原鑫鑫+葉帥

摘 要：本文提出一種新的BP和RBF混合神經(jīng)網(wǎng)絡(luò)算法，并將其應(yīng)用在智能交通誘導(dǎo)系統(tǒng)的研究。此研究既解決了現(xiàn)存交通信息孤島問(wèn)題，又實(shí)現(xiàn)了交通動(dòng)態(tài)誘導(dǎo)的功能，提高了路網(wǎng)通行能力，具有重要的理論意義和現(xiàn)實(shí)意義。

關(guān)鍵詞：混合神經(jīng)網(wǎng)絡(luò)；交通動(dòng)態(tài)誘導(dǎo)；路網(wǎng)通行能力

中圖分類號(hào) ： TP3 文獻(xiàn)標(biāo)識(shí)碼 ： A

1 引言

隨著經(jīng)濟(jì)的快速發(fā)展，交通擁擠、擁堵等城市交通問(wèn)題日益嚴(yán)重地困擾著世界各大中城市。公眾出行的多樣性和隨機(jī)性導(dǎo)致交通信息的隨時(shí)更新和掌握成為必要，研究開(kāi)發(fā)動(dòng)態(tài)智能交通誘導(dǎo)系統(tǒng)，可以有效實(shí)現(xiàn)路網(wǎng)交通流的有效分配。本文提出一種BP和RBF混合神經(jīng)網(wǎng)絡(luò)算法，并將其應(yīng)用在智能交通誘導(dǎo)系統(tǒng)的研究。

2 智能交通的數(shù)據(jù)融合系統(tǒng)

模糊理論和神經(jīng)網(wǎng)絡(luò)都是基于人類處理各種復(fù)雜問(wèn)題時(shí)所使用的解決方法進(jìn)行總結(jié)，對(duì)遇到的問(wèn)題進(jìn)行抽象建模，得到智能解決問(wèn)題的辦法。使用模糊推理系統(tǒng)可以處理不確定的信息，但沒(méi)有學(xué)習(xí)能力。神經(jīng)網(wǎng)絡(luò)可以并行處理，自學(xué)能力強(qiáng)，但知識(shí)解釋較難。

2.1 智能交通數(shù)據(jù)融合系統(tǒng)的信息層實(shí)現(xiàn)

尋找兩個(gè)交叉路口的綠信比和最佳信號(hào)周期可以對(duì)單個(gè)交叉口的進(jìn)行良好的控制。若車輛很少，可以將信號(hào)周期設(shè)置的盡可能的短，同時(shí)為了保證路口等待的車輛來(lái)的及通過(guò)，一般設(shè)置的信號(hào)周期不能小于30s。交通流量較大時(shí)，考慮到行人和司機(jī)的心理承受能力，一般最大周期時(shí)間必須限制在120s左右。

故在一個(gè)交叉路口的紅綠燈設(shè)置可以按照如下規(guī)律：

（1）給予一個(gè)方向的最短綠燈時(shí)間（如15s，可保證該路口的最短周期不小于30s）。

（2）綠燈時(shí)間結(jié)束后，根據(jù)檢測(cè)器檢測(cè)到的等待車輛數(shù)適當(dāng)?shù)目刂凭G燈時(shí)間。

（3）增加的綠燈時(shí)間結(jié)束后，再檢測(cè)重復(fù)第（2）步，但不能超過(guò)最大的綠燈時(shí)間（即120/2s）。

2.2 智能交通數(shù)據(jù)融合系統(tǒng)的特征層實(shí)現(xiàn)

應(yīng)用神經(jīng)網(wǎng)絡(luò)自學(xué)能力強(qiáng)的特點(diǎn)構(gòu)建數(shù)據(jù)融合系統(tǒng)，對(duì)收集到的樣本數(shù)據(jù)進(jìn)行分析處理并加以學(xué)習(xí)，總結(jié)規(guī)律，得到一個(gè)通用的對(duì)不同數(shù)據(jù)都能進(jìn)行總結(jié)的人工神經(jīng)網(wǎng)絡(luò)，并將分析得到的結(jié)果歸納出來(lái)。

