基于概率神经网络的道路拥堵判别本科毕业设计(编辑修改稿)

基于概率神经网络的道路拥堵判别本科毕业设计(编辑修改稿)内容摘要：

建立与仿真 使用神经网络工具箱的命令行方式建立 使用神经网络工具箱的命令行方式建立和训练概率神经网络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 执行结果 参数意义 n e t =n e w p nn ( P , T , S P R E A D ) 创建一个 概率 神经网络 P ： Q 组输入向量组成的 R Q 维矩阵； T ： Q 组目标分类向量组成的 S Q 维矩阵； S P R E A D ：径向基函数的扩 展速度，它的默认值为 1 ； v e c = i n d2 ve c ( i n d ) 和 i nd = v e c 2 i nd ( v e c ) 将数据索引形式和向量组形式相互转换 i nd ：数据索引列向量 v e c ：函数返回值 Y= s im ( n e t , P ) 利用样本对网络进行测试 五邑大学本科毕业设计 10 使用神经网络工具箱的图形用户界面建立 下面用概率神经网络的设计来介绍如何使用 GUI 建立神经网络系统。 在 MATLAB 的命令窗口输入命令： nntool，回车后可以进入神经网络工具箱的图形用户界面（ GUI），图形用户界面（ GUI）包括 7 个显示区域 和 2 个按钮区。 如图 31 所示： 图 31 神经网络工具箱的图形用户界面 （ 1）神经网络的建立：在上面的按钮区中点击 New Network 按钮，就会弹出 Create New Network 窗口如图 3图 33 所示： 五邑大学本科毕业设计 11 图 32 点击建立神经网络 图 33 建立新的概率神经网络 五邑大学本科毕业设计 12 在 Create New Network 窗口中输入新建的神经网络名称，选择神经网络的类型，设置输入值、目标值以及径向基函数的扩展速度，单击 View 按钮，可以查看网络结构图以便检查，如图 34 所示。 最后单击 Create 按钮， 便可初步建立起新的概率神经网络系统。 图 34 概率神经网络的网络结构图 （ 2）样本数据的输入或导入：输入数据可以单击 New Data 按钮，弹出 Create New Data窗口，如图 35 所示： 图 35 Create New Data 窗口 五邑大学本科毕业设计 13 使用导入数据的方法，数据从文件或者工作区导入，具体操作方法可以单击 Import 按钮弹出 Create New Data 窗口，如图 36 所示： 图 36 导入数据窗口 （ 3）训练神经网络：样本数据导入完毕后就可以进行神经网络的训练。 具体的操作方法是：选中准备训 练的网络，此时 Networks only 按钮区将变为可选，单击 Train 按钮，将弹出网络训练窗口，如图 37 所示： 图 37 训练网络窗口 五邑大学本科毕业设计 14 在训练网络窗口中进行选择输入变量、选择目标变量、设置训练输出、设置训练误差等步骤，最后确定步骤准确无误后可以单击 Train Network 进行训练网络。 （ 4）网络的仿真：选中准备仿真的网络，此时 Networks only 按钮区将变为可选，单击 Simulate 按钮，将会弹出神经网络的仿真窗口，如图 38 所示： 图 38 神经网络仿真窗口 在仿真窗口中选择仿真输入变 量，设置仿真输出变量名，选择是否提供目标变量 (可选 )，确认操作无误后就可以单击 Simulate Network 进行仿真。 本章小结 本章主要介绍了 MATLAB中神经网络工具箱的使用，着重阐述了用 GUI建立神经网络系统的方法与步骤，并以概率神经网络为例子展示了神经网络系统建立的过程。 五邑大学本科毕业设计 15 第 4 章 基于概率神经网络的拥堵判别设计与仿真 道路拥堵判别的系统 概率神经网络输入变量的选择 本文设计的概率神经网络的 输入层有 6 个输入，这 6 个输 入 是交通流的特性参数的变量， 分别是交通流量、占有 率和速度。 测出 同一车道同一检测点 的流量 和 占有率，检测时间间隔选为 2min. 为了检测到由于 道路拥堵 引起 交通 流量和占有率的变化，应比较 不少于两 个时刻 的变量 ，例如 t, t1 两个连续 时刻测出的流量和占有率数据。 