【正文】 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。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。 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。 Q R Q 1 n 1 a 1 n 2 a 2 = y P R 1 Q 1 Q 1 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)定義的分類類別數(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)分類類別，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)練過程 與 BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程相比較 ， 概率神經(jīng)網(wǎng)絡(luò) 相對(duì)較為簡(jiǎn)單。 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)境下開發(fā)出來的許多工具箱之一，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 。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 。 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) 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 , 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)交通工程專業(yè)的理論知識(shí)有了更深的了解。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 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 交通管理部門的道路 路段 樣本 數(shù)據(jù)對(duì)算法進(jìn)行 仿真 。 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 兩種類別。 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。 （ 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。f1 N ( x ) 175。 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)國內(nèi)外道路擁堵問題的研究動(dòng)態(tài)進(jìn)行綜述。 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。本文針對(duì)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。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，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。 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為非常暢通、暢通、輕微擁堵、較擁堵和很擁堵五個(gè)類別，而且判別 的 結(jié)果與實(shí)際交通狀況吻合 。xM 1175。 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(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。具體的操作方法是：選中準(zhǔn)備訓(xùn) 練的網(wǎng)絡(luò)，此時(shí) 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(jì) 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)。其中， 部分 道路擁堵 和 不擁堵 時(shí)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(duì)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(shí) /車道 ，速度的單位為千米 /小時(shí) 。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(shí)可行的新思路 。 梁新榮 老師 堅(jiān)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)。 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)?，F(xiàn)場(chǎng)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(cè)點(diǎn) 現(xiàn)場(chǎng)傳感器的檢測(cè)數(shù)據(jù)， 但 必須注意 的是 經(jīng)傳感器檢測(cè)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(huì)在數(shù)值上 出現(xiàn) 一定的突變現(xiàn)象，因此必須 先行 對(duì) 檢測(cè)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(shí)時(shí)的道路狀況 。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(duì)簡(jiǎn)單的方法：用 GUI 建立系統(tǒng)的方法。 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(shí)， 概率神經(jīng) 網(wǎng)絡(luò)的第一層 將對(duì) 該輸入向量與訓(xùn)練樣本對(duì)的輸入向量 Ii , i=1, 2, …, Q 的歐氏距離 進(jìn)行計(jì)算 ，得 到 的五邑大學(xué)本科畢業(yè)設(shè)計(jì) 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(gè)元素 即為 Q。 [4] 概率神經(jīng)網(wǎng)絡(luò)拓?fù)?結(jié)構(gòu)圖如圖 21 所示 。 文獻(xiàn) 3 闡述 了基于學(xué)習(xí)向量量化（ LVQ）神經(jīng)網(wǎng)絡(luò)的算法理論， 運(yùn) 用這種神經(jīng)網(wǎng)絡(luò)的算法設(shè)計(jì) 出 擁堵預(yù)測(cè)的系統(tǒng)，并 利用相關(guān)的數(shù)據(jù)和 MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最終系統(tǒng) 的仿真效果良好 。 針對(duì)交通擁堵的情況，我們常常會(huì)通過浮動(dòng)車法等傳統(tǒng)方法來分 析連續(xù)時(shí)間和空間內(nèi)速度與密度的比例分布，以此來確定道路的擁堵情況。外部因素是國內(nèi)經(jīng)