BP和RBF混合神經(jīng)網(wǎng)絡(luò)精確度提高，可以多次迭代，且有較好的收斂穩(wěn)定性。下面介紹BP和RBF混合神經(jīng)網(wǎng)絡(luò)的原理。

使用RBF神經(jīng)網(wǎng)絡(luò)，可以解決局部最小值的問(wèn)題，并可以線性逼近，性能良好，是一種優(yōu)質(zhì)前向網(wǎng)絡(luò)。結(jié)合BP和RBF神經(jīng)網(wǎng)絡(luò)中的不同特點(diǎn)，根據(jù)徑向基函數(shù)的網(wǎng)絡(luò)結(jié)構(gòu)，提出BP和RBF混合神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。該拓?fù)浣Y(jié)構(gòu)分為三層網(wǎng)絡(luò)：分別為輸入層、隱含層和輸出層。輸入層只對(duì)接收到的信息進(jìn)行傳遞，不做任何運(yùn)算；隱含層對(duì)輸入層傳遞的信息進(jìn)行處理，根據(jù)不同的信息視需要而定，使用高斯函數(shù)進(jìn)行映射變換；輸出層與輸入模式呼應(yīng)，將隱含層變換的結(jié)果進(jìn)行加權(quán)后輸出，是線性變化，輸出層的結(jié)果作為整個(gè)人工神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果。

2.3 智能交通數(shù)據(jù)融合系統(tǒng)的決策層實(shí)現(xiàn)

智能交通數(shù)據(jù)融合系統(tǒng)的決策層是將特征層所傳遞過(guò)來(lái)的交通流量大小、最佳信號(hào)周期等信息進(jìn)行融合，分析交叉路口特點(diǎn)，能夠根據(jù)系統(tǒng)自動(dòng)得到合理、精確的決策輸出。根據(jù)得到的結(jié)果下發(fā)不同的控制策略，由于有些結(jié)果是模糊的，所以需要用模糊推理技術(shù)將具有模糊性的值轉(zhuǎn)化為確定值，較好地協(xié)調(diào)控制策略中路口的綠燈時(shí)間和其他因素的關(guān)系，對(duì)交通控制決策進(jìn)行很好的指導(dǎo)執(zhí)行。模糊推理技術(shù)實(shí)現(xiàn)步驟如下：

（1）輸入、輸出量的模糊化

用模糊子集表示觀測(cè)值，即將每個(gè)路口等待的車輛數(shù)表示成語(yǔ)言值，如非常少、少、比較少等。將這些語(yǔ)言值表示成模糊子集A1、A2、...An。

（2）模糊邏輯推理

總結(jié)前人的交通控制系統(tǒng)的經(jīng)驗(yàn)，根據(jù)交通控制的特點(diǎn)，對(duì)檢測(cè)器檢測(cè)到的實(shí)時(shí)數(shù)據(jù)進(jìn)行邏輯推理，確定對(duì)應(yīng)的控制方法。

（3）模糊判別

輸入一個(gè)模糊子集，即某個(gè)特定的車隊(duì)長(zhǎng)度，根據(jù)模糊邏輯推理，可以得到一個(gè)模糊控制策略。使用隸屬度函數(shù)將此模糊的控制策略結(jié)果轉(zhuǎn)化為清晰值。這以從模糊到清晰的轉(zhuǎn)換過(guò)程稱為反模糊化。用一個(gè)確定清晰的值作為智能交通數(shù)據(jù)融合系統(tǒng)中模糊判別的控制策略代表。

3 仿真研究

利用BP和RBF混合神經(jīng)網(wǎng)絡(luò)算法設(shè)計(jì)智能交通數(shù)據(jù)融合系統(tǒng)編寫(xiě)了仿真程序。利用該仿真程序?qū)徊媛房诘母鞣N不同車流大小進(jìn)行模擬控制，通過(guò)信息層、特征層和決策層對(duì)數(shù)據(jù)進(jìn)行處理仿真。

