自组织式交通信号协调控制模型

传统的交通信号协调控制,同一子区的交叉口集中优化,获取基于共同周期的协调控制方案;这种模式下子区相对固定,方案切换困难,对于交通问题反应慢;该研究将网络优化分解到相互叠加的基本协调单元之间的互动优化,通过基本协调单元的相互耦合完成整个路网的优化;建立了交通信号控制交叉口之间的预测模型与互动模型,交叉口之间既考虑自身的效益,又考虑下游交叉口效益,实现整个路网的自组织协调,不需要强制的共同周期与相位差,反应更加迅速。通过多场景实验,该自组织模型能够降低路网的整体延误8%～12.3%,包括过饱和情况。     

基于Q学习的单路口交通信号协调控制

Q学习通过与外部环境的交互来进行单路口的交通信号自适应控制。在城市交通愈加拥堵的时代背景下,为了缓解交通拥堵,提出一种结合SCOOT系统对绿信比优化方法的Q学习算法。本文将SCOOT系统中对绿信比优化的方法与Q学习相结合,即通过结合车均延误率以及停车次数等时间因素以及经济因素2方面,建立新的数学模型来作为本算法的成本函数并建立一种连续的奖惩函数,在此基础上详细介绍Q学习算法在单路口上的运行过程并且通过与Webster延误率和基于最小车均延误率的Q学习进行横向对比,验证了此算法优于定时控制以及基于车均延误的Q学习算法。相对于这2种算法,本文提出的算法更加适合单路口的绿信比优化。     

基于SFSTFC的单路口交通信号控制

针对城市单路口的交通信号控制问题,提出了一种基于比例因子自调整模糊控制器的控制方法.首先分析了比例因子对模糊控制系统性能的影响;然后,根据当前路口交通流红灯相位的损失指数和绿灯相位的增益指数,给出了比例因子自调整模糊算法,可依据路口动态车流信息在线调整比例因子;最后,基于提出的比例因子自调整模糊控制器,给出了一种单路口交通信号控制策略.仿真结果表明,相对于定时控制,以及普通模糊控制,比例因子自调整方法能够有效地降低路口平均车辆延误,提高了交通信号控制系统的控制精度.     

平面交叉路口的神经网络自学习控制方案

针对城市道路平面交叉路口的交通信号控制,构造了一种具有实时学习功能的神经网络智能信号控制方案．方案中的信号控制器由底层的两个神经网络和顶层的评价准则组成．两个神经网络总是交替处于学习和工作状态,评价准则则根据路口的车流情况确定是否需要对神经网络进行训练．仿真实验结果表明,该控制方案能很好地适应路口的实际交通状况,从而达到有效提高路口通行能力的目的．     

结合Q学习和模糊逻辑的单路口交通信号自学习控制方法*

针对城市交通系统的动态性和不确定性,提出了基于强化学习的信号交叉口智能控制系统结构,对单交叉口动态实时控制进行了研究。将BP神经网络与Q学习算法相结合实现了路口的在线学习。同时,针对交通信号控制的多目标评价特征,采用基于模糊逻辑的Q学习奖惩信号设计方法,实施对交通信号的优化控制。最后,在三种交通场景下,应用Paramics微观交通仿真软件对典型十字路口进行仿真实验。结果表明,该方法对不同交通场景下的突变仍可保持较高的控制效率,控制效果明显优于定时控制。     

基于模糊逻辑的路口交通信号控制器的研究

由于模糊逻辑能够较好地描述复杂系统的定性模型,因此非常适合应用于路口交通信号灯的控制。采用了一种双层模糊控制器对路口信号灯进行控制,给出了控制方法及控制规则,在单片机模拟装置上进行仿真,结果表明它可以有效改善交叉路口的通行能力。     

基于云模型的单路口交通信号自适应控制方法研究

为了减少车辆通过路口的延误,提出了一种基于云模型的单路口交通信号自适应控制方法;使用云模型作为信号控制的基础模型,利用云模型中的正态云发生器和前件云发生器算法分别对道路交通信息进行处理并产生自适应的控制规则,以实现单路口交通信号的自适应控制;通过仿真实验,结果表明,使用云模型作为控制方法,比较传统控制方式更具智能化,更接近于人脑思维过程的控制方法,这也是将来交通信号控制的发展方向。     

