自动化专业英文文献的翻译

基于神经网络的粒子群优化算法的混乱

交通流的快速识别庞明宝张晶晶东方王彦虎交通主管部门土木工程学院河北工业大学中国天津政府pmbpgy@摘要研究表明，神经网络的粒子群优化算法是解决混乱的交通流量的快速识别的有效方法，实证分析的基础上，提出了一种基于对智能交通需求系统和方法所存在的几个问题的混乱识别、智能方法快速判断，在混乱中交通流问题，对这个原理和结构系统作了简要介绍，主要有在线识别模块和离线识别模块，狼方法是通过用脱机识别模块来计算和判断最大李雅普诺夫指数混乱交通流，模型的建立是在线判断利用神经网络的小波包能量特征向量的前时间间隔的时间序列交通流在每个训练样本作为输入变量。粒子群优化算法被用来确认和更新模型的参数，仿真结果表明，该方法是正确的可行的，它能满足实时需求的混乱交通流量的快速识别。关键词智能交通系统指挥交通流量混沌层流；神经网络(尼龙)粒子群优化(PSO)；最大李雅普诺夫指数时间进展一介绍通过对非线性的角度科学和混乱交通系统的研究，在交通控制与管理方面是一种新型的科学方法[1]-[5],基本原理是及时的识别混沌，实现抑制交通拥挤和现象提高平面交叉路口的通行能力加入混沌控制信号，但第一步是要实时识别混沌现象交通流量。有很多方法[6]-[7]来识别混乱，即最大李雅普诺夫指数、关联维数，和就业指数。所有的方法需要大量的时间序列数据，普通数字时间序列数据比1000还大，否则难以认识混乱现象。而智能运输系统必须在非常短的时间内完成对混沌判断，而这时需要抓住那个时间的节点，然后要通过具体的控制与引导措施。虽然混沌现象都能被确认，这是一个小时甚至几个小时后与现有的鉴别方法。它不能满足要求的快速识别和消失的混乱，实际上就没有意义。基于那些实时智能控制系统以神经网络算法和粒子群优化算法来识别混乱交通流量。结果表明,它的刺激方法的正确性和可行性。混乱的交通流量的智能识别系统A基本原理当混乱产生的时候，混乱系统的明显优势之一是介于初始条件和混乱，对于控制混乱的特点的非线性动态系统，当系统进入混乱产生的初始条件时，混乱现象将要出现，不论系统已特殊的条件进入还是初始条件与混乱的关联以一种优先的认识被发现，混乱判断的翻译将会出现问题，当混乱产生的时候，被关注的目标会捕捉到引起快速混乱的时间点。时间序列的号码将会减少。我们将会用下面的理论来说明。第一，当混乱产生的时候，已经证实混乱系统敏感于初始条件和混乱；第二，最初的条件和混乱的关系的确定与随机虽然不是很复杂，混沌的本质是确定随机的外表。当混乱产生的时候[1]-[5]，深入了解初始条件和混乱之间的关系就会发现关系的入口；第三，人工智能方法已经发现了一些复杂的初始条件和混乱之间的关系，即神经网络支持向量机预测模型。B结构该系统主要由信息模块、数据库观察样品,在线识别模块，离线识别模块、知识库,结果测试模块。图1显示了系统的结构。在探测器适当的位置，信息模块提供时间序列数据的物理量来描述交通流系统，即时间的进展入住，速度和体积，我们称之为数据观测样本数据。这些数据都存储在观察样品数据库的交通流量。而这些数据分为两个部分，第一部分作为输入数据的离线识别模块，第二部分是作为输入的在线识别模块。通过离线辨识混沌识别模块之后会发生的而获得了长时间序列数据的交通流的存在识别交通流混沌状态[3][4]，而每一个长时间序列数据观察样品都大于1200。狼方法被用来计算最大李雅普诺夫指数和判断的混沌的脱机识别模块[6][7]。图1交通流混乱识别系统通过离线模块，当混乱为了建立一个训练样本在线识别模型而产生的时候，我们能提取出初始条件和混乱之间复杂的关系。它的特点被视为输入变量而混乱则不被视为输出变量，如果混凝土快速交通系统是或是将会一片混乱地位或在线识别模块收集时间序列数据之前，它可以被快速的判断，一个新的样品被添加到系统之后，混乱在线识别模块的规则可以更新。三混乱交通流特征的提取有很多方法可以提取快速交通流时间序列参数的特点，即主成分分析，模糊方法、神经网络[8]-[13],交通流的时间序列是一个不确定性和非稳态过程。这频率分布的能量几乎是相关的交通流状况，国际米兰的关系,和时限。基于小波变换融合算法，小波包分析结果能提供鉴别率从不同时间和子空间的频率。考虑到其他提取混沌特性的方法和混沌初始条件和混乱之间的敏感性特点，只有使用交通流时间序列数据的前面的时间，我们可以提取三层小波包能量特征向量[12][13]。标准化的能量特征向量e。