假設(shè)路口的兩個(gè)交叉方向的最大通過(guò)能力為0.3輛/s，每個(gè)方向兩對(duì)向車流中等待車輛數(shù)較多的一方為檢測(cè)到的等待車輛數(shù)。故車輛到達(dá)率分別取0.0-0.3輛/s、0.0-0.2輛/s、0.0-0.1輛/s，依次減少。仿真結(jié)果表1表明，控制結(jié)果迅速、合理，與期望值基本吻合，非常類似于人的決策過(guò)程。

結(jié)語(yǔ)

本文以神經(jīng)網(wǎng)絡(luò)和模糊推理技術(shù)為基礎(chǔ)，分析了智能交通系統(tǒng)中的流量、信息層信息融合方法、特征層處理方法和決策層決策方法，為交通控制技術(shù)提供了充分的理論基礎(chǔ)，具有重要的現(xiàn)實(shí)意義。

參考文獻(xiàn)

[1] 鄭景潤(rùn). 智能環(huán)境下基于音頻視頻信息融合的多說(shuō)話人跟蹤[D]. 蘭州大學(xué). 2011：10-12.

[2] 周潤(rùn)景， 張麗娜. 基于MATLAB與fuzzy TECH的模糊與神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)[M]. 北京： 電子工業(yè)出版社， 2010， 1～211.

[3] 潘崢嶸， 王群. 基于模糊神經(jīng)網(wǎng)絡(luò)的COD軟測(cè)量技術(shù)的研究 [J]. 計(jì)算機(jī)測(cè)量與控制， 2011， 19（7）： 1572-1574.endprint

摘 要：本文提出一種新的BP和RBF混合神經(jīng)網(wǎng)絡(luò)算法，并將其應(yīng)用在智能交通誘導(dǎo)系統(tǒng)的研究。此研究既解決了現(xiàn)存交通信息孤島問(wèn)題，又實(shí)現(xiàn)了交通動(dòng)態(tài)誘導(dǎo)的功能，提高了路網(wǎng)通行能力，具有重要的理論意義和現(xiàn)實(shí)意義。

關(guān)鍵詞：混合神經(jīng)網(wǎng)絡(luò)；交通動(dòng)態(tài)誘導(dǎo)；路網(wǎng)通行能力

中圖分類號(hào) ： TP3 文獻(xiàn)標(biāo)識(shí)碼 ： A

1 引言

隨著經(jīng)濟(jì)的快速發(fā)展，交通擁擠、擁堵等城市交通問(wèn)題日益嚴(yán)重地困擾著世界各大中城市。公眾出行的多樣性和隨機(jī)性導(dǎo)致交通信息的隨時(shí)更新和掌握成為必要，研究開(kāi)發(fā)動(dòng)態(tài)智能交通誘導(dǎo)系統(tǒng)，可以有效實(shí)現(xiàn)路網(wǎng)交通流的有效分配。本文提出一種BP和RBF混合神經(jīng)網(wǎng)絡(luò)算法，并將其應(yīng)用在智能交通誘導(dǎo)系統(tǒng)的研究。

2 智能交通的數(shù)據(jù)融合系統(tǒng)

模糊理論和神經(jīng)網(wǎng)絡(luò)都是基于人類處理各種復(fù)雜問(wèn)題時(shí)所使用的解決方法進(jìn)行總結(jié)，對(duì)遇到的問(wèn)題進(jìn)行抽象建模，得到智能解決問(wèn)題的辦法。使用模糊推理系統(tǒng)可以處理不確定的信息，但沒(méi)有學(xué)習(xí)能力。神經(jīng)網(wǎng)絡(luò)可以并行處理，自學(xué)能力強(qiáng)，但知識(shí)解釋較難。

2.1 智能交通數(shù)據(jù)融合系統(tǒng)的信息層實(shí)現(xiàn)

尋找兩個(gè)交叉路口的綠信比和最佳信號(hào)周期可以對(duì)單個(gè)交叉口的進(jìn)行良好的控制。若車輛很少，可以將信號(hào)周期設(shè)置的盡可能的短，同時(shí)為了保證路口等待的車輛來(lái)的及通過(guò)，一般設(shè)置的信號(hào)周期不能小于30s。交通流量較大時(shí)，考慮到行人和司機(jī)的心理承受能力，一般最大周期時(shí)間必須限制在120s左右。

