پایان نامه با کلید واژگان شبکه عصبی، جمع آوری اطلاعات، منطق فازی

دانلود پایان نامه ارشد

ل ترافیک به کار گرفته شدهاند. در برخی موارد شبکه عصبی به تنهایی مدلسازی، آموزش و کنترل سیستم ترافیکی مورد نظر را انجام میدهد. همچنین ممکن است شبکه عصبی بر مبنای سایر روشهای کنترلی به کار رود، ماننـد بـه کـارگیری شـبکه عـصبی بـه منظور اصلاح وبهبود تصمیمات کنترلر فازی ترافیک.در برخی موارد نیز برای کنترل ترافیـک، شـبکه عـصبی میتواندبا سایر روشهای کنترلی مانند کنترل فازی، کنترل پیشبین و…ترکیب و قابلیتهای آنها را بهبود بخشد.

1−On-Line 2−Sydney Coordinated Adaptive Traffic System 3−Split Cycle Offset Optimision Technique 4−Cycle Time 5−Phase Split 6−Offset

7−Platoon Identification 8−Equal Saturation 9−Flixible Progressive Linking of Vehicle Actuated Signals

10−System Wide Trrafic adaptive control 11−Fuzzy Dynamic Programming 12−chaos

7

(3-1 روش کار و تحقیق

جمع آوری اطلاعات آماری به روشهای مختلف و با استفاده از انواع حسگرها صورت میپذیرد که برخی از آنها به شرح زیر میباشد:[2]
-1حسگرهای مکانیکی مانند آشکار سازهای هیدرولیکی یا پیزوالکتریکی.

-2آشکارسازهای آلتراسونیک و حسگرهای مادون قرمز که با ارسال امواج به سطح خیابان و مقایـسه اخـتلاف زمان بین امواج منعکس شده از سطح وسایل نقلیه و سطح خیابان، وسیله نقلیه را تشخیص میدهد. -3کاربرد رادار که با استفاده از تغییرات ایجاد شده در فرکانس امواج منتشره از سطح خودروها، سرعت آنها را تشخیص میدهد.

-4حلقههای آشکار ساز مغناطیسی و حلقههای اندوکتانس که بر اساس تشخیص تغییرات انرژی در اثر وجـود خودرو کار میکند.

-5حسگرهای تشخیص نور مانند دوربین ویدئویی و چشم الکترونیکی.

نصب یک دوربین از نصب سایر آشکارسازها بسیار ساده تر بوده و علاوه بر آن یک دوربـین بـه تنهـایی میتوان وضعیت محدوده وسیعی را زیر نظر داشته و اطلاعات آماری دقیق تر و با جزئیات قابل درک بیـشتری را در اختیار کنترلر قرار دهد و به طور کلی یک سیستم آشکارساز مبتنی بربینـایی، میتوانـد کنترلـی مـشابه کنترل یک انسان را فراهم نماید.

هدف از کنترل یک تقاطع ایزوله در این پایان نامه، بهبود وضعیت ترافیکی و ایجاد روانی نسبی حرکت در تمام مسیرهای منتهی به این تقاطع، در ساعات مختلف شبانه روز میباشد. برای رسیدن به ایـن هـدف، از حسگرهای ویدئویی برای جمع آوری اطلاعات آماری تقاطع و ازیک الگوریتم فـازی – عـصبی اسـتفاده شـده است. یکی از مهمترین پارامترهایی که در بازدهی شبکههای عصبی و بهویژه شبکههـای عـصبی RBF نقـش مهمی را ایفا مینماید، الگوریتم یادگیری و دقت آن میباشد. شبکههای RBF یکی از انواع شبکههای عـصبی جلوسو میباشندکه در بسیاری از کاربردهای مهندسی جذابیت و کاربرد گستردهای دارند. وجود این ویژگی را میتوان در عوامل متعددی جستجو نموداز جمله اینکه شبکههای RBF میتوانند تقریباً کلیه توابع عمـومی را تخمین بزنند، ساختار بسیار ساده و فشردهای دارند و سرعت الگوریتم آموزشی آنها سـریع مـیباشـد. در ایـن پروژه و برای اولین بار یک الگوریتم آموزشی برای شبکههای عصبی RBF مبتنی بـر منطـق فـازی و ترکیـب روشهای LLS و گرادیان با حفظ کاربری آن برای کنترل یک تقاطع ایزوله ارائه مـی گـردد. روش پیـشنهادی