基于激光传感数据的拥堵路口交通信号灯控制

针对城市车流高峰时段的道路拥堵问题,提出基于激光传感数据的交通信号灯智能控制方法研究。在道路两侧均匀布置激光传感器节点,采集实时的激光传感数据和车流量信息,并构建一种两层级的交通信号灯控制模型,以提取的交通路口实时传感数据作为输入项进行模糊推理,并求解出交通信号控制模糊子集,最后推导出当前车流长度、车辆在路口的平均滞留时长及车辆的延误时长等变量,达到缓解交通拥堵,提高通行效率的目的。仿真实验数据表明,提出的拥堵交通信号灯智能控制方法具有良好的控制效果,可以明显减少车辆延误时长,提高道路通行的效率和安全性。     

基于自适应差分进化的干线交通信号协调控制

为克服现有基于传统智能优化算法的城市干线交通信号协调控制方法求解精度低、易陷入局部最优等缺陷,将改进后的动态自适应差分进化算法p-ADE应用于城市干线双向交通信号的协调优化控制,通过优化干线交叉路口相位差减小交通流平均延误.p-ADE在标准差分进化算法基础上提出了新变异策略和参数动态自适应调整策略,有效平衡算法的局部搜索与全局搜索能力.通过与基于多种群免疫算法等协调优化控制方法对比,实验结果表明,p-ADE在收敛精度、速度和鲁棒性上相比较于多种先进智能优化算法均具有明显优势,可以为交通干线系统提供更优的相位差,有效减少干线直行交通流的平均延误,提高城市主干道交通通行能力.     

分布式区域交通信号自适应控制

基于无模型自适应动态规划,提出一种新的交通信号控制算法,应用于区域多路口协调优化控制.在四交叉路口的仿真环境下对该控制算法进行验证,取得良好的优化效果.     

神经网络与模糊技术的结合与发展

在神经网络与模糊技术不断发展的同时,作为两者结合的神经模糊技术和模糊神经网络已经兴起并发展直来,在对神经网络和模糊技术进行分析和比较的基础上着重论述了两者结合的原因、形式,以及模糊神经网络的理论和应用,指出了神经模糊技术未来的发展和展望。     

Max-Product型模糊Hopfield网络稳定性及其聚类方法研究

本文将模糊逻辑和神经网络相结合,提出了Ｍａｘ－Ｐｒｏｄｕｃｔ型Ｈｏｐｆｉｅｌｄ人工神经网络,给出了它的网络结构和形式化描述,证明了ＦｕｚｚｙＨＮ的稳定性,最后通过理论和数值实验对基于Ｍａｘ－Ｐｒｏｄｕｃｔ型Ｈｏｐｆｉｅｌｄ网络的动态聚类过程和有关性质进行了研究。     

基于模糊控制的进场飞机排序

针对日益增长的空中交通需求所带来的严重航班延误,利用模糊控制理论设计对终端区进场飞机的调度排序算法。把管制员调度航班考虑的主要因素作为输入,制定模糊规则,建立模糊控制器,输出比较合理的飞机排定着陆顺序。     

城市交通信号的ANN自校正预测控制

提出一种基于人工神经网络的城市交通信号的自校正预测控制方法.充分考虑相邻交叉路口之间交通流的强耦合性,在此基础上建立关于队长的交通模型;其中,受控路口下一周期到达的车辆数用人工神经网络(ANN)来预测;通过该ANN还可获得确定最佳周期长度所需要的交通参量,因此还可预测下一周期的长度;上述预测值均用实测信息进行反馈校正,在此基础上即可给出带约束的预测控制算法,从而确定下一周期的控制策略.仿真实例表明该方法具有较好的控制效果.     

基于有序神经网络的神经模糊预测控制

本文使用有序神经网络和改进的模糊控制器构成了一种新型的神经模糊预测控制方法,有序网络学习速度快,所需神经数目少,用事先训练好的有序网络代替传统的预测模型,以期增强输出预测的准确性;同时,用一种改进的模糊控制器原有的PID控制器,增强系统的鲁棒性。仿真结果表明,所提出的神经模糊预测控制方法可以获得理想的控制效果。     

A ROUGH SET/FUZZY LOGIC BASED DECISION MAKING SYSTEM FOR MEDICAL APPLICATIONS

Abstract

A method of performing prognostic modeling of disease states is proposed. The technique uses rough sets to extract rules from a database. The data is then reformatted into a fuzzy logic template, and a learning algorithm is used to adjust the fuzzy set membership functions. The method is applied to the POSCH problem, which looks at risk factors associated with the progression of coronary artery disease. The POSCH data has several shortcomings, including a limited number of cases, correlated inputs, as well as noise on both the inputs and outcome. The problem was to predict progression of atherosclerosis in the LAD three years after baseline based on physiologic data available at baseline. The proposed rough/fuzzy set method correctly predicted progression of atherosclerotic disease in 69% of the patients, which is statistically better than neural network, rough set and logistic models performed.