下载文档原格式
２００７，４３（３６）１引言社会经济的发展导致了交通量的急剧增长，并进而加剧了交通拥挤与阻塞的严重程度，如何避免阻塞，最大限度地提高高速公路的运行效率，成了学者们研究的热点。
入口匝道控制被认为是高速公路交通控制的一种有效的方法，通过入口匝道控制阻止瓶颈的出现可使高速公路交通更顺畅，从而提高主线的通行能力，改善交通安全，减少燃油消耗和空气污染［１－３］。
文献［１］将常规的ＰＩ控制方法应用到高速公路入口匝道控制中，取得了较好的控制效果，且具有一定的鲁棒性，然而参数不能在线调整，神经网络具有表示任意非线性关系和学习的能力，给解决这类问题提供了新的思想和方法。
本文用ＲＢＦ神经网络整定ＰＩＤ的控制参数，并设计了高速公路入口匝道控制器，取得了良好的控制效果。
２入口匝道控制原理入口匝道控制是控制高速公路的交通需求，它以高速公路主线交通流为控制对象，以匝道入口流量为系统的输入控制量，通过计算匝道上游交通需求与下游道路容量差额来获取最佳入口匝道流量控制，从而使高速公路主线交通流处于最佳状态。
入口匝道控制包括匝道调节和匝道关闭两种方式。
在进行入口匝道控制时，必须保持整个交通需求量小于高速公路的交通容量，所以匝道调节率ｒ的计算应立足于匝道上游交通需求ｑｄ、匝道下游交通容量Ｃａ和匝道处期望进入高速公路的交通流量ｑｒ三者之间的关系上。
当Ｃａ≥ｑｄ＋ｑｒ时，不需要进行调节，因为不会发生交通拥挤；当ｑｄ＞Ｃａ时，进行匝道调节也无法消除拥挤，可暂时关闭匝道，并设法使上游入口匝道减少调节率，减少上游交通需求；当ｑｄ＜Ｃａ＜ｑｄ＋ｑｒ时，可进行匝道调节，匝道调节率的计算公式为ｒ＝Ｃａ－ｑｄ，进行匝道调节后可以进入高速公路的调节率为ｒ，而ｑｒ－ｒ的流量只能利用路网中的其它道路来分流。
基于ＲＢＦ神经网络整定的高速公路匝道ＰＩＤ控制器曾爱国１，梁新荣１，２，韦彦秀１ＺＥＮＧＡｉ－ｇｕｏ１，ＬＩＡＮＧＸｉｎ－ｒｏｎｇ１，２，ＷＥＩＹａｎ－ｘｉｕ１１．五邑大学信息学院，广东江门５２９０２０２．华南理工大学自动化学院，广州５１０６４０１．ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎ，ＷｕｙｉＵｎｉｖｅｒｓｉｔｙ，Ｊｉａｎｇｍｅｎ，Ｇｕａｎｇｄｏｎｇ５２９０２０，Ｃｈｉｎａ２．ＣｏｌｌｅｇｅｏｆＡｕｔｏｍａｔｉｏｎ，ＳｏｕｔｈＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｇｕａｎｇｚｈｏｕ５１０６４０，ＣｈｉｎａＥ－ｍａｉｌ：ｊｏｓｅｗｙｕ＠１２６．ｃｏｍＺＥＮＧＡｉ－ｇｕｏ，ＬＩＡＮＧＸｉｎ－ｒｏｎｇ，ＷＥＩＹａｎ－ｘｉｕ．ＦｒｅｅｗａｙｒａｍｐＰＩＤｃｏｎｔｒｏｌｌｅｒｒｅｇｕｌａｔｅｄｂｙＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋ．ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２００７，４３（３６）：１８９－１９１．Ａｂｓｔｒａｃｔ：ＡｐａｒａｍｅｔｅｒａｄｊｕｓｔｍｅｎｔｍｅｔｈｏｄｏｆｔｈｅＰＩＤｃｏｎｔｒｏｌｌｅｒｗｉｔｈＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｄｅｖｅｌｏｐｅｄａｎｄａｐｐｌｉｅｄｔｏｆｒｅｅｗａｙｏｎ－ｒａｍｐｍｅｔｅｒｉｎｇ．Ｔｈｅｃｏｎｔｒｏｌｐｒｉｎｃｉｐｌｅｏｆａｒａｍｐｉｓｆｉｒｓｔｌｙｆｏｒｍｕｌａｔｅｄ，ｔｈｅｎａｆｒｅｅｗａｙｔｒａｆｆｉｃｆｌｏｗｍｏｄｅｌｉｓｂｕｉｌｔ，ａｎｄｔｈｅＰＩＤｒａｍｐｃｏｎｔｒｏｌｌｅｒｒｅｇｕｌａｔｅｄｂｙＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｄｅｓｉｇｎｅｄ．ＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｉｄｅｎｔｉｆｉｅｓｔｈｅＪａｃｏｂｉａｎｍａｔｒｉｘｏｆｔｈｅｃｏｎｔｒｏｌｐｌａｎｔａｎｄｔｈｅｎａｄｊｕｓｔｓｔｈｅｐａｒａｍｅｔｅｒｓｏｆＰＩＤｃｏｎｔｒｏｌｌｅｒｄｙｎａｍｉｃａｌｌｙ．Ｆｉｎａｌｌｙ，ｔｈｅｃｏｎｔｒｏｌｌｅｒｉｓｓｉｍｕｌａｔｅｄｉｎＭＡＴＬＡＢｓｏｆｔｗａｒｅ．Ｓｉｍｕ－ｌａｔｉｏｎｒｅｓｕｌｔｓｈｏｗｓｔｈａｔｔｈｅｃｏｎｔｒｏｌｌｅｒｈａｓｇｏｏｄｄｙｎａｍｉｃａｎｄｓｔｅａｄｙ－ｓｔａｔｅｐｅｒｆｏｒｍａｎｃｅ．Ｉｔｉｓｖｅｒｙｅｆｆｅｃｔｉｖｅｔｏｆｒｅｅｗａｙｏｎ－ｒａｍｐｍｅ－ｔｅｒｉｎｇ．Ｋｅｙｗｏｒｄｓ：ｆｒｅｅｗａｙ；ｒａｍｐｍｅｔｅｒｉｎｇ；ｔｒａｆｆｉｃｆｌｏｗｍｏｄｅｌ；ＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋ；ＰＩＤｐａｒａｍｅｔｅｒａｄｊｕｓｔｍｅｎｔ摘要：研究ＲＢＦ神经网络整定ＰＩＤ控制器的参数，并应用到高速公路入口匝道控制中。
基于神经网络的智能交通信号控制算法研究随着城市化进程的不断加速，交通拥堵问题也变得越来越严重。
智能交通信号控制系统因此应运而生，成为了解决交通拥堵问题的一种重要手段。
在智能交通信号控制系统中，神经网络算法被广泛应用。
接下来，我们将探讨基于神经网络的智能交通信号控制算法研究。
一、神经网络算法简介神经网络（Neural Network）是一种模仿生物神经网络的计算模型，是一种类似于人脑神经网络的信息处理系统。
神经网络算法通过训练集来训练神经元之间的连接权重，从而实现模式识别、分类、聚类等任务。
