【導(dǎo)讀】本文針對(duì)道路擁堵判別這種非線性分類問(wèn)題，提出了基于概率神經(jīng)網(wǎng)絡(luò)的道。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，的結(jié)果令人滿意。

　　

【正文】 9) 1 (2,100) 1 表 45 仿真過(guò)程數(shù)據(jù)表（ 4） Yc = Columns 1 through 13 1 1 1 1 1 1 1 1 1 1 1 1 1 Columns 14 through 26 1 1 1 1 1 1 1 1 1 1 1 1 1 Columns 27 through 39 1 1 1 1 1 1 1 1 1 1 1 1 1 Columns 40 through 52 1 1 1 1 1 1 1 1 1 1 1 2 2 Columns 53 through 65 2 2 2 2 2 2 2 2 2 2 2 2 2 Columns 66 through 78 2 2 2 2 2 2 2 2 2 2 2 2 2 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 26 Columns 79 through 91 2 2 2 2 2 2 2 2 2 2 2 2 2 Columns 92 through 100 2 2 2 2 2 2 2 2 2 表 4 6 仿真過(guò)程數(shù)據(jù)表（ 5 ） P2 = C o l u m ns 1 t h r o ugh 8 0. 1750 0. 0250 0. 0500 0. 0875 0. 0375 0. 2375 0. 20xx 0. 0625 0. 0280 0. 0420 0. 0140 0. 0140 0. 0140 0. 0420 0. 0560 0. 0140 0. 6522 0. 4000 0. 4783 0. 5130 0. 6000 0. 5913 0. 5391 0. 5391 0. 5000 0. 0625 0. 0875 0. 1375 0. 6125 0. 5500 0. 3250 0. 6000 0. 7920 0. 0560 0. 0280 0. 0420 0. 8750 0. 8750 0. 1 1 10 0. 7360 0. 0870 0. 4783 0. 5217 0. 5478 0. 0696 0. 0783 0. 4957 0. 1217 C o l u m ns 9 t h r o ugh 16 0. 1375 0. 2125 0. 2750 0. 1625 0. 2625 0. 2750 0. 1500 0. 2250 0. 0280 0. 05 60 0. 0560 0. 0280 0. 0560 0. 0830 0. 0140 0. 0690 0. 6261 0. 5478 0. 5304 0. 6348 0. 6000 0. 4696 0. 6348 0. 5826 0. 7250 0. 6875 0. 2375 0. 2500 0. 6375 0. 3000 0. 5750 0. 3125 0. 9860 0. 9720 0. 0690 0. 0560 0. 7360 0. 1 1 10 0. 9030 0. 1 1 10 0. 0435 0. 0522 0. 5043 0. 6174 0. 1043 0. 5043 0. 0696 0. 5043 C o l u m ns 17 t h r o ugh 20 0. 2125 0. 3500 0. 1000 0. 1250 0. 0830 0. 1 1 10 0. 0140 0. 0140 0. 4609 0. 4957 0. 6261 0. 9913 0. 3750 0. 3000 0. 6875 0. 7625 0. 1250 0. 1250 0. 7640 0. 7500 0. 4957 0. 5217 0. 0870 0. 1 130 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 27 表 47 仿真過(guò)程數(shù)據(jù)表（ 6） Y2 = (1,1) 1 (2,2) 1 (2,3) 1 (2,4) 1 (1,5) 1 (1,6) 1 (2,7) 1 (1,8) 1 (1,9) 1 (1,10) 1 (2,11) 1 (2,12) 1 (1,13) 1 (2,14) 1 (1,15) 1 (2,16) 1 (2,17) 1 (2,18) 1 (1,19) 1 (1,20) 1 仿真結(jié)果 仿真得到的結(jié)果如下： Elapsed time is seconds. Yc2 = Columns 1 through 10 1 2 2 2 1 1 2 1 1 1 Columns 11 through 20 2 2 1 2 1 2 2 2 1 1 仿真結(jié)果表明，訓(xùn)練時(shí)間是 秒，概率神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò) 100 組訓(xùn)練樣本數(shù)據(jù)的訓(xùn)練后， 20 組測(cè)試樣本數(shù)據(jù)的擁堵分類結(jié)果完全正確，與實(shí)際的道路狀況相吻合，測(cè)試準(zhǔn)確率為 100％ 。 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 的分類方法。 一方面， 概率神經(jīng)網(wǎng)絡(luò)的 學(xué)習(xí)過(guò)程簡(jiǎn)單，訓(xùn)練速度 非常 快，它的抗干擾能力比較強(qiáng)，能夠有效抑制傳感器的測(cè)量噪聲 ； 另一方面， 概率神經(jīng)網(wǎng)絡(luò) 可以克服 反向傳播 神經(jīng)網(wǎng)絡(luò) 的缺點(diǎn)。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 。 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 28 結(jié) 論 道路擁堵判別 系統(tǒng) 主要用于 及時(shí) 判別 出道路上發(fā)生的 擁堵事件 ，使 交通管理部門 能 夠及時(shí) 作出相應(yīng)的 處理 措施 ，以盡量減少由于 道路擁堵 所帶來(lái)的人員傷亡 和 財(cái)產(chǎn)損失等 嚴(yán)重交通問(wèn)題的發(fā)生。 其中，概率神經(jīng)網(wǎng)絡(luò) 算法 對(duì)擁堵判別的 實(shí)現(xiàn)是 核心部分， 也是本文的主要工作。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 。 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 。 （ 2） 道路擁堵是導(dǎo)致交通事故頻繁發(fā)生、行程延誤以及環(huán)境污染、空氣質(zhì)量 差的主要因素 。 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。 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。在畢業(yè)論文完成之際，我衷心地向各位給予我指導(dǎo)、支持和幫助的老師和同學(xué)們表示深深的感謝。 首先，感謝我的畢業(yè)設(shè)計(jì)指導(dǎo)老師梁新榮教授，在他的精心與耐心的指導(dǎo)下，我不但順利完成了畢業(yè)設(shè)計(jì)，還學(xué)習(xí)、了解到許多交通工程領(lǐng)域的專業(yè)知識(shí)。 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)。在畢業(yè)設(shè)計(jì)的過(guò)程 中，梁新榮老師非常認(rèn)真負(fù)責(zé)，他會(huì)定期與我作學(xué)習(xí)溝通，時(shí)刻了解我的進(jìn)度和遇到的困難，當(dāng)我在學(xué)習(xí)中遇到“瓶頸”狀態(tài)的時(shí)候，梁老師會(huì)耐心地給我分析困惑的所在之處，并給予悉心的指導(dǎo)。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。 最后，感謝母校四年來(lái)對(duì)我的悉心栽培，值此機(jī)會(huì)向母校五邑大學(xué)表示衷心的感謝之情！