另外，为了检测到由于 道路拥堵 引起 车辆速度的变化 ， 我们 还应该考虑车辆 行驶到该检测点的瞬时速度。 如果在 检测站测得的 前一时刻 t1的 数据与 后一时刻 t检测的数据相比较，呈现 出交通流量减少、占有率增大、瞬时速度突然下降 的变化，则说明可能有 交通拥堵的事件 发生 ，反之，则说明没有拥堵事件发生。 因此 ，本设计 将 t, t1 时 刻 分别 测得的流量 、 占有率 和速度共 6 个变量 作为 概率神经网络 的输入，即 前一时刻 流量 qt 后一时刻流量 qt, 前一时刻 占有率 Ot后一时刻占有率 Ot 以及 前一时刻速度 vt后一时刻速度 vt. 在以上 的 输入变量中，占有率数据在 [0, 1]范围 内，但流量 和速度的 数据通常 情况下都会比 较大，因此 ，在数据处理方面必须 先 对流量 和速度 进行归一化处理，使归一化后的流量 、速度均 在 [0, 1]的范围 内 ，使之符合概率神经网络的输入要求。 概率神经网络的训练数据和测试数据 道路拥堵判别 的数据来源可以是交通仿真模型的 输出数据，也可以是现场交通数据。 本文的仿真数据来源于交通管理部门 提供的 现场交通数据。 现场交通数据 可 以 通过两种 不同 途 径来 获得： 第 一 种途径 是交通管理部门的日志； 第二种 途径是 检测点 现场传感器的检测数据， 但 必须注意 的是 经传感器检测到的交通特性原始数据通常由于 外界环境的 干扰会在数值上 出现 一定的突变现象，因此必须 先行 对 检测得到的 数据进行预处理 ，使数据样本更加能够充分反映实时的道路状况。 本文的仿真数据来源于交通管理部门利用微波检测器测出的交通数据。 微波检测器，采用了先进的数字雷达波技术，它能够 实时检测交通流量、平均车速 及车道占用率等交通数据的产品。 相比于传统的人工交通调查方法，微波检测器有着明显的优越性。 因此，微波检测器被 广泛应用于高速公路、城市道路等交通检测 当中 ，能够精确的检测高速公路上的 任意 车辆 的交通 流参数 数据。 五邑大学本科毕业设计 16 经 过数据归一化处理、筛选 得到 100 组样本数据用来训练 概率神经网络 , 另外还得到20 组样本数据用来测试 概率神经网络 .。 其中， 部分 道路拥堵 和 不拥堵 时的样本数据 共 30组数据 如表 41 所示，表中前 15 组数据和后 15 组数据分别对应 着道路拥堵 和 不拥堵的情况 ，其中流量的单位为：辆 /小时 /车道 ，速度的单位为千米 /小时。 表 41 部分样本数据 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 五邑大学本科毕业设计 17 5 48 11 56 28 57 24 60 基于概率神经网络的拥堵判别系统建立 结合概率神经网络的理论知识，在选择合适的输入量、筛选出网络的训练样本数据和测试样本数据后，就可以建立起拥堵判别系统。 拥堵判别系统采用 的命令行方式建立，这种通过编写命令行的方式建立概率神经网络，对于需要用大量的样本数据进行仿真的系统来说，具有方便快捷的特点。 概率神经网络的拥堵判别仿真 道路拥堵判别 的 概率神经网络 模型采用图 22 的网络结构，输入向量 P 的维数 R=6, 第一层的神经元个数 Q=100, 第二层的神经元个数 K=2, 网络的输出 a2 分为 道路拥堵 和 道路不拥堵 两种类别。 仿真实验 是 在 1 台 CPU 为 N270, 主频 为 , 内存为 2G 的计算机上进行，使用 编写仿真程序。 采用 的 100 组样本数据 以及运 用 节 训练方法对 概率神经网络 模型进行训练，训练速度很快，训练时间为 秒。 当 神经网络的 训练结束后，再用未训练的另外 20 组样本 测试 数据对 训练后的 概率神经网络 的输出 判别结果 进行验证，仿真 结果 这 20 组测试样本数据的分类结果完全正确，测试准确率为 100％ , 误差率为 0，表明所建立的 概率 神经网络 道路拥堵判别 模型正确描述了输入、输出 之间 的映射规律， 对概率神经网络的道路拥堵判别模型的建立 是成功 而具有重大意义的。 MATLAB 程序 及仿真结果 MATLAB 程序 clear。 tic。 P= [ 五邑大学本科毕业设计 18 五邑大学本科毕业设计 19。