故在一個(gè)交叉路口的紅綠燈設(shè)置可以按照如下規(guī)律：

（1）給予一個(gè)方向的最短綠燈時(shí)間（如15s，可保證該路口的最短周期不小于30s）。

（2）綠燈時(shí)間結(jié)束后，根據(jù)檢測(cè)器檢測(cè)到的等待車輛數(shù)適當(dāng)?shù)目刂凭G燈時(shí)間。

（3）增加的綠燈時(shí)間結(jié)束后，再檢測(cè)重復(fù)第（2）步，但不能超過(guò)最大的綠燈時(shí)間（即120/2s）。

2.2 智能交通數(shù)據(jù)融合系統(tǒng)的特征層實(shí)現(xiàn)

應(yīng)用神經(jīng)網(wǎng)絡(luò)自學(xué)能力強(qiáng)的特點(diǎn)構(gòu)建數(shù)據(jù)融合系統(tǒng)，對(duì)收集到的樣本數(shù)據(jù)進(jìn)行分析處理并加以學(xué)習(xí)，總結(jié)規(guī)律，得到一個(gè)通用的對(duì)不同數(shù)據(jù)都能進(jìn)行總結(jié)的人工神經(jīng)網(wǎng)絡(luò)，并將分析得到的結(jié)果歸納出來(lái)。

BP和RBF混合神經(jīng)網(wǎng)絡(luò)精確度提高，可以多次迭代，且有較好的收斂穩(wěn)定性。下面介紹BP和RBF混合神經(jīng)網(wǎng)絡(luò)的原理。

使用RBF神經(jīng)網(wǎng)絡(luò)，可以解決局部最小值的問(wèn)題，并可以線性逼近，性能良好，是一種優(yōu)質(zhì)前向網(wǎng)絡(luò)。結(jié)合BP和RBF神經(jīng)網(wǎng)絡(luò)中的不同特點(diǎn)，根據(jù)徑向基函數(shù)的網(wǎng)絡(luò)結(jié)構(gòu)，提出BP和RBF混合神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。該拓?fù)浣Y(jié)構(gòu)分為三層網(wǎng)絡(luò)：分別為輸入層、隱含層和輸出層。輸入層只對(duì)接收到的信息進(jìn)行傳遞，不做任何運(yùn)算；隱含層對(duì)輸入層傳遞的信息進(jìn)行處理，根據(jù)不同的信息視需要而定，使用高斯函數(shù)進(jìn)行映射變換；輸出層與輸入模式呼應(yīng)，將隱含層變換的結(jié)果進(jìn)行加權(quán)后輸出，是線性變化，輸出層的結(jié)果作為整個(gè)人工神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果。

2.3 智能交通數(shù)據(jù)融合系統(tǒng)的決策層實(shí)現(xiàn)

智能交通數(shù)據(jù)融合系統(tǒng)的決策層是將特征層所傳遞過(guò)來(lái)的交通流量大小、最佳信號(hào)周期等信息進(jìn)行融合，分析交叉路口特點(diǎn)，能夠根據(jù)系統(tǒng)自動(dòng)得到合理、精確的決策輸出。根據(jù)得到的結(jié)果下發(fā)不同的控制策略，由于有些結(jié)果是模糊的，所以需要用模糊推理技術(shù)將具有模糊性的值轉(zhuǎn)化為確定值，較好地協(xié)調(diào)控制策略中路口的綠燈時(shí)間和其他因素的關(guān)系，對(duì)交通控制決策進(jìn)行很好的指導(dǎo)執(zhí)行。模糊推理技術(shù)實(shí)現(xiàn)步驟如下：

（1）輸入、輸出量的模糊化

用模糊子集表示觀測(cè)值，即將每個(gè)路口等待的車輛數(shù)表示成語(yǔ)言值，如非常少、少、比較少等。將這些語(yǔ)言值表示成模糊子集A1、A2、...An。

（2）模糊邏輯推理

總結(jié)前人的交通控制系統(tǒng)的經(jīng)驗(yàn)，根據(jù)交通控制的特點(diǎn)，對(duì)檢測(cè)器檢測(cè)到的實(shí)時(shí)數(shù)據(jù)進(jìn)行邏輯推理，確定對(duì)應(yīng)的控制方法。