神经网络算法具有自适应性、非线性、容错性等特点，能够很好地解决一些传统算法难以解决的问题。
二、智能交通信号控制系统简介智能交通信号控制系统是指基于智能交通技术，通过对车辆、行人等交通参与者的实时监测和智能决策，对信号灯进行自适应调控的交通信号系统。
智能交通信号控制系统可以通过优化交通流，缓解道路交通拥堵，提高交通安全性和通行效率。
三、基于神经网络的智能交通信号控制算法智能交通信号控制算法通常需要考虑众多因素，包括道路交通流密度、交通流方向、路口拥堵程度、行人路过情况等。
目前，基于神经网络的智能交通信号控制算法主要有以下几种：1. 基于BP神经网络的智能交通信号控制算法BP神经网络是目前应用最广泛的神经网络模型之一，能够通过误差反向传播学习方法训练神经元之间的连接权重。
基于BP神经网络的智能交通信号控制算法将车流量、红绿灯周期、等待时间等交通信息作为输入，经过神经网络计算得到优化的红绿灯控制方案。
实验结果表明，基于BP神经网络的智能交通信号控制算法能够提高路口的通行效率和交通运行的稳定性。
2. 基于RBF神经网络的智能交通信号控制算法RBF神经网络是一种径向基函数神经网络，具有较好的分类和预测性能。
基于RBF神经网络的智能交通信号控制算法将车辆排队长度、车速等交通参数作为输入，经过神经网络计算得到针对当前状态的最优控制策略。
基于RBF神经网络的高速公路主线可变限速控制摘要：高速公路主线限速控制是一个非线性时变系统，受多种因素的影响，其基本规律很难用确定性模型描述，因此本文提出基于RBF神经网络控制理论的高速公路主线可变限速方法，提高道路的使用效率。
关键词：可变限速；RBF模糊神经网络；高速公路主线VariableSpeed-LimitControlOfExpressway Mainline BasedOnRBF Fuzzy NeuralNetworkTU Dan, Xu Chanzhi, Chen Wei(School of Transportation and Logistics, Southwest Jiaotong University, Chengdu 610031, Sichuan, China)Abstract: The speed-limit control of expressway mainline is a nonlinear time-varying system, affected by a variety of factors. It’s hard to describe the deterministic model of the basic rules. So, based on RBFneuralnetwork, a theory about the variable speed-limit control of expresswaymainline isproposed inthispaper to improvetheefficiencyofroad use.Keywords: Variable speed-limit control; RBF fuzzy neural network; Expressway mainline network引言高速公路主线限速控制是通过设置可变速度标志来限制行车速度，通过为驾驶员提供速度信息，能降低高速车辆的比例，从而平滑交通流，在一定程度上减少交通事故，保证了高速公路上面运行车辆的稳定，同时还能提高道路通行能力[1]。
摘要摘要高速公路凭借其高速运行、高安全性及高运输量的特点，在交通运输系统中是极为重要的组成之一。
但高速公路常常由于局部路段施工、突发事件等因素造成交通瓶颈区域的产生，导致行驶安全与通行效率降低。
随着智能网联技术的不断创新与发展，智能网联技术凭借信息实时交互性、车辆感知能力较强等性质，为高速公路控制领域提供一种新思路。
研究智能网联环境下的可变限速控制对改善瓶颈区域的交通运行状态与提升通行效率具有重要意义。
首先，将高速公路瓶颈区域作为研究对象，阐述了交通瓶颈的定义及特点，在此基础上举例分析了瓶颈区域拥堵蔓延与消散机理，通过对智能网联环境特点的分析，明确了智能网联汽车的跟驰模型与缓解拥堵理论，并提出可变限速控制理论，分析可变限速控制理论条件下的控制原理与结构。
其次，通过对比选取METANET模型作为可变限速控制的基础交通流模型，分析了可变限速控制与智能网联环境的特点对METANET模型进行改进，并利用仿真数据对模型进行了标定。
再次，参考模型预测控制的思想构建了可变限速控制系统，选择总通行流量、总行程时间、总速度差作为控制目标，根据三者的重要程度利用1-9标度法确定三者的权重系数，结合驾驶人与高速公路特性将限速值约束在合理区间，并将遗传算法作为求解工具，实现滚动优化。
最后，将SUMO作为基础的仿真平台，通过修改其内置文件增设智能网联汽车，并利用SUMO的TraCI 接口与python编程语言对SUMO进行二次开发，构建智能网联环境下的可变限速控制系统。
仿真结果表明，可变限速控制较无控制状态相比，可有效缓解拥堵，提升道路通行效率；改进的智能网联环境可变限速控制系统的控制效果更优于未改进的状态，且随着智能网联汽车渗透率的不断提升，交通运行状态将进一步改善。
