基于RBF神经网络的不利天气道路通行能力计算(3)

RBF神经网络的实现过程 RBF人工神经网络 RBF人工神经网络结构

式中:x′i为归一化后的数据;xmin为每一个样本模式下输入值或目标值的最小值;xmax为每一个样本模式下输入值或目标值的最大值;k为归一化尺度;a为调整系数。通过上式可以使得归一化后任意一维x′。i的值都在0到1之间2.2.3　RBF网络的创建、训练和测试

Matlab工具箱为RBF网络提供了专用的训练和仿真工具。本文采用newrb()设计和训练RBF网络,采用sim()进行预测仿真。

RBF网络的输入层神经元个数取决于暴雨

实际中存在的随机性和非线性的多变量影响问

题。通过对实测数据进行仿真预测的结果表明,该方法具有计算模型简单、收敛速度快、结果稳定、精度较高等特点,说明采用RBF神经网络的方法进行通行能力计算是有意义的。

表1　不利天气下通行能力影响因素表

序车道侧向净降雨气温

风力

号数空 强度 ℃m

12345678910111217181920212223

22226662424644444264246

0.10　3.40.100.100.100.750.500.750.250.100.100.250.300.50..0.750.750.250.500.100.250.250.75

5.012.310.03.53.412.37.03.47.03.4..7.03.45.03.45.05.05.07.07.0

34533354544444344444

1317222213172217172222171713171713131313

能见

度 m

8065303080803065806080303030507550806560705050

通行能力

(pcu h-1)

16801600155015003976379534051640289018002915364123162519278928772674173039832810155027913761

天气下通行能力影响因子的个数,由于输出就是道路通行能力的值,所以输出层神经元个数为1。利用函数newrb()创建一个精确的神经网络,该函数在创建RBF网络时,自动选择隐含层的数目,使得精度达到误差要求。语法格式为:net=

式中:P为训练集newrb(P,T,err—goal,spread)。

的输入向量;T为训练集的输出向量;err—goal为

目标误差,默认值为0.1;spread为基函数的宽度,spread越大,函数越平滑。在学习过程中,newrb()可自动适应增加RBF,因此得到的网络net。接下来对网络进行仿真,。语法格式为:SY=sim(net,P—test)。式中:P—test为网络的测试样本,SY为仿真结果。

表2　径向基网络测试数据结果表

(-1)(-1)相对误差 %实际值 28102794　0.5627912823-1.1615501572-1.4237613773-0.31

3　实证分析

　　选用23组哈尔滨暴雨天气下城市道路数据

作为样本,其中前19组数据作为网络的训练样本,后4组样本作为网络的测试样本。根据对暴雨天气下通行能力影响因素的分析,选取车道数、侧向净空、强度、降雨量、风力、气温和能见度作为影响因子,即输入变量,如表1所示。隐含层12个节点,经过反复的调试,当分布常数Spread设定为1.4时,预测性能的误差最小,得到了较好的训练效果,表2给出了真实值与预测值的对比。

参考文献

[1]　徐吉谦.交通工程总论.北京:人民交通出版社,

1995

[2]　周　伟,王秉纲.路段通行能力的理论探讨.交通

运输工程学报,2001,1(2):92298

[3]　高　隽.人工神经网络原理及仿真实例.北京:机械

4　结束语

针对不利天气下城市道路通行能力问题,提出了基于RBF神经网络的预测分析方法,解决了

工业出版社,2003

[4]　叶　剑.基于聚类分析的港口集装箱吞吐量预测方

法的研究.大连:大连理工大学,2005

(下转第27页)

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说教育文库基于RBF神经网络的不利天气道路通行能力计算(3)在线全文阅读。