FHLA برای طراحی و آموزش شبکه عصبی RBF شامل دو مرحله میباشد: -1 طراحی ساختار شبکه RBF و مقداردهی اولیه به پارامترهای آن.
-2 تنظیم پارامترهای شبکه براساس الگوهای آموزشی.

اساس کار، بر استفاده از شبکه عصبی فازی RBF به همراه یک روش پیـشنهادی آمـوزش مبتنـی بـر فازی خواهد بود. در الگوریتم یادگیری FHLA پیشنهادی، علاوه بر تعیین وزنهای ارتباطی بین لایه مخفـی و لایه خروجی، پارامترهای لایه RBF شامل تعداد نرون، مرکز نرون و عرض آن نیـز در طـول فراینـد آمـوزش تعیین میگردند. مقادیر اولیه پارامترها با استفاده از منطق فازی و روشـهای خوشـه یـابی فـازی و بـه کمـک تکنیک FCM بدست میآیند. در این روش تابع هزینه عدم شباهت، محاسبه و مینـیمم مـیگـردد. از میـزان

8

تعلق هر الگوی ورودی به خوشهها و فاصله الگو تا مراکز خوشه جهت محاسبه میـزان عـدم شـباهت اسـتفاده میگردد. برای تعیین مقادیر نهایی پارامترها و وزنهای ارتباطی، از ترکیب روش LLS و گرادیان به عنوان روش بهینهسازی استفاده میشود.

یک سیستم کنترلی مبتنی بر بینایی ماشین، شامل یک دوربین دیجیتـالی اسـت کـه بـر روی مـسیر حرکت خودروها نصب شده فیلم حاصل از آن توسط الگوریتمهای پردازشی مناسـب بـرای تـشخیص خـودرو استفاده میشود و نهایتا اطلاعات آماری لازم از آن استخراج میگردد.

بنابراین با ترکیب دو ابزار قدرتمند شبکههای عـصبی و سیـستمهـای فـازی همـراه بـا یـک سیـستم آشکارساز مبتنی بر بینایی ماشینها، سیستمی طراحی خواهد شد کـه عـلاوه بـر در نظـر گـرفتن جنبـههـای مختلف تردد شهری، بتواند بهینهسازی الگوریتم کنترل ترافیک را نیزتضمین نماید. نتایج شبیهسازی بـر روی بانک تصاویر ترافیکی تقاطعهای موجود و مقایسه کاربرد این الگوریتم با سایر روشهای کلاسیک که در کنترل تقاطعهای ایزوله معمول میباشد، نشان دهنده میزان قابلیت این تکنیک میباشد.

در این پایان نامه پس از معرفی نظریه جریان کنترل ترافیک و همچنین معرفی متغیرهـای ترافیکـی و روابط حاکم بر آنها پرداخته وپروسه کنترل ترافیک از دیدگاه میکروسکوپیک و ماکروسـکوپیک و مـد لـسازی مناسب فرایندهای مختلف آماری موجود در این زمینه مورد بررسی قرار میگیرد. در بررسی پدیده ترافیـک دو دسته پارامترهای گسسته و پیوسته وجود دارند که هریک از آنهـا از توزیـعهـای احتمـالاتی مناسـب پیـروی میکنند. همچنین در این بخش برخی از روشهای مدلـسازی کلاسـیک پدیـده ترافیـک و نحـوه زمـان بنـدی چراغهای راهنمایی و اصول حاکم بر نحوه فازبندی در یک تقاطع ارائه میشود.