关键词：智能网联环境；可变限速控制；瓶颈区域；METANET模型；SUMO 二次开发AbstractAbstractWith the characteristics of high speed,high safety and high transportation capacity,highways are one of the most important components in modern transportation system.However,highways often cause traffic bottleneck area due to local road construction,emergencies and other factors,resulting in reduced driving safety level and traffic efficiency.Intelligent connected vehicle technology provides a new method in the field of highway control by virtue of the real-time interactive information and strong vehicle sensing ability.It is of great significance to study the variable speed limit control in the intelligent network environment to ameliorate traffic operation status in the bottleneck area and improve the traffic efficiency.Firstly,the bottleneck area of the highway is taken as the research object,and the definition and characteristics of the traffic bottleneck are elaborated.Based on this,the mechanism of congestion spreading and dissipation of the bottleneck area is analyzed by examples.By analyzing the characteristics of the intelligent network environment,the intelligent connected vehicle following model and congestion alleviation theory are mentioned.Moreover,the variable speed limit control theory is put forward and the control principle and structure are analyzed under the framework of variable speed limit control theory.Secondly,METANET was selected as the basic traffic flow model of variable speed limit control through comparative analysis.The characteristics of variable speed limit control and intelligent network environment were analyzed to improve the METANET model, and the model was calibrated using simulation data.Thirdly,with reference to the idea of model predictive control,a variable speed limit control system is constructed.Total travel capacity,total travel time,and total speed difference are used as control ing the1-9scale method,the weight coefficients of the three control targets are determined according to importance.Based on the characteristics of the driver and the highway,the speed limit value is constrained toAbstracta reasonable interval,and the genetic algorithm is used as a solving tool to achieve rolling optimization.Finally,SUMO is used as the basic simulation platform,and the intelligent connected vehicle is added by modifying its built-in files.The SUMO TraCI interface and the python programming language are used for secondary development of SUMO to build a variable speed limit control system in an intelligent network environment.The simulation results show