（3）模糊判別

輸入一個(gè)模糊子集，即某個(gè)特定的車隊(duì)長(zhǎng)度，根據(jù)模糊邏輯推理，可以得到一個(gè)模糊控制策略。使用隸屬度函數(shù)將此模糊的控制策略結(jié)果轉(zhuǎn)化為清晰值。這以從模糊到清晰的轉(zhuǎn)換過(guò)程稱為反模糊化。用一個(gè)確定清晰的值作為智能交通數(shù)據(jù)融合系統(tǒng)中模糊判別的控制策略代表。

3 仿真研究

利用BP和RBF混合神經(jīng)網(wǎng)絡(luò)算法設(shè)計(jì)智能交通數(shù)據(jù)融合系統(tǒng)編寫(xiě)了仿真程序。利用該仿真程序?qū)徊媛房诘母鞣N不同車流大小進(jìn)行模擬控制，通過(guò)信息層、特征層和決策層對(duì)數(shù)據(jù)進(jìn)行處理仿真。

假設(shè)路口的兩個(gè)交叉方向的最大通過(guò)能力為0.3輛/s，每個(gè)方向兩對(duì)向車流中等待車輛數(shù)較多的一方為檢測(cè)到的等待車輛數(shù)。故車輛到達(dá)率分別取0.0-0.3輛/s、0.0-0.2輛/s、0.0-0.1輛/s，依次減少。仿真結(jié)果表1表明，控制結(jié)果迅速、合理，與期望值基本吻合，非常類似于人的決策過(guò)程。

結(jié)語(yǔ)

本文以神經(jīng)網(wǎng)絡(luò)和模糊推理技術(shù)為基礎(chǔ)，分析了智能交通系統(tǒng)中的流量、信息層信息融合方法、特征層處理方法和決策層決策方法，為交通控制技術(shù)提供了充分的理論基礎(chǔ)，具有重要的現(xiàn)實(shí)意義。

參考文獻(xiàn)

[1] 鄭景潤(rùn). 智能環(huán)境下基于音頻視頻信息融合的多說(shuō)話人跟蹤[D]. 蘭州大學(xué). 2011：10-12.

[2] 周潤(rùn)景， 張麗娜. 基于MATLAB與fuzzy TECH的模糊與神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)[M]. 北京： 電子工業(yè)出版社， 2010， 1～211.

[3] 潘崢嶸， 王群. 基于模糊神經(jīng)網(wǎng)絡(luò)的COD軟測(cè)量技術(shù)的研究 [J]. 計(jì)算機(jī)測(cè)量與控制， 2011， 19（7）： 1572-1574.endprint

摘 要：本文提出一種新的BP和RBF混合神經(jīng)網(wǎng)絡(luò)算法，并將其應(yīng)用在智能交通誘導(dǎo)系統(tǒng)的研究。此研究既解決了現(xiàn)存交通信息孤島問(wèn)題，又實(shí)現(xiàn)了交通動(dòng)態(tài)誘導(dǎo)的功能，提高了路網(wǎng)通行能力，具有重要的理論意義和現(xiàn)實(shí)意義。

關(guān)鍵詞：混合神經(jīng)網(wǎng)絡(luò)；交通動(dòng)態(tài)誘導(dǎo)；路網(wǎng)通行能力

中圖分類號(hào) ： TP3 文獻(xiàn)標(biāo)識(shí)碼 ： A

1 引言

隨著經(jīng)濟(jì)的快速發(fā)展，交通擁擠、擁堵等城市交通問(wèn)題日益嚴(yán)重地困擾著世界各大中城市。公眾出行的多樣性和隨機(jī)性導(dǎo)致交通信息的隨時(shí)更新和掌握成為必要，研究開(kāi)發(fā)動(dòng)態(tài)智能交通誘導(dǎo)系統(tǒng)，可以有效實(shí)現(xiàn)路網(wǎng)交通流的有效分配。本文提出一種BP和RBF混合神經(jīng)網(wǎng)絡(luò)算法，并將其應(yīng)用在智能交通誘導(dǎo)系統(tǒng)的研究。