E=[E,E,E=[E,E,E,E,E,E,E,E]N30 313233 343536 37(1)2dt(2)S3.(j=o、1、2、3、4、5、6、7)是分解树和具体位置j-th第三节点层的3j小波节点。四利用神经网络在交通流与粒子群优化算法识别

混乱交通流的在线智能模块在网络模块上，我们应该用智能识别方法来画出非线性关系和特征提取结果的关系，由于神经网络模型的强大非线性映射的能力，所以它应用于很多领域[10][11]。正如我们所知，神经网络有局部微小的问题，收敛速度慢和泛化能力，和难确定处理单元的数量。这些影响纠正混沌识别速度，当我们采用了在线神经网络模型，在此基础上采用粒子群优化算法识别并更新参数的神经网络模型。A神经网络模型在网络模块给定训练样本集(气,丫)(i=12•…•…Z)，气e咫巳eR利用非线性函数在高维空间y=f(E)=f(E,E,E,E,E,E,E,E)N 30 31 32 33 34 35 36 37(3)接近样本集。当y是最大的李雅普诺夫指数的时候，EN是交通流时间序列数据先前的时间三层小波包能量特征向量。在研究组成三层8-9-1应用非线性函数映射的神经网络模型过程中，EN是明显的输入向量的输入层和y是输出层。算法采用混凝土的神经网络，我们可以判断交通系统是混乱状态还是Eqs。Z=sgn(y)=sgn[f(E)]NZ=1或-1。当Z=1的时候，系统是混乱状态，当Z=-1的时候，系统不是出于混乱状态。B•参数识别和粒子群优化算法的更新粒子群优化算法被用来确认和更新的参数模型[14]-[16]。定义9是阈值是j节点，j的隐层和丫是输出层的门槛，这表示W是连接节点的重量从i输入层的隐层节点j，V的联系的重量从一个节点j的隐层到输出层节点1。B是隐层节点jTOC\o"1-5"\h\zj1 j的输出变量。D是人口和N搜索维度是大量的粒子群或人口数量。表示t是t 迭max代次数和迭代次数达到最大。L=（仆仃，……，lid）和V二（Vi,V2,……,寫）分别代表位置和速度为解决粒子。L代表边界的位置和v供表最大速度的粒max max子,定义Pbest.二（pp.2,……,p）是最好的搜索与位置的粒子和gbest是人1 12 id类最好的搜索所有粒子的位置,W1的价值权衡通常是惯性选择从0.1到0.9,表示C1和C2都是积极不断的和通常我们选择C=C=2,定义随机数字r和r,表示1212errort和msem输出误差对mth训练样本和所有训练样本的误差，具体步骤如下：步骤1:让t=0和给初值的计算参数如下，L0d,w..,9.v.，丫5V.d9t ，rid ij j,jmmidmax1和r2。步骤2：计算粒子适应度值ith用方程式（3）,（5）,（6），和神经网络的具体算法。errort—yt—ctmmm（5）1t)2mset=-Z(errorNmmec(6)步骤3：如果t>t或者mset小于最小的错误，输出w,9,v,和丫。m_ax .jjjmm步骤4：比较健康的价值，为所有粒子而得pbest根据规则和gbest粒子群算法，所有粒子的速度与位置通过方程式⑺,(8)。V"1=wVt+crx(pbestt-L)+crx(gbestt-L)id id11 id id 22 did⑺Lt+1二Lt +Vt+1id id id⑻步骤5：让t=t+1,更新速度和位置所有粒子，v日-V，V］和L引-V^VnJ。I maxmax i max,max五仿真研究本交通流仿真软件对是用于我们的研究的，四百四十多样品高速公路也被制造出来了，每一个交通流时间序列样本数据时间间隔有1000次。狼方法是通过离线识别模块来计算最大李雅普诺夫指数和判断混乱，前200样本被用来做初始训练样本。较后240样本通过MATLAB来更新在线模型而作为测试样本，其中包括前面的32、40、48、56分别作为时间间隔和时间序列，表1和2归一化能量特征向量显示D的前40中的时间序列数据部分初始训练样本，从这张表,我们可以看到在交通流能量分布，不同的尺度有不同的结果，分布能量集中在规模7和规模3。统计价值观具有相对稳定，利用求证，使用小波能量特征向量代替交通流时间序列样本是正确的。在线神经网络模型用于组成三层贴图非线性函数，让N=12,D=71，t=1000max和均方误差为0.000097,图2显示变化的状态值，然后才能从1000代开始，包括最优秀的健身价值和平均在每一代适应度值，在对模型参数进行了优化，240份样本后对交通流时间序列是否被识别混乱的状态识别模型的实时更新混乱，表显示正确的三率,包括前32、40、48、56和64的时间间隔的时间序列，与此同时,下面的结果使：表1能量特征向量的初始训练的部分样品

