模糊神经网络调度算法 - 自适应模糊神经网络的交通灯控制系统的设计

4、模糊神经网络的调度算法

模糊逻辑控制的特长在于能以一定的规则数来表达知识，具有逻辑推理能力，不仅能处理精确信息，也能处理模糊信息或其他不明确信息;其缺点是完全依赖专家制定的大量控制规则，不具备学习功能。而神经网络具有自学习能力和大规模并行处理能力，在认知处理、模式识别方面有很强的优势;主要缺点是结构难以确定，训练样本要求多且准确，训练周期长，而且不能提供一个明确的用于网络知识表达的框架。模糊神经网络是为发挥各自的优势把神经网络和模糊逻辑有机结合起来，采取神经网络技术来进行模糊信息处理，使得模糊规则的自动提取及模糊隶属函数的自动生成成为可能，进而克服神经网络结构难以确定以及模糊逻辑元自学习功能的缺点，使模糊系统成为一种自适应模糊系统。

图2  模糊神经网络模型

采用神经网络技术来进行模糊信息处理有多种做法，其中，构造各类模糊神经元及模糊神经网络作为信息处理单元以实现模糊信息的自动处理是最主要的一种。所谓模糊神经元是指可实施模糊信息处理或模糊逻辑运算的人工神经元，而模糊神经网络则是全部或部分采用各类模糊神经元所构成的可处理模糊信息的神经网络系统。在本系统中，如图2，整个神经网络的建立和使用分以下几步完成：

（1）利用专家的知识粗略地形成模糊模型（包括一些模糊规则和模糊推理方法）。

（2）基于这一模糊模型构成模糊神经网络。

（3）训练神经网络。通过系统仿真来训练神经网络，对每一种输入值（l1，...，lm），选择一种输出值（g1，...，gn），利用系统仿真来模拟系统在给定的时间内所有车辆的平均等待时间;系统的能量函数选为所有车辆的平均等待时间;神经网络训练的目标在于使能量函数最小。

（4）网络的应用。神经网络的输入数据是在统计数据和实时数据的基础上进行预测得到的，这就要求实时地采集数据，周期性地统计和存储数据，预测到神经网络的输入后，经过网络的计算，再较精确地辩识出交通模式，对不同的模式采取适合其特点的相应控制算法，选出红绿灯控制方案。

5、结束语

本文研究了一种利用模糊控制、神经网络等技术对交通系统进行全局优化调度的交通灯控制系统。该模糊控制策略是一种复合策略，它能在管控中心的控制下进行调整。通过大量的模糊数据输入，对神经网络进行训练，以达到全局优化的调度。虽然在全局调控与局部模糊控制的配合使用仍有许多问题有待以解决，但随着研究的继续进行，该方法将会成为解决我国中等城市交通控制问题的一个好办法。