2 智能交通的數(shù)據(jù)融合系統(tǒng)

模糊理論和神經(jīng)網(wǎng)絡(luò)都是基于人類處理各種復(fù)雜問(wèn)題時(shí)所使用的解決方法進(jìn)行總結(jié)，對(duì)遇到的問(wèn)題進(jìn)行抽象建模，得到智能解決問(wèn)題的辦法。使用模糊推理系統(tǒng)可以處理不確定的信息，但沒(méi)有學(xué)習(xí)能力。神經(jīng)網(wǎng)絡(luò)可以并行處理，自學(xué)能力強(qiáng)，但知識(shí)解釋較難。

2.1 智能交通數(shù)據(jù)融合系統(tǒng)的信息層實(shí)現(xiàn)

尋找兩個(gè)交叉路口的綠信比和最佳信號(hào)周期可以對(duì)單個(gè)交叉口的進(jìn)行良好的控制。若車輛很少，可以將信號(hào)周期設(shè)置的盡可能的短，同時(shí)為了保證路口等待的車輛來(lái)的及通過(guò)，一般設(shè)置的信號(hào)周期不能小于30s。交通流量較大時(shí)，考慮到行人和司機(jī)的心理承受能力，一般最大周期時(shí)間必須限制在120s左右。

故在一個(gè)交叉路口的紅綠燈設(shè)置可以按照如下規(guī)律：

（1）給予一個(gè)方向的最短綠燈時(shí)間（如15s，可保證該路口的最短周期不小于30s）。

（2）綠燈時(shí)間結(jié)束后，根據(jù)檢測(cè)器檢測(cè)到的等待車輛數(shù)適當(dāng)?shù)目刂凭G燈時(shí)間。

（3）增加的綠燈時(shí)間結(jié)束后，再檢測(cè)重復(fù)第（2）步，但不能超過(guò)最大的綠燈時(shí)間（即120/2s）。

2.2 智能交通數(shù)據(jù)融合系統(tǒng)的特征層實(shí)現(xiàn)

應(yīng)用神經(jīng)網(wǎng)絡(luò)自學(xué)能力強(qiáng)的特點(diǎn)構(gòu)建數(shù)據(jù)融合系統(tǒng)，對(duì)收集到的樣本數(shù)據(jù)進(jìn)行分析處理并加以學(xué)習(xí)，總結(jié)規(guī)律，得到一個(gè)通用的對(duì)不同數(shù)據(jù)都能進(jìn)行總結(jié)的人工神經(jīng)網(wǎng)絡(luò)，并將分析得到的結(jié)果歸納出來(lái)。

BP和RBF混合神經(jīng)網(wǎng)絡(luò)精確度提高，可以多次迭代，且有較好的收斂穩(wěn)定性。下面介紹BP和RBF混合神經(jīng)網(wǎng)絡(luò)的原理。

使用RBF神經(jīng)網(wǎng)絡(luò)，可以解決局部最小值的問(wèn)題，并可以線性逼近，性能良好，是一種優(yōu)質(zhì)前向網(wǎng)絡(luò)。結(jié)合BP和RBF神經(jīng)網(wǎng)絡(luò)中的不同特點(diǎn)，根據(jù)徑向基函數(shù)的網(wǎng)絡(luò)結(jié)構(gòu)，提出BP和RBF混合神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。該拓?fù)浣Y(jié)構(gòu)分為三層網(wǎng)絡(luò)：分別為輸入層、隱含層和輸出層。輸入層只對(duì)接收到的信息進(jìn)行傳遞，不做任何運(yùn)算；隱含層對(duì)輸入層傳遞的信息進(jìn)行處理，根據(jù)不同的信息視需要而定，使用高斯函數(shù)進(jìn)行映射變換；輸出層與輸入模式呼應(yīng)，將隱含層變換的結(jié)果進(jìn)行加權(quán)后輸出，是線性變化，輸出層的結(jié)果作為整個(gè)人工神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果。

2.3 智能交通數(shù)據(jù)融合系統(tǒng)的決策層實(shí)現(xiàn)

