人工智能在交通控制中的應(yīng)用-資料下載頁
2025-03-04 12:06本頁面
【正文】 。 （ 8）它們能 解決常規(guī)方法不能解決的問題 。 （ 9）它們具有很好的 抗噪聲 干擾能力。 （ 10）它們的實現(xiàn)十分 便宜 ，特別是使用最小配置時。 （ 11）它們很 容易擴展和修改 四、人工智能在交通控制中的應(yīng)用 人工智能方法在信號處理中的應(yīng)用 交通控制中，模糊控制一向被廣泛研究；而在模糊理論的應(yīng)用中，最為要的步驟之一就是建立模糊集的隸屬度函數(shù)，如何客觀而準(zhǔn)確地選取隸屬函數(shù)也一直是一個重要的話題。在這個問題上，人工智能扮演了重要的角色，為隸屬函數(shù)的求解問題提供了許多非傳統(tǒng)的途徑。 神經(jīng)網(wǎng)絡(luò) 利用 BP神經(jīng)網(wǎng)絡(luò)推斷隸屬函數(shù) 前饋式神經(jīng)網(wǎng)絡(luò)，即 BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用比較廣泛的一種 神經(jīng)網(wǎng)絡(luò)模型，它可以通過梯度下降法令誤差反向傳播，通 過多層修正使誤差趨向最小，也就是使隸屬函數(shù)趨向于最精 確值。將前饋式神經(jīng)網(wǎng)絡(luò)與模糊邏輯結(jié)合起來形成神經(jīng)模糊 推理系統(tǒng)是一個多層系統(tǒng)，每一層都有各自不同的功能。 多目標(biāo)優(yōu)化模型的模糊解法 多目標(biāo)模糊求解首先要按照慣常步驟求出各子目標(biāo)的約束最 優(yōu)解，利用這些最優(yōu)解將這些子目標(biāo)函數(shù)模糊化之后，最后 所求出的使交集的隸屬函數(shù)取最大值的解便是該模型的模糊 最優(yōu)解。 小波分析理論 運用小波分析優(yōu)化模糊推理規(guī)則 構(gòu)建隸屬函數(shù)時最大的問題就在于無法系統(tǒng)性地去尋找一個精確的隸屬函數(shù)。通過將小波基函數(shù)與模糊集隸屬函數(shù)相結(jié)合，即可建立小波隸屬函數(shù)，這種函數(shù)有助于彌補以上缺點，然而仍無法去除根據(jù)固有的推理規(guī)則進行推理所帶來的問題。遺傳算法是一種全局優(yōu)化搜索算法，利用它將小波函數(shù)進行優(yōu)化，可以改進該函數(shù)缺乏自學(xué)習(xí)功能的弊病，完善對小波隸屬函數(shù)的優(yōu)化，使隸屬函數(shù)的尋找能夠進一步精確化。 遺傳算法 遺傳算法具有良好的全局尋優(yōu)能力根據(jù)遺傳算法的原理，要運用此算法進行優(yōu)化，首先要將問題的某些部分與基因片段相對應(yīng)，按照遺傳規(guī)則進行選擇、交叉、變異 后，選取其中優(yōu)秀的個體保留下來組成下一代的族群，從而完成優(yōu)化。運用遺傳算法對模糊系統(tǒng)的隸屬函數(shù)進行優(yōu)化主要是調(diào)整參數(shù)，如位置、形狀等。進行優(yōu)化后，往往能夠達到使整個系統(tǒng)穩(wěn)定精度提高、更加逼近隸屬度的全局最優(yōu)解的效果。 謝謝觀看 /歡迎下載 BY FAITH I MEAN A VISION OF GOOD ONE CHERISHES AND THE ENTHUSIASM THAT PUSHES ONE TO SEEK ITS FULFILLMENT REGARDLESS OF OBSTACLES. BY FAITH I BY FAIT
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1