that compared with the uncontrolled state,the variable speed limit control can effectively alleviate congestion and improve traffic efficiency;the improved speed limit control system under the intelligent networked environment is better than the unimproved state.In addition,as the penetration rate of intelligent connected vehicles increases,traffic operation status will be further improved.Key words：Intelligent Network Environment,Variable Speed Limit, Bottleneck area,METANET Model,SUMO secondary development目录目录第一章绪论 (1)1.1研究背景及研究意义 (1)1.2国内外研究现状 (2)1.2.1智能网联技术发展研究现状 (2)1.2.2可变限速控制策略研究现状 (3)1.2.3智能网联环境仿真与应用研究现状 (5)1.2.4研究现状总结 (7)1.3研究内容 (8)1.4技术路线 (9)1.5本章小结 (11)第二章高速公路瓶颈区域拥堵机理与缓堵理论分析 (12)2.1高速公路瓶颈区域理论分析 (12)2.1.1高速公路瓶颈区域定义及分类 (12)2.1.2高速公路瓶颈区域拥堵蔓延与消散机理 (14)2.1.3高速公路瓶颈区域检测方法 (17)2.2智能网联环境与缓堵理论分析 (18)2.2.1车辆行驶特征分析 (19)2.2.2智能网联汽车跟驰模型 (20)2.2.3智能网联环境缓堵理论 (22)2.3高速公路可变限速控制缓堵理论 (23)2.3.1传统高速公路限速理论 (23)2.3.2可变限速拥堵控制缓堵理论 (25)2.3.3可变限速控制结构分析 (26)2.4本章小结 (28)第三章智能网联环境高速公路主线可变限速交通流模型 (30)3.1可变限速交通流模型选择 (30)3.2智能网联环境可变限速交通流模型建立 (32)目录3.2.1基础METANET模型 (32)3.2.2METANET模型改进 (36)3.3参数标定 (39)3.3.1智能网联环境交通流基础参数分析 (39)3.3.2METANET模型参数标定与校准 (43)3.4本章小结 (45)第四章智能网联环境高速公路主线可变限速控制策略 (47)4.1基于模型预测控制的可变限速控制流程 (47)4.2多目标优化控制模型 (49)4.2.1控制目标函数构建 (49)4.2.2变量约束条件 (53)4.3基于遗传算法的目标函数求解 (54)4.3.1遗传算法基本原理 (54)4.3.2遗传算法参数设定 (57)4.4本章小结 (57)第五章智能网联环境可变限速控制仿真评价 (59)5.1仿真平台搭建 (59)5.1.1道路场景仿真设置 (60)5.1.2仿真平台二次开发 (62)5.2仿真结果分析 (64)5.3敏感性分析 (69)5.4本章小结 (71)第六章结论与展望 (73)6.1全文总结 (73)6.2研究展望 (74)参考文献 (76)致谢 (80)个人简历、在学期间的研究成果及发表的学术论文 (81)第一章绪论第一章绪论1.1研究背景及研究意义随着各地区高速公路网络的迅速扩张，高速公路的行驶里程、运输量也随之迅速增长。
《高速公路可变速度控制方法研究》篇一一、引言随着城市化进程的加速和交通流量的日益增长，高速公路的安全和效率问题变得越来越重要。
其中，可变速度控制是提高高速公路运行效率、减少交通事故发生的重要手段。
本文旨在研究高速公路可变速度控制方法，以提高高速公路的交通安全和运行效率。
二、研究背景可变速度控制是指根据道路交通流量的变化、道路条件、天气状况等因素，实时调整道路限速，以实现交通流量的合理分配和优化，从而提高道路交通安全和运行效率。
目前，国内外学者已经对可变速度控制方法进行了广泛的研究，但仍然存在一些问题和挑战，如如何准确预测交通流量变化、如何合理设置限速值等。
三、可变速度控制方法研究1. 交通流量预测交通流量预测是可变速度控制的基础。
目前，常用的交通流量预测方法包括时间序列分析、神经网络等。
这些方法可以通过对历史交通流量数据的分析，预测未来一段时间内的交通流量变化情况。
然而，由于道路交通流量的复杂性，预测精度仍需进一步提高。
2. 限速值设置限速值设置是可变速度控制的核心。
在设置限速值时，需要综合考虑道路条件、交通流量、天气状况等因素。
一般来说，限速值的设置应该遵循以下原则：保证交通安全、提高道路运行效率、尽量减少对车辆行驶的干扰。
目前，常用的限速值设置方法包括基于规则的方法、基于优化算法的方法等。
3. 控制策略控制策略是实现可变速度控制的关键。
根据交通流量预测结果和限速值设置，制定相应的控制策略。
常用的控制策略包括基于规则的控制策略、基于模型的控制策略等。
其中，基于模型的控制策略可以通过建立道路交通流量的数学模型，实现更加精确的控制。
四、实验与分析本文通过实验对可变速度控制方法进行了验证和分析。
实验采用真实的道路交通流量数据，对不同控制方法的效果进行了比较和分析。
实验结果表明，采用可变速度控制方法可以显著提高道路的运行效率和安全性。
