【正文】 sim(net,P_test)。=5000。purelin39。Endfor i=1:3 P_test(i,:)=(P_test(i,:)min(P_test(i,:)))/(max(P_test(i,:))min(P_test(i,:)))。 318。 154。132 190 233。91 94 83。148 120 171。 129。T=[129。......161 197 320?！?36 127 174。clc 。)。hold on。figure(2)。Y(i,:)=sim(net,P_test)。=。},39。enda=[26 30 34]for i=1:3net=newff(minmax(P),[a(i),1],{39。for i=1:3 P(i,:)=(P(i,:)min(P(i,:)))/(max(P(i,:))min(P(i,:)))。 ......。233 232 318]39。83 112 122。171 154 194。171]39。 ......。210 129 195]39。130 152 136。129 136 127。echo on 。正是由于你們，我才能在各方面取得顯著的進(jìn)步，在此你們表示我由衷的謝意，并祝所有的老師培養(yǎng)出越來越多的優(yōu)秀人才，桃李滿天下！BP神經(jīng)網(wǎng)絡(luò)的預(yù)測也可以對于城市的道路設(shè)計發(fā)展帶來意義，有了它提供的數(shù)據(jù)，我們在城市發(fā)展時就能設(shè)計合理的城市路線，為城市帶來順暢的交通。如果能把這些在道路上浪費的時間去做自己認(rèn)為有意義的事情上，那人們的生活就可以變的更加有意義了，生活就能變的更加精彩了。如何提高城市道路的發(fā)展，這基本上得取決于道路車道的設(shè)計和智能控制交通了。再者，交通流量數(shù)據(jù)本身帶有一些隨機(jī)性，每天的交通流量并沒有明顯規(guī)律，用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行簡單預(yù)測，可能存在一定的誤差。預(yù)測網(wǎng)絡(luò)存在一些誤差，分析原因主要有以下幾點：首先，網(wǎng)絡(luò)訓(xùn)練的樣本數(shù)據(jù)要足夠多，而本次試驗的訓(xùn)練樣本數(shù)據(jù)只有一個月672組，顯得有點少，如果能夠?qū)θ齻€月左右的數(shù)據(jù)進(jìn)行訓(xùn)練，相信效果可能會更好。圖43 真實值與預(yù)測值擬合圖由圖43可以看得到，所測試的96組數(shù)據(jù)得到的真實值（藍(lán)色曲線）和預(yù)測值（綠色曲線）的擬合度還是令人滿意的，這也證明了我們所設(shè)計的BP網(wǎng)絡(luò)的預(yù)測能力還是比較好的，能達(dá)到仿真預(yù)測的目的。表47 不同網(wǎng)絡(luò)訓(xùn)練結(jié)果網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練數(shù)目(組)迭代次數(shù)訓(xùn)練時間（s）（3，26，1）672779（3，30，1）6721136（3，34，1）672557由表47的數(shù)據(jù)可以看出，隱含層神經(jīng)元為34個的神經(jīng)網(wǎng)絡(luò)，無論迭代次數(shù)還是訓(xùn)練時間都是三個網(wǎng)絡(luò)中最好的。end本次試驗是同時訓(xùn)練三個網(wǎng)絡(luò)，從中對比找到擁有最優(yōu)的隱含層神經(jīng)元數(shù)目的BP網(wǎng)絡(luò)。%設(shè)置網(wǎng)絡(luò)學(xué)習(xí)率=。traingdx39。tansig39。endfor i=1:1 T(i,:)=(T(i,:)min(T(i,:)))/(max(T(i,:))min(T(i,:)))。第n3天第n1天第n2天第n天輸入層隱含層輸出層圖41 預(yù)測網(wǎng)絡(luò)結(jié)構(gòu)圖本次仿真是對江門市西環(huán)路龍灣路口2013年3月26日至 2013年5月1日每天的小時交通量數(shù)進(jìn)行仿真實驗，根據(jù)預(yù)測日前三天同時段的交通量預(yù)測當(dāng)天該時段的交通量。其中tansig函數(shù)作為隱含層的激活函數(shù)；purelin型函數(shù)作為輸出層函數(shù)。我們使用其中30天數(shù)據(jù)流量進(jìn)行網(wǎng)絡(luò)訓(xùn)練，選擇最后4天進(jìn)行仿真預(yù)測。我們要預(yù)測未來某一時段的交通流量，通過分析所訓(xùn)練的交通流量數(shù)據(jù)，我們發(fā)現(xiàn)同時期的歷史數(shù)據(jù)和要預(yù)測的某個時間段的交通流量關(guān)系較為密切。 