智能交通數(shù)據(jù)融合系統(tǒng)的決策層是將特征層所傳遞過(guò)來(lái)的交通流量大小、最佳信號(hào)周期等信息進(jìn)行融合，分析交叉路口特點(diǎn)，能夠根據(jù)系統(tǒng)自動(dòng)得到合理、精確的決策輸出。根據(jù)得到的結(jié)果下發(fā)不同的控制策略，由于有些結(jié)果是模糊的，所以需要用模糊推理技術(shù)將具有模糊性的值轉(zhuǎn)化為確定值，較好地協(xié)調(diào)控制策略中路口的綠燈時(shí)間和其他因素的關(guān)系，對(duì)交通控制決策進(jìn)行很好的指導(dǎo)執(zhí)行。模糊推理技術(shù)實(shí)現(xiàn)步驟如下：

（1）輸入、輸出量的模糊化

用模糊子集表示觀測(cè)值，即將每個(gè)路口等待的車輛數(shù)表示成語(yǔ)言值，如非常少、少、比較少等。將這些語(yǔ)言值表示成模糊子集A1、A2、...An。

（2）模糊邏輯推理

總結(jié)前人的交通控制系統(tǒng)的經(jīng)驗(yàn)，根據(jù)交通控制的特點(diǎn)，對(duì)檢測(cè)器檢測(cè)到的實(shí)時(shí)數(shù)據(jù)進(jìn)行邏輯推理，確定對(duì)應(yīng)的控制方法。

（3）模糊判別

輸入一個(gè)模糊子集，即某個(gè)特定的車隊(duì)長(zhǎng)度，根據(jù)模糊邏輯推理，可以得到一個(gè)模糊控制策略。使用隸屬度函數(shù)將此模糊的控制策略結(jié)果轉(zhuǎn)化為清晰值。這以從模糊到清晰的轉(zhuǎn)換過(guò)程稱為反模糊化。用一個(gè)確定清晰的值作為智能交通數(shù)據(jù)融合系統(tǒng)中模糊判別的控制策略代表。

3 仿真研究

利用BP和RBF混合神經(jīng)網(wǎng)絡(luò)算法設(shè)計(jì)智能交通數(shù)據(jù)融合系統(tǒng)編寫(xiě)了仿真程序。利用該仿真程序?qū)徊媛房诘母鞣N不同車流大小進(jìn)行模擬控制，通過(guò)信息層、特征層和決策層對(duì)數(shù)據(jù)進(jìn)行處理仿真。

假設(shè)路口的兩個(gè)交叉方向的最大通過(guò)能力為0.3輛/s，每個(gè)方向兩對(duì)向車流中等待車輛數(shù)較多的一方為檢測(cè)到的等待車輛數(shù)。故車輛到達(dá)率分別取0.0-0.3輛/s、0.0-0.2輛/s、0.0-0.1輛/s，依次減少。仿真結(jié)果表1表明，控制結(jié)果迅速、合理，與期望值基本吻合，非常類似于人的決策過(guò)程。

結(jié)語(yǔ)

本文以神經(jīng)網(wǎng)絡(luò)和模糊推理技術(shù)為基礎(chǔ)，分析了智能交通系統(tǒng)中的流量、信息層信息融合方法、特征層處理方法和決策層決策方法，為交通控制技術(shù)提供了充分的理論基礎(chǔ)，具有重要的現(xiàn)實(shí)意義。

參考文獻(xiàn)

[1] 鄭景潤(rùn). 智能環(huán)境下基于音頻視頻信息融合的多說(shuō)話人跟蹤[D]. 蘭州大學(xué). 2011：10-12.

[2] 周潤(rùn)景， 張麗娜. 基于MATLAB與fuzzy TECH的模糊與神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)[M]. 北京： 電子工業(yè)出版社， 2010， 1～211.

[3] 潘崢嶸， 王群. 基于模糊神經(jīng)網(wǎng)絡(luò)的COD軟測(cè)量技術(shù)的研究 [J]. 計(jì)算機(jī)測(cè)量與控制， 2011， 19（7）： 1572-1574.endprint