其中，基于模型的控制策略具有更高的精度和鲁棒性，可以更好地适应道路交通流量的变化。
华北电力大学毕业设计(论文)题目基于RBF神经网络整定的PID控制器设计及仿真系别专业班级学生姓名秦术员指导教师年月基于RBF神经网络整定的PID控制器设计及仿真摘要目前，因为PID控制具有简单的控制结构，可通过调节比例积分和微分取得基本满意的控制性能，在实际应用中又较易于整定，所以广泛应用于过程控制和运动控制中，尤其在可建立精确模型的确定性控制系统中应用比较多。
然而随着现代工业过程的日益复杂，对控制要求的逐步增高（如稳定性、准确性、快速性等），经典控制理论面临着严重的挑战。
对工业控制领域中非线性系统，采用传统PID 控制不能获得满意的控制效果。
采用基于梯度下降算法优化RBF神经网络，它将神经网络和PID控制技术融为一体，既具有常规PID控制器结构简单、物理意义明确的优点，同时又具有神经网络自学习、自适应的功能。
因此，本文通过对RBF神经网络的结构和计算方法的学习，设计一个基于RBF神经网络整定的PID控制器，构建其模型，进而编写M语言程序。
运用MATLAB软件对所设计的RBF神经网络整定的PID控制算法进行仿真研究。
然后再进一步通过仿真实验数据，研究本控制系统的稳定性，鲁棒性，抗干扰能力等。
关键词：PID；RBF神经网络；参数整定SETTING OF THE PID CONTROLLER BASED ON RBF NEURAL NETWORK DESIGN AND SIMULATIONAbstractAt present, because the PID control has a simple control structure, through adjusting the proportional integral and differential gain basic satisfactory control performance, and is relatively easy to setting in practical application, so widely used in process control and motion control, especially in the accurate model can be built more deterministic control system application. With the increasingly complex of the modern industrial process, however, increased step by step to control requirements (e.g., stability, accuracy and quickness, etc.), classical control theory is faced with severe challenges. Non-linear systems in industrial control field, using the traditional PID control can not obtain satisfactory control effect. Optimized RBF neural network based on gradient descent algorithm, it will be integrated neural network and PID control technology, with a conventional PID controller has simple structure, physical meaning is clear advantages, at the same time with neural network self-learning, adaptive function. Therefore, this article through to the RBF neural network structure and the calculation method of learning, to design a setting of the PID controller based on RBF neural network, constructs its model, and then write M language program. Using the MATLAB software to design the RBF neural network setting of PID control algorithm simulation research. Data and then further through simulation experiment, the control system stability, robustness, anti-interference ability, etc.Keywords: PID; RBF neural network; Parameter setting目录摘要 (Ⅰ)Abstract (Ⅱ)1 绪论 (1)1.1 课题研究背景及意义 (1)1.2神经网络的发展历史 (2)2 神经网络 (6)2.1神经网络的基本概念和特点 (6)2.2人工神经网络构成的基本原理 (6)2.3神经网络的结构 (7)2.3.1前馈网络 (7)2.3.2 反馈网络 (7)2.4神经网络的学习方式 (8)2.4.1监督学习(有教师学习) (8)2.4.2非监督学习(无教师学习) (8)2.4.3再励学习(强化学习) (9)2.5 RBF神经网络 (9)2.5.1 RBF神经网络的发展简史 (9)2.5.2 RBF的数学模型 (9)2.5.3被控对象Jacobian信息的辨识算法 (10)2.5.4 RBF神经网络的学习算法 (11)2.6 本章小结 (12)3 PID控制器 (13)3.1 PID控制器简介 (13)3.2 经典PID控制原理 (13)3.3 现有PID控制器参数整定方法 (15)3.4 PID控制的局限 (15)3.5本章小结 (15)4 基于RBF神经网络整定的PID控制器设计 (16)4.1 RBF神经网络的PID整定原理 (16)4.2 神经网络PID控制器的设计 (16)4.3 本章小结 (17)5 仿真分析 (18)5.1 系统的稳定性分析 (18)5.2 系统抗干扰能力分析 (19)5.3 系统鲁棒性分析 (20)5.4 本章小结 (22)结论 (23)参考文献 (24)致谢 (25)附录仿真程序 (26)1 绪论1.1 课题研究背景及意义PID控制器（按比例、积分和微分进行控制的调节器）是最早发展起来的应用经典控制理论的控制策略之一，是工业过程控制中应用最广泛，历史最悠久，生命力最强的控制方式，在目前的工业生产中，90％以上的控制器为PID控制器。
第20卷第5期 武汉科技学院学报V ol.20 No.5 2007年5月 JOURNAL OF WUHAN UNIVERSITY OF SCIENCE AND ENGINEERING May. 2007 RBF神经网络理论及其在控制中的应用周勇，胡中功（武汉工程大学电气信息学院，湖北武汉 430073）摘要：对RBF神经网络的结构和函数逼近理论进行了综述，最后提出了RBF网络在控制中的研究及应用。
关键词：RBF神经网络；全局逼近；遗传算法中图分类号：TP183 文献标识码：A 文章编号：1009－5160(2007)－0040－03人工神经网络是从微观结构与功能上对人脑神经系统的模拟而建立起来的一类模型，具有模拟人的部分形象思维的能力，其特点是具有非线性特性、学习能力和自适应性，是模拟人的智能的一种重要途径，它在许多方面取得了广泛应用。
从神经网络的基本模式看主要有[1]：前馈型、反馈型、自组织型及随机型网络。
目前，在控制领域内神经网络正在稳步的发展，这种发展的动力主要来自三个方面[2]：⑴处理越来越复杂的系统的需要；⑵实现越来越高的设计目标的需要；⑶在越来越不确定的情况下进行控制的需要。
在控制领域中，目前应用较多的网络是BP网络，但BP网络存在局部最优问题，并且训练速度慢、效率低。
RBF网络在一定程度上克服了这些问题，因此它的研究与应用越来越得到重视。
本文综述了RBF神经网络的有关理论，并且提出了RBF网络在控制中的研究与应用。
1 RBF神经网络的结构RBF神经网络（Radial Basis Function Neural Network）的提出具有较强的生物学背景。
在人的大脑皮层区域中，局部调节及交叠的感受野（Receptive Field）是人脑反应的特点，基于感受野这一特性[2,3]，Moody 和Darken提出了一种神经网络结构，即RBF网络。
RBF网络是一种前向网络，隐含层的单元是感受野单元，每个感受野单元输出为ω＝i R(X)=i R(ii cX−⁄iσ), Hi,,1"=；X是N维输入向量，中心矢量i c是与X同维数的向量，i R(﹒)具有局部感受的特点，例如i R(X)=exp(-2ii cX−⁄iσ²), i R(﹒)只有在i c周围的一部分区域内有较强的反应，这正体现了大脑皮质层的反应特点。
神经网络控制RBF神经网络是一种模拟人脑处理信息的计算模型，可以通过学习数据来预测和控制各种系统。
在控制领域，神经网络已经被广泛应用，很多控制问题可以通过神经网络来实现优化控制。
而基于类RBF（径向基函数）神经网络的控制方法也得到广泛的研究和应用，该方法是一种自适应控制方法，可以处理非线性系统，具有一定的理论和实际应用价值。
1. RBF神经网络控制方法RBF神经网络是一种前馈神经网络，由输入层、隐层和输出层组成。
其中，输入层接受外界输入，隐层包含一组RBF神经元，其作用是将输入空间划分为若干子空间，并将每个子空间映射到一个神经元上。
输出层是线性层，负责将隐层输出进行线性组合，输出控制信号。
在控制系统中，RBF神经元用于计算控制信号，从而实现控制目标。
RBF神经网络的训练包括两个阶段：聚类和权重调整。
聚类过程将输入空间划分成若干个类别，并计算出每个类别的中心和半径。
聚类算法的目标是使得同一类别内的样本距离聚类中心最小，不同类别之间距离最大。
常用的聚类算法包括k-means算法和LVQ算法。
权重调整过程将隐层神经元的权重调整到最优状态，以便将隐层输出映射到目标输出。
在实际控制中，RBF神经网络控制方法应用较为广泛，可以替代PID控制器等传统控制方法，具有良好的鲁棒性、自适应能力和较好的控制性能。
2. 基于RBF神经网络的控制方法RBF神经网络控制方法广泛应用于各种领域的控制任务，特别是在非线性系统控制中具有重要的应用价值。
基于RBF神经网络的控制方法主要包括以下两种：（1）虚拟控制策略：将系统建模为线性结构和非线性结构两部分，其中线性结构可以采用传统的控制方法进行控制，而非线性结构则采用基于RBF神经网络的控制方法进行控制。
虚拟控制策略的优点是可以将传统控制和RBF神经网络控制各自的优势融合起来，减小系统的复杂度和计算量。
（2）基于反馈线性化的控制策略：利用反馈线性化的方法将非线性系统变为一个可控的线性系统，从而可以采用传统线性控制方法进行控制。
