کنترل ترافیک جاده با استفاده از شبکه عصبی فازی

قیمت: 42,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

کنترل ترافیک جاده با استفاده از شبکه عصبی فازی

عنوان لاتین

An Efficient Technique to Control Road Traffic Using Fuzzy Neural Network System

تصمیم گیری در سیستم های کنترل ترافیک قدیمی اپراتوری بوده است. حوادثی ممکن است برای اپراتورهای انسانی پیش آید. اما اپراتورهای بسیار با تجربه هم نمی توانند ترافیک را در وضعیت های غیر بازگشتی به خوبی کنترل کنند. وضعیت غیر بازگشتی وضعیتی است که پیش از وقوع حادثه توسط اپراتور انسانی دیده نمی شود. کنترل ترافیک در این شرایط وظیفه پیچیده ای است و نیاز به عکس العملی سریع و دانش تخصصی دارد. در ایم مقاله روشی جدید و موثر برای کنترل ترافیک در وضعیت ترافیکی غیربازگشتی ارائه شده است. در این روش پیشنهادی از تکنیک های گوناگونی در حیطه محاسبات نرم از جمله شبکه عصبی (NN)، منطق فازی (FL)، و الگوریتم ژنتیک (GA) استفاده شده است. در این روش دیتای نادقیق به صورت خوشه ای به فرم ترکیب گوسی به وسیله الگوریتم ماکزیمم سازی امید و در گروه های فازی طبقه بندی می شود. در این روش جمعیت اولیه کروموزوم ها در الگوریتم ژنتیک با استفاده از الگوریتمی جدید مینیمم سازی می شوند. الگوریتم پیشنهادی استفاده شده در شناسایی قوانین سیستم فازی پیچیدگی زمانی و مکانی پروسه را کاهش می دهد. پروسه پیشنهادی با استفاده از METANET اعتبار سنجی شده است.

Conventional road traffic controlling systems are dependent on human operators for most of the decisions. Such human operators have experienced a wide variety of incidents and traffic congestions. But even the most experienced operators fail to control traffic efficiently during non-recurrent situations. Non-recurrent situation is a situation which has not been seen earlier by a human operator prior to its occurrence. Controlling traffic flow in such a situation is a complex task as it demands quick reaction and expert knowledge. This paper proposes a novel and efficient approach to control traffic flow in nonrecurrent traffic situations. The proposed approach uses multiple techniques, most of which are borrowed from Soft Computing such as, NN (Neural Network), FL (Fuzzy Logic) and GA (Genetic Algorithm). This approach involves clustering imprecise data, in the form of Gaussian mixtures, into fuzzy sets using Expectation Maximization algorithm. The approach also includes minimizing the initial population of chromosomes in Genetic algorithm using a novel algorithm. The proposed algorithm used in identification of valid rules for fuzzy system reduces space and time complexity of the process. The proposed approach has been validated using METANET