از آنجا که منطق فازی بهترین روش برای مدلسازی فرایندهایی است که با استدلالات انسانی سرو کـار دارد، استفاده از کنترل کننده فازی، نوعی کنترل ترافیک انعطاف پذیر را ایجاد میکند. از این رو در این پایـان نامه ضمن معرفی شبکههای عـصبی و بـه طـور خـاص شـبکه عـصبیRBF برخـی از روشـهای آموزشـی در شبکههای عصبی معرفی و شرایط معادل بودن عملکرد سیستمهای فـازی و شـبکههـای عـصبیRBF مـورد بررسی قرار میگیرد.

پس از آشنایی مختصر با سیستمهای نرو- فازی به ارائه الگوریتم پیشنهادی FHLA که برای نخستین بار جهت کنترل ترافیک تقاطع ایزوله استفاده میشود، پرداخته شده است. به این منظور مراحـل پیـادهسـازی تکنیک FCM برای مقداردهی اولیه مراکز و عرض نرونها و نحوه تعیین تعداد نرونهای لایه میانی با اسـتفاده از اندیسهای اعتباری خوشـهای بیـان شـده اسـت. همچنـین مـاتریس تقریبـی بـردار ضـرایب وزن تعیـین و بهینهسازی پارامترها و تعیین مقادیر دقیق آنها صورت میپذیرد.

از آنجا که قرار است اطلاعات لازم جهت کنترل از طریق پردازش تصاویر ویـدئویی صـورت پـذیرد، در بخشی نیز به مباحث موجود در پردازش تـصویر و شناسـایی و ردیـابی اجـسام متحـرک و بررسـی روشـهای استخراج اطلاعات آماری ترافیک از تصاویر ویدئویی پرداخته میشود.

در نهایت مدلسازی رفتار دینامیکی یک تقاطع ایزوله شهری، صورت گرفته و سـپس کنترلـر عـصبی-

فازی طراحی و به مدل شبیهسازی شده اعمال میگردد. همچنین یکی از روشهای شـمارش وسـایل نقلیـه در تصاویر ویدئویی انتخاب و برروی فیلمهای تهیه شده از تقاطع موردنظر پیاده میشود و نتایج حاصـل شـده بـا آمار واقعـی مقایـسه شـده انـد. همچنـین تـاثیر بـه کـارگیری کنتـرل کننـده عـصبی – فـازی بـا اسـتفاده

9

ازتکنیک FHLA و کنترل کلاسیک پیش زمانبندی شده، بر میزان سطح تاخیر و سـطح اشـباع ورودیهـای تقاطع بررسی شده است. کلیه برنامه های مدلسازی توسط برنامه نویسی در محیط نرم افزار MATLAB بوده و نتایج شبیهسازی قابلیتهای به کار گیری الگوریتم پیشنهادی را نشان میدهد.

10

فصل دوم

نظریه جریان ترافیک و اصول زمانبندی

چراغهای تقاطع

11

فصل دوم: نظریه جریان ترافیک و اصول زمانبندی چراغهای تقاطع

(1-2 مقدمه

تئوری ترافیک دانشی است که به منظور برقراری روابط تحلیلی پدیده ترافیـک و بـسط آنهـا اسـتفاده میشود. این فرآیند شامل تحلیل ریاضی و مدل سـازی، اسـتفاده از تکنیـکهـای مهندسـی کنتـرل سیـستم وشبیهسازی کامپیوتری میباشد. نظریه جریان ترافیک و بررسی مـدلهای جریـان ترافیـک پرداختـه و روابـط تحلیلی مربوط به پارامترهای مختلف که ممکن است از مدلهای احتمالاتی گسسته و یـا مـدلهای احتمـالاتی پیوسته تابعیت کنند، در ادامه مورد بحث قرار میگرند. به این ترتیب با شناخت متغیرهای مختلف ترافیکـی و آشنایی با نحوه اندازه گیری هریک از آنها، میتوان در تحلیل وضعیت ترافیکی یک تقاطع، پارامترهای مناسـب را انتخاب نمود. زیرا اندازه گیری بسیاری از شاخصههای تاثیر گذار بر جریان ترافیک ممکن با مـشکل مواجـه شود.