基于RBF神经网络的高速公路主线可变限速控制摘要：高速公路主线限速控制是一个非线性时变系统，受多种因素的影响，其基本规律很难用确定性模型描述，因此本文提出基于RBF神经网络控制理论的高速公路主线可变限速方法，提高道路的使用效率。
关键词：可变限速；RBF模糊神经网络；高速公路主线VariableSpeed-LimitControlOfExpressway Mainline BasedOnRBF Fuzzy NeuralNetworkTU Dan, Xu Chanzhi, Chen Wei(School of Transportation and Logistics, Southwest Jiaotong University, Chengdu 610031, Sichuan, China)Abstract: The speed-limit control of expressway mainline is a nonlinear time-varying system, affected by a variety of factors. It’s hard to describe the deterministic model of the basic rules. So, based on RBFneuralnetwork, a theory about the variable speed-limit control of expresswaymainline isproposed inthispaper to improvetheefficiencyofroad use.Keywords: Variable speed-limit control; RBF fuzzy neural network; Expressway mainline network引言高速公路主线限速控制是通过设置可变速度标志来限制行车速度，通过为驾驶员提供速度信息，能降低高速车辆的比例，从而平滑交通流，在一定程度上减少交通事故，保证了高速公路上面运行车辆的稳定，同时还能提高道路通行能力[1]。
石永辉等在深入研究交通流和驾驶行为特征的基础上，提出了可变限速控制策略以缓解交通拥堵、改善交通安全[2]；干宏成等结合我国高速公路和城市快速路的特点，运用交通流理论对拥挤产生的原因进行分析，提出了相应的可变限速控制策略、模型及算法，并进行有效性评价[3],但都缺乏数学模型和仿真算例。
由于BP神经网络存在训练速度慢、易陷入局部最优解等缺陷，预测效果差，难以应用于高速公路可变限速控制[4,5]。
陈书旺等概述了模糊系统和神经网络两者结合的优势，由于RBF 神经网络在逼近能力、分类能力和学习速度等方面的优势，对RBF网络进行了模糊化构造[6]，证明了对用于被控对象数学模型不清或难以建立的场合下，模糊RBF 神经网络结构学习效率的优越性。
目前对高速公路车辆安全行驶速度控制的方法不完善，缺乏有效性；限速模型与限速标准没有考虑不同路段的路况、不同气候条件等因素的影响，缺乏合理性。
所以，论文为高速公路可变限速控制引入RBF神经网络控制算法，对有效改善高速公路交通安全状况具有重要的理论和实际意义。
1高速公路可变限速影响因素高速公路可变限速控制的因素影响因素有很多，主要是以下几个方面[7]：1.1 道路车流量大小不同，所对应的可变限速值不同。
1.2 气候的变化，将直接影响高速公路可变限速值，包括路面的温度和湿度、气象的晴、阴、雨、雪、雾、风等。
1.3 可变限速值与路面纵向附着系数有关，与路面凹凸不平等情况有关，与道路线性有关。
1.4 高速公路可变限速值和驾驶员的心理状态、驾驶技术也有很大的关系，但是驾驶员的心理行为、驾驶员对可变限速板提供的可变信息做出的相关反应等都比较难于界定。
在上述影响因素中，就某一段固定的受控高速公路而言，路段上的道路车流量可以通过安装在高速公路上的环形线圈检测器、超声波检测器等检测出来；具体的天气状况可以通过高速公路控制与管理人员观察到，路面温度、路面湿度均可由相应的传感器检测到；而路况条件在短期内是确定的，则认为道路等级和线性等情况是固定的。
2 控制模型2.1控制系统的RBF 模糊神经网络结构论文采取基于径向基(RBF)函数网络模型的模糊神经网络，模糊神经网络控制器的输入有两个，一是单位长度路段上的车辆数量，用n表示，取值范围为[0,100]，划分为5个模糊子集{“少”，“较少”，“中等”，“较多”，“多”}；另一个是行车环境综合评价指标值，用s表示，取值范围为[0,10]，也划分为5个模糊子集{“低”，“较低”，“中等”，“较高”，“高”}，由具体的路面情况和天气情况决定。
其中，行车环境综合评价指标值采用模糊逻辑得到一个具体的指标值。
行车环境综合评价指标值模糊控制器的输入量有两个，分别为天气指标值和路况指标值，因为天气和路况的确定存在一定的模糊性。
即对于天气的描述用w表示，取值范围为[0,10]，划分为5个模糊子集｛“差”，“较差”，“一般”，“较好”，“好”｝，取值越大天气越好；对于路况的描述用r表示，取值范围为[0,10]，也划分为5个模糊子集，｛“差”，“较差”，“一般”，“较好”，“好”｝，取值越大路况越好。
模糊推理规则为模糊神经网络的模糊推理规则为根据模糊规则，可构造用于预测的RBF模糊神经网络如图1所示。
此模糊神经网络由五层组成，分别是输入层、隶属函数层、规则化层、结果层、去模糊化输出层。
图1控制系统的RBF 模糊神经网络结构第一层：输入层，其输入与输出一致。
两个输入分别为影响高速公路可变限速的因素：单位长度路段上的车辆数量、行车环境综合评价指标值。
