基于改进的bp神经网络和小波奇异值的交通事件检测

基于改进的bp神经网络和小波奇异值的交通事件检测

ID:28121456

大小:18.39 KB

页数:5页

时间:2018-12-08

基于改进的bp神经网络和小波奇异值的交通事件检测_第1页
基于改进的bp神经网络和小波奇异值的交通事件检测_第2页
基于改进的bp神经网络和小波奇异值的交通事件检测_第3页
基于改进的bp神经网络和小波奇异值的交通事件检测_第4页
基于改进的bp神经网络和小波奇异值的交通事件检测_第5页
资源描述:

《基于改进的bp神经网络和小波奇异值的交通事件检测》由会员上传分享,免费在线阅读,更多相关内容在应用文档-天天文库

1、为了确保“教学点数字教育资源全覆盖”项目设备正常使用,我校做到安装、教师培训同步进行。设备安装到位后,中心校组织各学点管理人员统一到县教师进修学校进行培训,熟悉系统的使用和维护。基于改进的BP神经网络和小波奇异值的交通事件检测  引言  道路上偶然发生的一些事件,譬如故障停车、货物散落、渣土洒落等引起的交通拥堵以及交通事故等,这些统称为交通事件。因为交通事件的发生带有一定的随机性,所以这些交通事件发生的时间和地点也都是不能预测的。  当事件确定已经发生过,此时进行的事件检测就是交通事件检测,它应该检测出交通事件所发生的位置以及类型。我们可以通过一些人工方式进行检测,例如紧急电话、巡逻车等,但

2、考虑到人工方式检测总体反应时间较长,交管部门无法及时了解道路交通状况,容易引起交通堵塞,这对整个道路交通管理会带来不便。自动事件检测方法可以很好的帮助交通管理部门快速的处理交通事件或者交通异常。自动事件检测能够实时获取交通场景的信息,快速检测交通事件的发生,从而交通管理部门能够随时实施相应的管理手段以及交通控制,迅速处理已经发生的交通事件,这样可以降低发生二次交通事故的概率,也保证了交通运行安全。为了充分发挥“教学点数字教育资源全覆盖”项目设备的作用,我们不仅把资源运用于课堂教学,还利用系统的特色栏目开展课外活动,对学生进行安全教育、健康教育、反邪教教育等丰富学生的课余文化生活。为了确保“教

3、学点数字教育资源全覆盖”项目设备正常使用,我校做到安装、教师培训同步进行。设备安装到位后,中心校组织各学点管理人员统一到县教师进修学校进行培训,熟悉系统的使用和维护。  交通事件自动检测算法可分为“间接检测算法”和“直接检测算法”两大类。间接检测算法应用广泛,主要包括模式识别方法和统计方法。在模式识别方法中又以California算法系列和Mcmaster算法应用最广。统计方法主要包括指数平滑法、时间序列算法和贝叶斯算法等。近年来随着神经网络的广泛应用,出现了很多以神经网络为基础的事件检测算法。  传统的交通事件检测算法存在着以下不足:检测效率低、误报率高等。同时由于算法的局限性很难应用在城

4、市中比较复杂的道路上;上述有些智能算法由于阈值或临界值的设置通常十分困难,具备经验性,且其取值直接影响到算法的检测效率和效果,因而这将成为这些算法的最大制约因素。传统的小波分析提取故障特征的过程中受到小波基和分解层数选取的影响较大,不利于故障类型的识别。  为了克服上述方法的不足,充分考虑交通环境的复杂性和交通信号时间序列的非线性特点,本文在以上算法的基础上提出了一种基于改进的BP神经网络和小波奇异值的方法进行交通事件检测。  1方法  算法基本思想  在交通事件发生点,交通流参数将发生变化。通过车辆检测器采集车流的相关信息,利用小波变换对输入信号进行预处理并求解其奇异点,奇异点就是事件发生

5、点,然后通过神经网络对奇异点进行分类从而判断事件类型。算法流程如图1所示:  本方法的具体实施步骤如下。为了充分发挥“教学点数字教育资源全覆盖”项目设备的作用,我们不仅把资源运用于课堂教学,还利用系统的特色栏目开展课外活动,对学生进行安全教育、健康教育、反邪教教育等丰富学生的课余文化生活。为了确保“教学点数字教育资源全覆盖”项目设备正常使用,我校做到安装、教师培训同步进行。设备安装到位后,中心校组织各学点管理人员统一到县教师进修学校进行培训,熟悉系统的使用和维护。  将获取到的交通流进行小波分解,获取小波细节系数;  通过相重构技术将小波系数向量重构成特征矩阵,并对其进行奇异值分解,获取小波

6、奇异值;  将小波奇异值输入到神经网络进行学习�练,进行交通事件类型识别。  神经网络的基本理论  在系统中搭建如图2所示的具有反馈结构的三层BP神经网络,包含输入层、隐层和输出层。由于具有至少一个S型函数隐层的网络能够逼近任何有理函数,增加层数虽然可以进一步降低误差,提高精度,但同时也使网络复杂化,增加网络权值的训练时间。而精度的提高实际上也可以通过增加隐层中的神经元数目来获得,且其训练效果比增加层数更容易观察和调整。所以本文最终选取三层神经网络结构。  网络结构参数的确定  将采集到的数据通过小波分析进行奇异点检测,提取高频系数d作为神经网络的输入。网络隐层神经元的个数n决定了整个网络的

7、学习速率和精度,隐层神经元个数n与输入层神经元个数n的关系可以由Kolmogorov定理得到,如下式所示。  结合式和式选取合适的n值进行网络的训练,如果不能满足训练要求,则在一定的范围内调整n的取值,直至达到训练要求。为了充分发挥“教学点数字教育资源全覆盖”项目设备的作用,我们不仅把资源运用于课堂教学,还利用系统的特色栏目开展课外活动,对学生进行安全教育、健康教育、反邪教教育等丰富学生的课余文化生活。为了确

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。