(2-2 روابط تحلیلی پدیده ترافیک

یکی از مدلهای اساسی جهت بررسی پدیده ترافیک مدل خودرو به دنبال هم می باشد که عبارت است از رابطهای ریاضی که حرکت یک وسیله نقلیه را به حرکت وسایل نقلیه دیگر که به دنبال آن میباشد ارتبـاط داده و با تعمیم آن میتوان به رابطهای که جریان کامل ترافیک را توضیح میدهد، رسید.یک نمونه از معـادلات

ریاضی مربوطه به صورت زیر میباشد:[3]

(1-2)

Vn (t −T ) −Vn−1(t −T )

dVn (t)

A

dt

X n (t −T ) − X n−1(t −T )

که در آن Vi سرعت خودروی i ام، Xi موقعیت خودروی i ام و T عقب مانـدگی یـا تـاخیر در عکـس العمـل میباشد. این رابطه نشان میدهد که شتاب خودروی n ام به وسیله اختلاف بین سرعت او و سـرعت خـودروی جلویی (n-1) و همچنین به ثابت A و به فاصله بین دو وسیله نقلیه بستگی دارد. هرچه فاصله بین دو وسـیله نقلیه کمتر باشد، این وابستگی بیشتر است. آزمایشات مناسب بودن این مدل توصیفی را نشان میدهند. مـدل خودرو به دنبال هم که در رابطه (1-1) نشان داده شده است، در مقیاس کوچک بوده و میتوان با کمی تغییـر از این معادله به رابطهای مناسب در مقیاس بزرگ دست یافت. برای نشان دادن این رابطه در مقیـاس بـزرگ، معادله (1-1) را برای شرایطی که فاصله همه وسایل نقلیه و سرعت آنها یکسان باشد، در نظر گرفته می شود.

با توجه به اینکه v سرعت، v∆ اختلاف سرعت و x ∆ فاصله است، آنگاه:

(2-2)

∆v

A
dv

∆x

dt

با تغییر دیفرانسیلی در سرعت رابطه زیر برقرار میباشد.:

(3-2)
d (∆x)

dv d A

∆x

12

و نهایتا برای هرزوج اطلاعات معلوم (v0,x0) میتوان نوشت

(4-2)

d (∆x)
v∫dv A ∆∫x

∆x
v0

∆x0

k0

ALn
∆x

ALn
v
v −

k

∆x0
0

که در این رابطه k عبارت است از چگالی و k=1/∆x که با نشان دادن تردد به صورت q و با توجه به اینکـه در چگالی تراکم kj (حالت اشباع) v=0 میباشد، ازمعادله (4-1) میتوان نوشت :
(5-2)
k j
q q AkLn

k

باید توجه داشت که عموما فـرض بـر آن اسـت کـه چگـالی جریـان (k) یـک متغیـر مـستقل اساسـی بـوده وپارامترهایی همچون سرعت (v)و تردد (q) به آن وابسته هستند.

(3-2 معرفی پارامترهای ترافیکی

در این بخش به طور مختصر به معرفی برخی پارامترهایی که در تئوری جریان ترافیـک نقـش مـوثری دارند بررسی میشوند. به طور کلی روابط میان پارامترهای مختلف در پدیده ترافیک را میتوان به صورت جدول
1-2 توصیف نمود:

جدول (1-2) معرفی پارامترهای حاکم

پایان نامه
Previous Entries پایان نامه با کلید واژگان کنترل هوشمند، شبکه عصبی، منطق فازی Next Entries پایان نامه با کلید واژگان فرآیند تحلیل