（1）第二层：模糊化层，将两个输入因素分别划分为5个等级。
划分因素1，表示为，分别代表“少”，“较少”，“中等”，“较多”，“多”，同理划分因素2，表示为。
这里的隶属函数采用高斯径向基函数，和是第i个输入变量第j个模糊集合的隶属函数的中心和基宽。
（2）第三层：规则层，这一层的每个节点分别只与上一层中的2个因素中的某单个级别节点相连接，所以的这一层的节点总数为25，表示为。
也就是说，两个因素决定一个规则。
（3）第四层：结果层，结点表示为。
25条规则按照不同的权值组合形式形成了不同的结果。
本层的每个结点都与上一层相连接。
传递函数使用函数，是第三层的第k个结点到第四层第j个结点的权值。
（4）第五层：去模糊化层，这一层只有一个结点，用Y表示。
将5个等级值按一定的权值组合出最后的输出结果。
输出函数使用函数，是第四层的五个结点到输出层的权值。
（5）2.2系统的RBF 模糊神经网络的学习算法高速公路可变限速控制系统的RBF模糊神经网络的学习算法采用向后传播误差的方法。
2.2.1 对于输出层单元，设误差为EO，用下式表示：；其中，O是实际输出，而T 是基于给定训练元组的已知目标值。
2.2.2 计算隐藏层单元的误差，考虑下一层中连接到j的单元的误差加权和。
隐藏层单元j的误差是：；其中，是由下一较高层中单元k到单元j的连接权重，而是单元k的误差。
2.2.3 权值和隶属度函数参数更新，，其中表示从i层到第j层的权值，L表示步长，一般设置为0 到1之间的值，表示第j层的误差，表示第i层的输出。
2.3系统的RBF 模糊神经网络的训练方法本文将采用增量型模糊神经网络训练方法和批处理型模糊神经网络训练方法相结合的方法训练该RBF模糊神经网络。
2.3.1 依次学习每组输入样本以此来调整权值。
其中，当输出层误差小于某个值或超过预先指定的周期数时，则单个样本学习样本终止。
2.3.2 使所有样本的完成一次学习，使用调整后的网络再一次计算各组样本的输出，得出相应的输出层误差。
2.3.3 令所有样本误差绝对值中的最大值为e。
若e大于某个值且周期数小于指定值时，重复步骤（1），直到终止。
3仿真研究3.1 选择学习样本和测试样本仿真路段选择为某高速公路一段10km作为研究对象，根据高速公路管理人员实际经验和专家的实际知识，提供的样本作为训练数据。
其中，行车环境综合指标值采用模糊逻辑所得值如表1所示。
表1 行车环境综合指标值选取15组输入样本如表2所示。
表2学习样本选取5组测试样本如表3所示。
表3 测试样本3.2 实现过程3.2.1 RBF模糊神经网络的学习和训练过程。
通过初始化权值和函数参数，形成未训练的RBF模糊神经网络架构，然后使用学习样本对网络进行有指导的学习和训练，训练结果如表4所示。
表4 网络学习结果3.2.2 数据测试把5组与学习样本不同的数据作为测试样本，输入网络进行计算，测试结果如表5 所示。
表5 检测结果3.2.3 结果分析由以上测试结果可以看出，预测精度不如训练样本精度高。
其中可能的影响因素很多，可能是样本过分的拟合了训练数据，也可能是训练次数不够。
不过，总的来说样本误差较小，在可接受范围。
3.2.4 与BP神经网络结果比较为了验证RBF模糊神经网络方法的有效性和优越性，本文对基于模糊神经网络的限速控制方法和基于BP神经网络的限速控制方法在测试集上的准确率进行了比较。
结果如图2所示。
图2 对比图表用BP神经网络测试，结果相对不稳定，本文选取的是一个相对比较好的拟合结果，可以看出用BP神经网络评估方法的结果虽然能在一定程度上拟合目标值，但和RBF模糊神经网络相比，其拟合度明显不如后者，而且有部分值与目标速度值差别很大，所以RBF模糊神经网络算法是一种更好的高速公路可变限速控制方法。
4 结论本文在仔细分析国内外研究高速公路可变限速控制前提下，提出用RBF模糊神经网络智能建模方法建立速度限制模型，并且提出将增量型模糊神经网络训练方法和批处理型模糊神经网络训练方法相结合的方案，使训练结果更客观、更有效。
用Matlab编程实现了整个网络，最后与BP神经网络作了对比实验，实验结果表明该方法更适合于高速公路速度控制。
参考文献[1]李宝家,黄小原.高速公路交通的变速限模糊控制[J].控制工程,2002,9(3):45-47.[2]余凯,张存保,石永辉.基于多元因素的高速公路可变限速值计算方法研究[J].交通信息与安全,2011,159(29):4-7.[3]干宏程,孙立军.高速公路可变限速控制技术研究[J].交通科技,2004,207(6):91-93.[4]B H M Sadeghi. A BP-neural network predictor model for plastic injection molding process[J]. Journal of Materials Processing Technology, 2000,103(3):411-416.[5]Kuang-Hua Fuh, Shuh-Bin Wang. Force modeling and forecasting in creep feed grinding using improved bp neural network[J]. International Journal of Machine Tools and Manufacture, 1997,37(8):1167-1178.[6]陈书旺,张喜英.模糊理论在RBF 神经网络中的应用[J].人工智能及识别技术,2007:728-737.[7]谭满春,徐建闽,毛宗源.高速公路入口匝道模糊逻辑控制[J].华南理工大学学报,1999,27(8):5-8.。