sampleE30E31E32E3310.013150.018010.037390.189820.022580.015960.033270.1005230.017630.024690.021080.1476240.059350.034560.042010.1190750.015310.024660.026880.1780160.028710.007070.08010.1067870.043260.026830.081820.0710880.087950.0278940.009990.1195290.02680,009620.022440.18617100.018570.014370.042180.10445表2能量特征向量的初始训练的部分样品sampleE34E35E36E3710.020330.007150.02830.6858820.029830.02210.027070.7486730.010380.024540.03710.7173640.020190.005340.023620.6958650.018220.006270.024310.7063560.025540.007550.05340.6908770.05170.020630.055340.7123180.032890.010670.033850.6772490.027720.01640.029230.68163100.014070.019730.036670.749971）识别是可行的交通流混沌在使用实时智能识别系统与神经网络模型，在获得了样品，我们认识到混乱的交通流在脱机模块。基于提取初始条件之间的关系和混乱的时候混沌产生，在线判断模型的建立利用神经网络，该系统运用交通流系统的特点、混乱和它的，只有前时间序列数据来评判混乱，换句话说，我们只需要花几分钟来识别混乱，它能满足实时需求的混乱识别、交通控制和管理效率。

54321・・・・・ooooO①54321・・・・・ooooO①sCDeul一LLBestFitnessValueAverageFitnessValue200 400 600 800 1000图2。健身价值的变化在1000年以前的世代表三正确识别率先前时间序列改正识别号码改正识别比率3217171.34017171.34817171.35614359.66417171.32） 存在高比率的识别模型，大多数正确识别率均大于70%的模型，这结果表明,该方法的正确性和可行性。3） 该模型的更新和神经网络问题可以通过使用粒子群优化算法来解决。承认书本文介绍的工作受到了国家自然科学基金号码：50808064和中国河北省的国家自然科学基金,拨款到:E2011202073。作者将十分感激承认编辑的评论和帮助了澄清和改善外观的人。参考文献Disbro.J•艾凡和框・架米，交通流理论和混沌行为，交通研究报告，硕士论文，国立pp.1225-1241页，1989。郭仁宏、黄海军，混沌动力学与分歧交通分配的演变过程与流程的突变，混乱，孤子及分形,vol.41期，第1157-1150页，2009。田传军，陈关荣，混沌意义上的Li-Yoke格耦合，一个地图：统计力学性能及其应用，民国376pp.246-252页，2007。你约翰斯,检察官Roozemond”，一个对象的基础交通控制策略：混沌理论的方法，在一个面向对象的实现”，先进的技术，中国土木水利工程学刊,24岁，微波-242页，1993。王东山，广和国，总结和展望研究对交通混乱，中国土木工程学报》,36,阶-74页，2003。穆罕默德・阿里。Ghorbani,OzgurKisi,马赫迪Aalinezhad,一个简单的探讨大自然的混沌时间序列日常水流中相关尺寸和最大李雅普诺夫方法，应用数学建模、体积.34期，第4057-4050页,2010。Machado卢西亚诺・g、cLagoudas季米特里斯，马赛,Savi。李雅普诺夫指数估计滞后系统”，国际期刊的固体和结构,vol.46期，第1286-1269页,2009。罗恩J巴顿,洁,林昌贤基于神经网络的故障诊断非线性动态系统，国立成功大学，硕士指导。18岁，号码4、pp.418 427年，1995年。[9]H.X.陈,S.K•帕特里克。蔡细历王传芳老林:故障退化评