MATLAB神經(jīng)網(wǎng)絡(luò)工具箱在MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中，有關(guān)BP網(wǎng)絡(luò)的函數(shù)一般包括創(chuàng)建函數(shù)、性能函數(shù)、傳遞函數(shù)、學(xué)習(xí)函數(shù)、訓(xùn)練函數(shù)以及作圖像輸出的顯示函數(shù)。第二，計算誤差相對于微分之后的權(quán)值的雅克比矩陣J：它首先定義Marquardt的敏感度： （411）從式（411）知道，敏感度誤差函數(shù)對層輸入的第個元素變化的敏感性，其中，為每一層的網(wǎng)絡(luò)加權(quán)和。LevenbergMarquardt算法的思路是網(wǎng)絡(luò)的每一次迭代不僅僅會沿著單一的負(fù)梯度方向搜索，而且誤差還會沿著網(wǎng)絡(luò)惡化的方向進(jìn)行搜索，在搜索的同時間內(nèi)不斷在兩個算法之間適應(yīng)調(diào)整來優(yōu)化網(wǎng)絡(luò)權(quán)值，以達(dá)到網(wǎng)絡(luò)可有效地進(jìn)行收斂的目的。共軛梯度法收斂速度增加很多，而且需要的存儲量和計算量并不多。1)共軛梯度法有鑒于BP網(wǎng)絡(luò)在使用梯度下降法時，收斂速度慢，而擬牛頓法計算對于我們來說又較為復(fù)雜，研究者就開發(fā)出了共軛梯度法，從而盡量避免兩者的缺點。比如六個輸入時，根據(jù)式（42）求得的節(jié)點數(shù)為13，而我們應(yīng)該選擇13以及13附近的數(shù)目作為節(jié)點數(shù)，具體選擇多少個隱含層神經(jīng)元要根據(jù)訓(xùn)練情況而定。對于選取多少個節(jié)點，需要我們根據(jù)公式得到的范圍去做不同節(jié)點數(shù)的實驗，找到最佳的目標(biāo)。另外由于BP網(wǎng)絡(luò)的局限性，為了不造成過擬合現(xiàn)象，隱含層節(jié)點數(shù)過多過少都不合適。我們即將做的交通流量預(yù)測只有一個類型的數(shù)據(jù)，即交通流量。而當(dāng)我們需要訓(xùn)練的樣本數(shù)量比較多時就需要增加一個隱含層，但是BP神經(jīng)網(wǎng)絡(luò)一般情況下也不會擁有超過2層。第4章 短時交通流量預(yù)測網(wǎng)絡(luò) BP神經(jīng)網(wǎng)絡(luò)的設(shè)計與訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的設(shè)計主要是涉及到網(wǎng)絡(luò)本身的幾個層以及各個層次之間傳遞函數(shù)的確定。第一，由于BP算法采用的是非線性優(yōu)化，比較容易形成局部極小值從而使我們無法得到全局最優(yōu)值；第二，BP算法尋找最優(yōu)值的參數(shù)比較多，這就導(dǎo)致其收斂速度表較慢；第三，構(gòu)建神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)一直到現(xiàn)在也沒有找到一個準(zhǔn)確的方法，即無法確定隱層和節(jié)點的數(shù)量；第四，當(dāng)我們需要在已經(jīng)學(xué)習(xí)好的樣本中加入新的樣本時，會影響到原來的學(xué)習(xí)。目前我們只能以前任的經(jīng)驗為指導(dǎo)。2）網(wǎng)絡(luò)訓(xùn)練很多時候會失敗，特別在處理復(fù)雜問題時，其主要原因是：在理論上，BP算法只是一種局部搜索的優(yōu)化方法，找到我們需要的全局極值不容易，網(wǎng)絡(luò)自己就有可能陷入局部搜索，造成訓(xùn)練失敗。（3）BP網(wǎng)絡(luò)具有泛化能力，能從給定的樣本數(shù)據(jù)中學(xué)習(xí)知識，抽象出接近真實的規(guī)則。（3）混合型學(xué)習(xí)過程先采用無監(jiān)督學(xué)習(xí)，然后再采用有監(jiān)督學(xué)習(xí)，前者抽取輸入模式的特征，后者在對其進(jìn)行處理，形成輸入輸出的某種映射。 初始化給定訓(xùn)練樣本計算隱含層和輸出層各節(jié)點輸出計算反向誤差 權(quán)值學(xué)習(xí)學(xué)習(xí)結(jié)束？ 結(jié)束NY 圖33 BP算法的流程圖 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式劃分具體如下：根據(jù)學(xué)習(xí)組織和管理劃分為有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和混合型學(xué)習(xí)三種。（2）向BP神經(jīng)網(wǎng)絡(luò)提供需要訓(xùn)練樣本數(shù)據(jù)。為簡便介紹，省略下標(biāo)，重寫式（37），則有 (39) 1） 輸出層權(quán)系數(shù)的調(diào)整權(quán)系數(shù)的修正公式為， （310）其中，為學(xué)習(xí)速率。