日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

    一、引言
 
    交通信號控制系統是一個非線性的復雜巨系統。因此，像SCOOT和SCAT系統那樣以精確的數學模型或預設方案為基礎進行交通信號控制有時效果不盡如人意。而交通信號控制又直接影響著整個交通系統的運行。所以國內外學者都紛紛采用各種方法來優化交通信號控制方案。本文提出一種將模糊控制與人工神經網絡相結合的自組織學習方法對單個交叉路口的交通信號進行實時控制。
 
    模糊控制的特長在于能夠充分利用學科領域的知識，能以一定的規則數來表達知識具有邏輯推理能力，在技能處理上比較擅長。模糊技術不僅能處理精確信息，也能處理模糊信息或其它不明確信息，能實現精確性聯想及映射。其缺點是完全依賴專家制定的大量控制規則，不具備學習功能。人工神經網絡具有非線性描述、大規模并行分布處理能力及高度魯棒性和學習與聯想等特點，適用于非線性時變大系統的模擬與在線控制。它在認知處理、模式識別方面有很強的優勢。主要缺點是結構難以確定，訓練樣本要求多且準確，訓練周期長，而且不能提供一個明確的用于網絡知識表達的框架。
 
    模糊神經網絡是為發揮各自的優勢把人工神經網絡和模糊控制進行有機結合。利用人工神經網絡技術來進行模糊信息處理，可使得模糊規則的自動提取及模糊隸屬函數的自動生成成為可能。從而，克服神經網絡結構難以確定以及模糊控制無自學習能力的缺點，使模糊系統成為一種自適應的模糊系統。
 
    二、模糊控制策略
 
    模糊控制策略是模糊控制的核心。本文結合專家經驗和計算機仿真，對單個交叉路口采用如下模糊控制策略。
 
    對單個交叉路口而言，當交通需求較小時，信號周期應短些。但一般不能少于P×15秒（P為相位數）以免某一方向的綠燈時間小于15秒使車輛來不及通過路口影響交通安全。當交通需求較大時，信號周期應長些。但一般不能超過120秒，否則某一方向的紅燈時間將超過60秒，駕駛員心理上不能忍受。當交通需求很小時，一般按最小周期運行；當交通需求很大時，只能按最大周期控制。此時，車輛堵塞現象已不可避免。根據專家經驗和計算機仿真，單個交叉路口的模糊控制算法可描述為：

     ①步驟1 從相位ｉ開始，分別指定各相位的最大綠燈時間 ；

     ②步驟2 先給該相位以最短綠燈時間， ＝ΔＧ＝15秒；

     ③步驟3 在ΔＧ內測得放行車道上的交通需求，設其為 ；

     ④步驟4 若 小于某一給定的值ｒ或累積綠燈時間 ，則將綠燈轉到下一相位，回到步驟2，否則繼續；

     ⑤步驟５　根據 值的大小來確定綠燈延長時間ΔG，若 小，則少量延長綠燈時間，若 大，則大量延長綠燈時間。由此建立模糊控制規則。設延長的綠燈時間為ΔG，若 ，則 ；否則該相位的綠燈時間為 ，回到步驟3。

     算法中的交通需求用交叉口停止線前的排隊長度即停止線前相隔一定距離（通常為80至100ｍ）的兩檢測器之間的車輛數來表示。然后，用下述方法建立模糊控制規則。將測得的隊長l可看作模糊變量 ，其論域為：Ｌ＝｛1，3，5，7，9，11，13，15，17，19，21｝，取7個語言值： （很長）， （長）， （較長）， （中等）， （較短）， （短）， （很短）。綠燈追加時間ΔＧ同樣看作模糊變量 ，其論域為：G＝｛3，7，11，15，19，23，27，31，35｝，取7個語言值： （很多）， （多）， （較多）， （適中）， （較少）， （少）， （很少）。根據專家的控制經驗一般可總結出下列７條控制規則，若 ，則 ，i=1,…,7。根據模糊理論可知，一個完整語言控制策略是由很多不同的語言控制策略所組成的。由7條語言控制策略可組成單輸入單輸出語言控制策略，每條控制策略可用模糊關系矩陣表示。
 
    三、模糊神經網絡
 
    1．模糊神經網絡結構

    本文的模糊神經網絡分為四層，用 、 表示第 （ =1，2，3，4）層第 個結點的輸入輸出。

     ①輸入層：n個結點，輸入式為 ，表示單個交叉路口各個方向的排隊長度；輸出式為 ， 。

     ②模糊化層：mn個結點分為n組，輸入輸出為 ， ， 。其中 是模糊化層成員函數， ， 分別為Gaussian函數 的中心和寬度。
 
    ③去模糊化層：m個結點，每個結點輸入輸出為 ， ，j=1，2，…，m；i=1，2，…，n。
 
    ④輸出層：1個結點，輸入輸出式為 ，其中 表示第三層第j個結點到輸出層結點的耦合權值， 是單個交叉路口某一方向下一周期的綠燈延長時間ΔＧ。

    2．模糊神經網絡學習算法

    模糊神經網絡的目標函數為 ，式中 是模糊神經網絡實際輸出的單個交叉路口某一方向下一周期的綠燈延長時間， 是綜合專家經驗和計算機仿真得出的最佳綠燈延長時間。 
 
    四、仿真實驗
 
    本次仿真實驗所采用的模糊神經網絡參數如下：
  
    顯然，輸入層結點數n選取12。利用廣義交互驗證法確定m=4。權值 隨迭代而更新并且一般是收斂的，但若其初始值太大會使網絡很快飽和。另外，初值對收斂速度也有影響，故選取 初始值為0。一般 ， 的初值只要不是過大，對網絡整體性能的影響不大，通常可選在（-0.05,0.05），故取 為0， 為0.01。學習率 若選得太小會使網絡參數修改量過小，收斂緩慢。若選得太大雖可加快學習速度，但可能導致在穩定點附近的持續振蕩難以收斂。目前理論上還沒有確定學習率的方法，只能通過試探來選取。經過多次試探取 ＝0.025， ＝0.0015較合適。
 
    本次仿真實驗選取北京市成府路和學院路的交叉口作為仿真實驗對象來校驗模糊神經網絡模型。把從北京市交管局獲得的2004年1月1日至2004年3月31日該路口的線圈檢測數據作為校驗數據。在Paramics微觀仿真平臺中建立該路口的仿真模型。選取前10天的數據，并利用專家經驗和計算機仿真得出的最佳配時方案對模糊神經網絡進行訓練。然后，把實測數據和由模糊神經網絡實時生成的配時方案輸入仿真模型進行實驗。實驗結果表明，采用該模糊神經網絡生成的信號配時方案，仿真模型中交叉路口的平均排隊長度比實際減少12％。
 
    五、結論
 
    交通信號控制系統是一個非線性的復雜巨系統，采用傳統的數學建模方法進行優化有時效果很不理想。而模糊神經網絡在優化此類系統方面有其獨特的優勢。本文利用模糊神經網絡在線滾動生成單個交叉路口的信號配時方案。仿真實驗結果表明該模型是有效的。在接下來進一步的研究中，筆者將利用模糊神經網絡實現交通信號的線控和面控。