【文章內(nèi)容簡介】 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 ) 利用樣本對網(wǎng)絡(luò)進(jìn)行測試 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 10 使用神經(jīng)網(wǎng)絡(luò)工具箱的圖形用戶界面建立 下面用概率神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)來介紹如何使用 GUI 建立神經(jīng)網(wǎng)絡(luò)系統(tǒng)。 在 MATLAB 的命令窗口輸入命令： nntool，回車后可以進(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)。 如圖 31 所示： 圖 31 神經(jīng)網(wǎng)絡(luò)工具箱的圖形用戶界面 （ 1）神經(jīng)網(wǎng)絡(luò)的建立：在上面的按鈕區(qū)中點(diǎn)擊 New Network 按鈕，就會(huì)彈出 Create New Network 窗口如圖 3圖 33 所示： 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 11 圖 32 點(diǎn)擊建立神經(jīng)網(wǎng)絡(luò) 圖 33 建立新的概率神經(jīng)網(wǎng)絡(luò) 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 12 在 Create New Network 窗口中輸入新建的神經(jīng)網(wǎng)絡(luò)名稱，選擇神經(jīng)網(wǎng)絡(luò)的類型，設(shè)置輸入值、目標(biāo)值以及徑向基函數(shù)的擴(kuò)展速度，單擊 View 按鈕，可以查看網(wǎng)絡(luò)結(jié)構(gòu)圖以便檢查，如圖 34 所示。 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)。 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。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)。 （ 4）網(wǎng)絡(luò)的仿真：選中準(zhǔn)備仿真的網(wǎng)絡(luò)，此時(shí) Networks only 按鈕區(qū)將變?yōu)榭蛇x，單擊 Simulate 按鈕，將會(huì)彈出神經(jīng)網(wǎng)絡(luò)的仿真窗口，如圖 38 所示： 圖 38 神經(jīng)網(wǎng)絡(luò)仿真窗口 在仿真窗口中選擇仿真輸入變 量，設(shè)置仿真輸出變量名，選擇是否提供目標(biāo)變量 (可選 )，確認(rèn)操作無誤后就可以單擊 Simulate Network 進(jìn)行仿真。 本章小結(jié) 本章主要介紹了 MATLAB中神經(jīng)網(wǎng)絡(luò)工具箱的使用，著重闡述了用 GUI建立神經(jīng)網(wǎng)絡(luò)系統(tǒng)的方法與步驟，并以概率神經(jīng)網(wǎng)絡(luò)為例子展示了神經(jīng)網(wǎng)絡(luò)系統(tǒng)建立的過程。 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。 測出 同一車道同一檢測點(diǎn) 的流量 和 占有率，檢測時(shí)間間隔選為 2min. 為了檢測到由于 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)刻測出的流量和占有率數(shù)據(jù)。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(yīng)該考慮車輛 行駛到該檢測點(diǎn)的瞬時(shí)速度 。如果在 檢測站測得的 前一時(shí)刻 t1的 數(shù)據(jù)與 后一時(shí)刻 t檢測的數(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，則說明可能有 交通擁堵的事件 發(fā)生 ，反之，則說明沒有擁堵事件發(fā)生 。因此 ，本設(shè)計(jì) 將 t, t1 時(shí) 刻 分別 測得的流量 、 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 。 概率神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù) 道路擁堵判別 的數(shù)據(jù)來源可以是交通仿真模型的 輸出數(shù)據(jù)，也可以是現(xiàn)場交通數(shù)據(jù)。本文的仿真數(shù)據(jù)來源于交通管理部門 提供的 現(xiàn)場交通數(shù)據(jù) ?，F(xiàn)場交通數(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 檢測點(diǎn) 現(xiàn)場傳感器的檢測數(shù)據(jù)， 但 必須注意 的是 經(jīng)傳感器檢測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 檢測得到的 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 。 本文的仿真數(shù)據(jù)來源于交通管理部門利用微波檢測器測出的交通數(shù)據(jù)。微波檢測器，采用了先進(jìn)的數(shù)字雷達(dá)波技術(shù)，它能夠 實(shí)時(shí)檢測交通流量、平均車速 及車道占用率等交通數(shù)據(jù)的產(chǎn)品 。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。因此，微波檢測器被 廣泛應(yīng)用于高速公路、城市道路等交通檢測 當(dāng)中 ，能夠精確的檢測高速公路上的 任意 車輛 的交通 流參數(shù) 數(shù)據(jù)。 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 16 經(jīng) 過數(shù)據(jù)歸一化處理、篩選 得到 100 組樣本數(shù)據(jù)用來訓(xùn)練 概率神經(jīng)網(wǎng)絡(luò) , 另外還得到20 組樣本數(shù)據(jù)用來測試 概率神經(jīng)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) 。 表 41 部分樣本數(shù)據(jù) qt1 Ot1 vt1 qt Ot vt 37 69 58 25 26 78 51 20 38 62 56 12 17 71 42 10 10 114 61 13 28 73 63 26 45 74 62 23 34 73 64 23 36 66 55 20 38 75 58 27 4 65 65 29 5 62 62 21 21 62 44 16 3 72 51 16 29 62 54 25 22 57 11 51 18 53 23 56 17 51 18 49 21 51 18 51 15 52 13 56 14 50 4 46 18 51 16 46 15 57 14 53 12 55 15 63 21 60 14 57 15 62 22 60 17 67 19 72 15 54 11 59 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 17 5 48 11 56 28 57 24 60 基于概率神經(jīng)網(wǎng)絡(luò)的擁堵判別系統(tǒng)建立 結(jié)合概率神經(jīng)網(wǎng)絡(luò)的理論知識(shí)，在選擇合適的輸入量、篩選出網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)和測試樣本數(shù)據(jù)后，就可以建立起擁堵判別系統(tǒng)。擁堵判別系統(tǒng)采用 的命令行方式建立，這種通過編寫命令行的方式建立概率神經(jīng)網(wǎng)絡(luò)，對于需要用大量的樣本數(shù)據(jù)進(jìn)行仿真的系統(tǒng)來說，具有方便快捷的特點(diǎn)。 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。 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 編寫仿真程序。采用 的 100 組樣本數(shù)據(jù) 以及運(yùn) 用 節(jié) 訓(xùn)練方法對 概率神經(jīng)網(wǎng)絡(luò) 模型進(jìn)行訓(xùn)練，訓(xùn)練速度很快，訓(xùn)練時(shí)間為 秒。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 測試 數(shù)據(jù)對 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 組測試樣本數(shù)據(jù)的分類結(jié)果完全正確，測試準(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。 MATLAB 程序 及仿真結(jié)果 MATLAB 程序 clear。 tic。 P= [ 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 18 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 19