基于BP模糊神经网络的交通信号灯控制器设计

基于BP模糊神经网络的交通信号灯控制器设计一针对当前定时交通信号灯控制的落后现状，提出一种基于模糊神经网络的交通信号灯控制系统。通过模糊化处理，根据改进后BP算法进行离线训练，该系统能随时根据车辆情况智能控制信号灯的时间，通过检测当前相位的排队长度和下一位的排队长度得出当前相位以及下一相位的车流密度，进而判断是否进行相位变相。以每个周期内交叉口的平均延误作为控制指标，来判断该控制器的控制性能。实验表明该控制器与单纯用模糊控制比较，控制精度高、响应速度快、智能化程度高和鲁棒性好。此项设计所做工作已经取得了一定的成果，但是明显还存在不足，主要有：（1）对交叉口信号控制问题中的最小绿时和最大绿时的确定没有一个可信的算法。（2）在仿真实验中对交叉口情况设置有简化，如没有考虑车辆间、机动车与非机动车之间的相互影响；没有考虑有转车辆的影响等。因此该设计方法实际控制效果还有待验证。（3）此设计方法只是与经典定时控制进行了比较，与其它智能控制方式相比效果有待验证。现在只讨论单交叉路口信号控制问题，其交通模型如下图1所示。图1单路口交通模型交叉路口的车流量来自东、西、南、北四个方向，信号控制采用四相位控制，即东西直行、东西左转、南北直行、南北左转，所有右转车流不予考虑，在任何时刻，只有一个相位处于通行状态。在左转和直行车道上设置2套地感线圈用来检测车流信息，上游线圈用来检测进入交叉口的车辆数，下游线圈用来检测交叉口放行的车流辆，检车得到的数据位仿真提供必要的数据。二BP算法BP算法是基于梯度最速下降和误差反传的有监督学习算法。是唯一使用于前向网络的学习算法。（1）BP算法的过程BP算法的主要思想是把学习过程分为两个阶段：第一阶段：正向传播过程：输入信息从输入层经隐层逐层处理并计算个单元的实际输出值。第二阶段：反向传播过程：若在输出层不能得到期望的输出，则逐层计算实际输出与要求输出的差值（即误差），以便据此差值整权值，其过程如图2所示。+-误差反传期望输出向量输入层隐含层输出层信号流图2BP算法示意图设每层共L层，每层单元只接受前一层的输出信息，并输出给下一层个单元。假定网络只有一个输出y，设定了N个样本（kkyx,），k=1,2，...,N，各单元的输出特性为Sigmoid型，任一点i的输出为iQ，对某一输入为kx，网络的输出ky，结点i的输出为ikQ，我们研究第l层的第j个单元，当输入第k个样本时，结点j的输入为0,)()1(uwEutwtwijijij1ljkiO表示l-1层输入第k个样本时，第j个单元结点的输出。（2）BP算法的步骤第一步：选定权系数初值。第二步：重复训练过程直到收敛。I对k=1到N计算每层各单元之输出（正向过程）ljkljknetO,1和ky，对各层各单元计算ljkII修正权值w0,ijijijwEww为步长。上述这一算法被称为标准的BP算法。其算法框图如图3所示。初始化给定输入向量和目标输出求隐层、输出层各单元输出求目标值与实际输出的偏差EE满足要求？计算隐层单元误差求误差梯度权值学习结束YN图3BP算法流程三控制算法本文给出如下可变相序信号控制算法：第一步：初始化，赋予每一相位任意车队长。第二步：赋予最长车队相位最小绿灯时间15秒。第三步：绿灯结束时检测该相位车队长l；检测本周期内未获过通行权的红灯相位中最最长车队mvl；若有多个红灯相位车队长度相等则取等待时间最长的车队为mvl。若0l或l很小（mv，mv值在后文给出）且lllmv很大（e，e在后文给出）；或累计绿灯时间达到最大（60秒），则结束绿灯，将通行权交给下一队长最长的相位，到第二步，否则第四步。第四步：根据l及l值得大小确定绿灯延长时间g，这需要根据交警经验建立模糊控制规则，由模糊控制器实现。若达到最大绿灯时间，则结束绿灯，到第二步，否则，绿灯延时结束到第三步。根据以上控制算法，仿真程序流程如图4所示。开始初始化，随机产生四个相位的车辆队列选取一个相位置通行状态对拥有相位通行权的相位赋15s最少绿灯时间绿灯时间o加上延长时间绿灯时间∆g随机产生四个相位的来车结束YN输入仿真总时间从车辆队列头取出一辆计算延误时间和车辆总数队列长度l=0l0且∆l=l-l=e累计绿灯时间G=Gmax损失时间2秒仿真时间结束？YYYNN计算平均延误时间YN图4仿真程序流程