那么得到網(wǎng)絡(luò)輸出層第個節(jié)點的實際網(wǎng)絡(luò)輸出為： （36）當(dāng)?shù)玫降木W(wǎng)絡(luò)輸出與目標(biāo)值不接近時，BP神經(jīng)網(wǎng)絡(luò)則會將其誤差信號從輸出端反向傳播回去（如圖32所示），并在傳播過程中對加權(quán)系數(shù)不斷修正。正如圖32所示，BP神經(jīng)網(wǎng)絡(luò)有個輸入節(jié)點，輸出層有個輸出點，隱含層有個節(jié)點，作為輸入層節(jié)點和隱含層節(jié)點之間的連接權(quán)值，是隱含層和輸出層節(jié)點之間的連接權(quán)值；隱含層和輸出層節(jié)點的輸入是前一層節(jié)點的輸出的加權(quán)和，每個節(jié)點的激勵程度由它的激發(fā)函數(shù)來決定[3]。該算法在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程分兩部分組成，一部分是信號的正向傳播，利益部分是誤差的反向傳播。要說明的是，每一層次只會到影響下一層變化，而不會影響上一層。圖31 多層感知器結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖32所示，它是單隱層網(wǎng)絡(luò)，各層的節(jié)點數(shù)為相應(yīng)神經(jīng)元數(shù)目。輸入數(shù)據(jù)中的有用特征會被這些隱含層慢慢地提取，學(xué)到存在于輸入和輸出中的某種關(guān)系。第3章 BP神經(jīng)網(wǎng)絡(luò)及其算法 BP神經(jīng)網(wǎng)絡(luò)概述BP神經(jīng)網(wǎng)絡(luò)又被人們稱為誤差反向傳播（error back propagation）網(wǎng)絡(luò),它是一種多層的前饋網(wǎng)絡(luò)。并且源于對訓(xùn)練中穩(wěn)定性所提出學(xué)習(xí)率要求很小，所以在學(xué)習(xí)過程中收斂速度過慢；當(dāng)我們采用動量法時學(xué)習(xí)率有所提高，但在實際應(yīng)用中仍然太慢。（5）機(jī)器人控制 用于操作其眼手系統(tǒng)，對機(jī)器人的運作軌道控制，另外還可以進(jìn)行故障發(fā)現(xiàn)并且進(jìn)行排除。圖24 互聯(lián)型神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu) 神經(jīng)網(wǎng)絡(luò)的應(yīng)用與存在問題 神經(jīng)網(wǎng)絡(luò)的應(yīng)用時至今日，神經(jīng)網(wǎng)絡(luò)已經(jīng)在許多個領(lǐng)域中得到應(yīng)用，其主要的應(yīng)用領(lǐng)域有：（1）自動控制領(lǐng)域 主要應(yīng)用于系統(tǒng)模型建設(shè)、系統(tǒng)的識別、各類參數(shù)的整定、各種極點的配置等。有多個神經(jīng)元遵照我們設(shè)定的方式連接成網(wǎng)絡(luò)，并且讓網(wǎng)絡(luò)中每一個神經(jīng)元提取數(shù)據(jù)之間的共性，最后實現(xiàn)輸入到輸出的映射功能，完成網(wǎng)絡(luò)訓(xùn)練。它的結(jié)構(gòu)如圖21所示：圖21 生物神經(jīng)元人工神經(jīng)元可以視為生物神經(jīng)元的簡化以及模擬，它作為網(wǎng)絡(luò)中的基礎(chǔ)級別的處理單元。同時期的專家學(xué)者們也在生物神經(jīng)系統(tǒng)中加大研究投入，期望能夠更徹底的了解到更多關(guān)于神經(jīng)系統(tǒng)的知識。從1982年，來自美國的物理學(xué)家Hopfield在自己發(fā)表的文章中提出Hopfield神經(jīng)網(wǎng)絡(luò)模型開始，到Hinton和Sejnowwski提出多層網(wǎng)絡(luò)的學(xué)習(xí)算法，然后一直到Rumelhart和McCelland發(fā)表文章提出了多層網(wǎng)絡(luò)的誤差反向傳播學(xué)習(xí)算法，即我們所熟知的BP算法，形成迄今為止最實用、最受大眾歡迎的BP神經(jīng)網(wǎng)絡(luò)。第一階段開創(chuàng)了神經(jīng)網(wǎng)絡(luò)理論研究，提出了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法基礎(chǔ)。第4章 說明了交通流量預(yù)測實驗的設(shè)計、訓(xùn)練和仿真測試結(jié)果，對預(yù)測結(jié)果進(jìn)行了分析和討論。本次預(yù)測是建立在Windows XP系統(tǒng)環(huán)境中的MATLAB 。特別的，在解決城市交通問題方面更顯得重要。得到結(jié)果后進(jìn)行判斷交通狀況，這樣我們就可以為交通控制中心對未來交通疏導(dǎo)、信號燈時差調(diào)整等決策提供依據(jù)。智能交通系統(tǒng)是在較完善的道路基礎(chǔ)設(shè)施上，將先進(jìn)的