谈谈：基于模糊神经网络的交通信号控制（下）
发布时间:2008/5/29 0:00:00 访问次数:344
| 三、模糊神经网络 1．模糊神经网络结构 该网络分为四层，用 、 表示第 （ =1，2，3，4）层第 个结点的输入输出。 ①输入层：n个结点，输入式为 ，表示单个交叉路口各个方向的排队长度；输出式为 ， 。 ②模糊化层：mn个结点分为n组，输入输出为 ， ， 。其中 是模糊化层成员函数， ， 分别为gaussian函数 的中心和宽度。 ③去模糊化层：m个结点，每个结点输入输出为 ， ，j=1，2，…，m；i=1，2，…，n。 ④输出层：1个结点，输入输出式为 ，其中 表示第三层第j个结点到输出层结点的耦合权值， 是单个交叉路口某一方向下一周期的绿灯延长时间δｇ。 2．模糊神经网络学习算法 模糊神经网络的目标函数为 ，式中 是模糊神经网络实际输出的单个交叉路口某一方向下一周期的绿灯延长时间， 是综合专家经验和计算机仿真得出的最佳绿灯延长时间。 四、仿真实验 本次仿真实验所采用的模糊神经网络参数如下： 显然，输入层结点数n选取12。利用广义交互验证法确定m=4。权值 随迭代而更新并且一般是收敛的，但若其初始值太大会使网络很快饱和。另外，初值对收敛速度也有影响，故选取 初始值为0。一般 ， 的初值只要不是过大，对网络整体性能的影响不大，通常可选在（-0.05,0.05），故取 为0， 为0.01。学习率 若选得太小会使网络参数修改量过小，收敛缓慢。若选得太大虽可加快学习速度，但可能导致在稳定点附近的持续振荡难以收敛。目前理论上还没有确定学习率的方法，只能通过试探来选取。经过多次试探取 ＝0.025， ＝0.0015较合适。 本次仿真实验选取北京市成府路和学院路的交叉口作为仿真实验对象来校验模糊神经网络模型。把从北京市交管局获得的2004年1月1日至2004年3月31日该路口的线圈检测数据作为校验数据。在paramics微观仿真平台中建立该路口的仿真模型。选取前10天的数据，并利用专家经验和计算机仿真得出的最佳配时方案对模糊神经网络进行训练。然后，把实测数据和由模糊神经网络实时生成的配时方案输入仿真模型进行实验。实验结果表明，采用该模糊神经网络生成的信号配时方案，仿真模型中交叉路口的平均排队长度比实际减少12％。 五、结论 交通信号控制系统是一个非线性的复杂巨系统，采用传统的数学建模方法进行优化有时效果很不理想。而模糊神经网络在优化此类系统方面有其独特的优势。本文利用模糊神经网络在线滚动生成单个交叉路口的信号配时方案。仿真实验结果表明该模型是有效的。在接下来进一步的研究中，笔者将利用模糊神经网络实现交通信号的线控和面控。 参考文献 1] 刘增良等，模糊逻辑与神经网络，北京：北京航空航天大学出版社，1996年 2] 王士同等，神经模糊系统及其应用，北京：北京航空航天大学出版社，1998年 3] 贺京同等，基于模糊神经网络的宏观经济预警研究，预测，2000年第四期 4] 张乃尧等，神经网络与模糊控制，北京：清华大学出版社，1998年 |
| 来源：清华大学现代物流研究中心 王辉球 缪立新 乐奕平 |
| 三、模糊神经网络 1．模糊神经网络结构 该网络分为四层，用 、 表示第 （ =1，2，3，4）层第 个结点的输入输出。 ①输入层：n个结点，输入式为 ，表示单个交叉路口各个方向的排队长度；输出式为 ， 。 ②模糊化层：mn个结点分为n组，输入输出为 ， ， 。其中 是模糊化层成员函数， ， 分别为gaussian函数 的中心和宽度。 ③去模糊化层：m个结点，每个结点输入输出为 ， ，j=1，2，…，m；i=1，2，…，n。 ④输出层：1个结点，输入输出式为 ，其中 表示第三层第j个结点到输出层结点的耦合权值， 是单个交叉路口某一方向下一周期的绿灯延长时间δｇ。 2．模糊神经网络学习算法 模糊神经网络的目标函数为 ，式中 是模糊神经网络实际输出的单个交叉路口某一方向下一周期的绿灯延长时间， 是综合专家经验和计算机仿真得出的最佳绿灯延长时间。 四、仿真实验 本次仿真实验所采用的模糊神经网络参数如下： 显然，输入层结点数n选取12。利用广义交互验证法确定m=4。权值 随迭代而更新并且一般是收敛的，但若其初始值太大会使网络很快饱和。另外，初值对收敛速度也有影响，故选取 初始值为0。一般 ， 的初值只要不是过大，对网络整体性能的影响不大，通常可选在（-0.05,0.05），故取 为0， 为0.01。学习率 若选得太小会使网络参数修改量过小，收敛缓慢。若选得太大虽可加快学习速度，但可能导致在稳定点附近的持续振荡难以收敛。目前理论上还没有确定学习率的方法，只能通过试探来选取。经过多次试探取 ＝0.025， ＝0.0015较合适。 本次仿真实验选取北京市成府路和学院路的交叉口作为仿真实验对象来校验模糊神经网络模型。把从北京市交管局获得的2004年1月1日至2004年3月31日该路口的线圈检测数据作为校验数据。在paramics微观仿真平台中建立该路口的仿真模型。选取前10天的数据，并利用专家经验和计算机仿真得出的最佳配时方案对模糊神经网络进行训练。然后，把实测数据和由模糊神经网络实时生成的配时方案输入仿真模型进行实验。实验结果表明，采用该模糊神经网络生成的信号配时方案，仿真模型中交叉路口的平均排队长度比实际减少12％。 五、结论 交通信号控制系统是一个非线性的复杂巨系统，采用传统的数学建模方法进行优化有时效果很不理想。而模糊神经网络在优化此类系统方面有其独特的优势。本文利用模糊神经网络在线滚动生成单个交叉路口的信号配时方案。仿真实验结果表明该模型是有效的。在接下来进一步的研究中，笔者将利用模糊神经网络实现交通信号的线控和面控。 参考文献 1] 刘增良等，模糊逻辑与神经网络，北京：北京航空航天大学出版社，1996年 2] 王士同等，神经模糊系统及其应用，北京：北京航空航天大学出版社，1998年 3] 贺京同等，基于模糊神经网络的宏观经济预警研究，预测，2000年第四期 4] 张乃尧等，神经网络与模糊控制，北京：清华大学出版社，1998年 |
| 来源：清华大学现代物流研究中心 王辉球 缪立新 乐奕平 |
相关技术资料- 6-28新一代骁龙8系列旗舰芯片应用研究
- 6-28有源高通滤波器(RC4558DN)应用详解
- 6-28WTC6216触摸式按键设计应用探究
- 6-28中嵌入式存储器ASIC和SoC设计特点优势
- 6-2816V、8A Silent Switcher μModule稳压器
- 6-28集成匹配滤波芯片STM32WL33
- 6-27高效率2.5KW空调电源ICE3PCS01G
- 6-27PFC 控制与电流模式 LLC 二合一数字控制器
- 6-27电感单片降压开关模式变换器MPM3812C
- 6-27隔离式、双输入半桥栅极驱动器应用探究
- 6-27STEVAL-ROBKIT1机器人应用方案
- 6-27集成电流到电压转换和模数 (A/D) 转换
- 相关IC型号
公网安备44030402000607
