Внедрение АСУ дорожным движением на базе программы интеллектуальных транспортных сетей
Дипломная работа - Компьютеры, программирование
Другие дипломы по предмету Компьютеры, программирование
иками /31, с. 56/.
Они способны решать широкий круг задач распознавания образов, идентификации, прогнозирования, оптимизации, управления сложными объектами.
Задачей оптимизации является нахождение решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию /21, с. 14/.
Другое не менее важное свойство - способность к обучению и обобщению накопленных знаний. Натренированная на ограниченном множестве данных сеть способна обобщать полученную информацию и показывать хорошие результаты на данных, не использовавшихся в процессах обучения.
В области прогнозирования задача сети формулируется как предсказание будущего поведения системы по имеющейся последовательности ее предыдущих состояний.
В задачах управления динамическими процессами нейронная сеть выполняет, как правило, несколько функций. Во-первых, она представляет собой нелинейную модель этого процесса и идентифицирует его основные параметры, необходимые для выработки соответствующего управляющего сигнала. Во-вторых, сеть выполняет функции следящей системы, отслеживает изменяющиеся условия окружающей среды и адаптируется к ним. Важное значение имеют классификация текущего состояния и выработка решений о дальнейшем развитии процесса /24, с. 53/.
Таким образом, концепция искусственных нейронных сетей отлично подходит в качестве основополагающей для автоматизированной системы управления дорожным движением.
Однако нейронные сети обладают определенными ограничениями. Среди таких ограничений можно выделить свойство переобучения или гиперразмерность нейросети. Под этими терминами понимается свойство нейросети терять способность к обобщению при чрезмерном увеличении числа ее степеней свободы. Под обобщением нейронной сетью приобретенных знаний подразумевается правильная реакция сети на примеры, которых в обучающей выборке не было. А под числом степеней свободы - общее число синаптических весов (и порогов), которое определяется числом нейронов скрытых и выходных слоев /26, с. 23/.
Другим ограничением использования нейронных сетей является то, что анализ обученной сети весьма сложен. Накопленные нейронной сетью знания оказываются распределенными между всеми ее элементами, что делает их практически недоступными для наблюдателя. При этом какую-либо априорную информацию (знания эксперта) для ускорения процесса ее обучения в нейронную сеть ввести невозможно.
Эти ограничения можно обойти, используя в работе синтез нейронных сетей и нечетких множеств. Полученный таким образом аппарат нечетких нейронных сетей, в котором выводы делаются на основе аппарате нечеткой логики, но соответствующие функции принадлежности подстраиваются с использованием алгоритмов обучения нейронных сетей. Такие системы не только используют априорную информацию, но могут приобретать новые знания, являясь логически прозрачными /65, с. 36/.
Нейронные сети способны извлекать знания из данных, обнаруживать скрытые в них закономерности. Известны случаи, когда нейросети с успехом извлекают знания из анализа информации, из которой, казалось бы, эти знания извлечь невозможно. Так при диагностике неисправности авиационных двигателей по совокупности их полетных параметров дефект стружка в масле iитается побочным и обнаруживает только после вскрытия авиадвигателя на испытательном стенде. Этот дефект не выявляется традиционными диагностическими методами, поскольку его наличие, по мнению специалистов, никак не влияет ни на один снимаемый с авиадвигателя полетный параметр. Тем не менее, несмотря на отсутствие какой-либо логической связи между этим дефектом и параметрами работы авиадвигателя, нейросеть обнаруживает скрытую от обычных (вербальных) методов диагностики закономерность и ставит правильный диагноз относительно наличия или отсутствия стружки в масле /21, с. 15/. Это будет выгодно отличать работу нейросети, управляющей дорожным движением, от аналогичных программных алгоритмов. Она сможет обнаруживать предпосылки для возникновения проблемной ситуации на самой ранней стадии, когда ее можно будет сравнительно легко устранить еще в зародыше и не придется справляться с ее негативными последствиями.
Для функционирования системы понадобится оборудование перекрестков и пересекающихся путей детекторами транспорта. Понадобится установка дополнительного модуля рядом с дорожным контроллером для работы ИНС. Также необходимо будет наладить устойчивые коммуникации между группой дорожных контроллеров и центром управления.
Укрупненный алгоритм функционирования АСУДД приведен на рисунке 3.1.
Идея адаптивной системы управления дорожным движением заключается в установке специальных устройств взамен или совместно с дорожными контроллерами на определенных перекрестках. Данные устройства будут получать информацию собираемую дорожными контроллерами с детекторов транспорта установленных непосредственно и рядом с дорожными пересечениями. Полученная информация определенным образом сортируется и поступает для дальнейшей обработки на входы нейронной сети.
Рисунок 3.1 - Блок-схема укрупненный алгоритм работы АСУДД
Предварительно нейронная сеть обучается на основе расiитанных оптимальных значений времени горения зеленого сигнала в зависимости от интенсивности транспортных потоков в конкретное время суток.
Обученная нейросеть оценивает дорожную обстановку и принимает решение о целес?/p>