)設計 1 第 1 章 緒論 課題背景 隨著經(jīng)濟的發(fā)展，人們生活水平的不斷提高，汽車逐漸成為了許多市民出行首選的交通工具，并以倍數(shù)增長的速度進入千家萬戶。利用算法分析數(shù)據(jù)，能夠有效評估判別道路的擁堵情況，得到的結(jié)果也是比較合理準確的。因此， 本課題研究的目的在于采用概率神經(jīng)網(wǎng)絡算法實現(xiàn)對道路擁堵的判別。 文獻 6 介紹了概率神經(jīng)網(wǎng)絡的算法和模型， 設計出能夠預測 泵車臂架疲勞壽命 的網(wǎng)絡模型，通過數(shù)據(jù)對 網(wǎng)絡進行訓練與仿真研究，仿真的結(jié)果表明，概率神經(jīng)網(wǎng)絡 的預測分類方法是可行的。 第 3 章 首先介紹了 MATLAB 神經(jīng)網(wǎng)絡工具箱的發(fā)展，接著著重介紹了利用神經(jīng)網(wǎng)絡工具箱進行神經(jīng)網(wǎng)絡的建立：利用命令行語句和 GUI 兩種方法，同時展示了神經(jīng)網(wǎng)絡建立、訓練和仿真的 步驟。x1 1175。p ( x )輸 入 層隱 層求 和 層輸 出 層 圖 21 概率神經(jīng)網(wǎng)絡的 拓撲結(jié)構(gòu) 五邑大學本科畢業(yè)設計 5 輸 入 層 ：接 收 來 自 訓 練 樣 本 值X ＝ ( x1, x2,… , xn)隱 層 ：計 算 輸 入 層 和 隱 層 的 加 權和求 和 層 ：事 件 模 式 與 神 經(jīng) 元 對 應 并求 和輸 出 層 ：在 各 事 件 模 式 的 估 計 概 率密 度 中 選 擇 最 大 后 驗 概 率密 度 的 神 經(jīng) 元 作 為 輸 出 圖 22 概率神經(jīng)網(wǎng)絡結(jié)構(gòu)功能圖 綜上所述，概率神經(jīng)網(wǎng)絡的 輸出層只有 1 個節(jié)點，輸出值在［ 0， 1］范圍， 輸出的狀態(tài)包括了狀態(tài) {1}和 狀態(tài) {2}這兩 種輸出狀態(tài) ，其中， 狀態(tài) {1}代表 擁堵 狀態(tài)，狀態(tài) {2}代表無擁堵 狀態(tài)。求和層求和估計各類的概率。 本章小結(jié) 本章主要介紹了概率神經(jīng)網(wǎng)絡的原理、網(wǎng)絡結(jié)構(gòu)以及訓練方法等。 如圖 31 所示： 圖 31 神經(jīng)網(wǎng)絡工具箱的圖形用戶界面 （ 1）神經(jīng)網(wǎng)絡的建立：在上面的按鈕區(qū)中點擊 New Network 按鈕，就會彈出 Create New Network 窗口如圖 3圖 33 所示： 五邑大學本科畢業(yè)設計 11 圖 32 點擊建立神經(jīng)網(wǎng)絡 圖 33 建立新的概率神經(jīng)網(wǎng)絡 五邑大學本科畢業(yè)設計 12 在 Create New Network 窗口中輸入新建的神經(jīng)網(wǎng)絡名稱，選擇神經(jīng)網(wǎng)絡的類型，設置輸入值、目標值以及徑向基函數(shù)的擴展速度，單擊 View 按鈕，可以查看網(wǎng)絡結(jié)構(gòu)圖以便檢查，如圖 34 所示。另外，為了檢測到由于 道路擁堵 引起 車輛速度的變化 ， 我們 還應該考慮車輛 行駛到該檢測點的瞬時速度 。相比于傳統(tǒng)的人工交通調(diào)查方法，微波檢測器有著明顯的優(yōu)越性。采用 的 100 組樣本數(shù)據(jù) 以及運 用 節(jié) 訓練方法對 概率神經(jīng)網(wǎng)絡 模型進行訓練，訓練速度很快，訓練時間為 秒。 Y2=sim(,P2) Yc2=vec2ind(Y2) 仿真過程數(shù)據(jù) 基于概率神經(jīng)網(wǎng)絡的道路擁堵判別系統(tǒng) 仿真 的所有 過程 數(shù)據(jù) 如表 4表 4表 4表 4表 4表 47 所示 ： 表 42 仿真過程數(shù)據(jù)表（ 1） P= Columns 1 through 8 Columns 9 through 16 Columns 17 through 24 五邑大學本科畢業(yè)設計 22 Columns 25 through 32 Columns 33 through 40 Columns 41 through 48 Columns 49 through 56 Columns 57 through 64 五邑大學本科畢業(yè)設計 23 Columns 65 through 72 Columns 73 through 80 Columns 81 through 88 Columns 89 through 96 Columns 97 through 100 五邑大學本科畢業(yè)設計 24 表 43 仿真過程數(shù)據(jù)表（ 2） Tc = Columns 1 through 14 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Columns 15 through 28 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Columns 29 through 42 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Columns 43 through 56 1 1 1 1 1 1 1 1 2 2 2 2 2 2 Columns 57 through 70 2 2 2 2 2 2 2 2 2 2 2 2 2 2 Columns 71 through 84 2 2 2 2 2 2 2 2 2 2 2 2 2 2 Columns 85 through 98 2 2 2 2 2 2 2 2 2 2 2 2