广义神经网络的研究及其在交通流预测中的应用

论文题目: 广义神经网络的研究及其在交通流预测中的应用

论文类型: 硕士论文

论文专业: 计算机应用技术

作者: 苑文江

导师: 谭国真

关键词: 智能神经元,广义神经网络,交通流量预测,并行计算,网格计算

文献来源: 大连理工大学

发表年度: 2005

论文摘要: 作为智能交通系统的重要研究方面,交通流诱导系统是目前公认的提高交通效率和机动性的最佳途径。交通流诱导系统的实质是向出行者提供实时准确的交通信息。交通流量是城市道路交通状况的一种重要信息,因此交通流量预测具有重要的现实意义。由于影响交通流量的因素众多,这就给交通流量预测,尤其是短时的交通流量预测带来了困难。神经网络技术由于其较好的适应性,已经成为信息预测的常用模型。本文在传统神经网络的基础上,利用线性独立函数和带有可调参数的Sigmoid函数构造了一种新的智能神经元模型,分析表明,这种智能神经元有较高的信息存储能力,使神经网络的信息处理能力大大增强。同时为了缩小神经网络输入模式的规模,本文利用相关性理论分析相邻路段不同时段流量的相关性,选择与被预测路段相关性大的路段流量作为神经网络输入,建立了基于广义神经网络的交通流量预测模型。实验结果表明,本文设计的广义神经网络模型的收敛速度和预测精度较传统BP神经网络大大提高。神经网络计算具有内在的并行性,并行处理方法是减少神经网络学习时间的有效方法,为了进一步加快神经网络的学习速度,本文设计了一种基于训练集分解的广义神经网络并行学习算法,采用一种新的任务间的通信策略,减少了算法执行过程中的通信量,本文在机群环境下对该算法进行了测试,实验结果表明,该并行算法在加快神经网络的学习速度方面是很有效的。同时本文实现了网格环境下的广义神经网络的并行学习算法。

论文目录:

摘要

Abstract

1引言

1.1选题背景和研究意义

1.2研究现状

1.3本文的主要工作

1.4本文的组织结构

2基于广义神经网络的交通流量预测

2.1误差逆传播神经网络的基本原理

2.1.1误差逆传播神经网络的结构和学习过程

2.1.2BP神经网络的学习算法

2.1.3BP神经网络的改进

2.2广义神经网络模型

2.2.1智能神经元模型

2.2.2广义神经网络模型及其学习算法

2.3交通流量预测模型

2.4实验结果

2.5小结

3并行计算的基本理论

3.1并行性

3.2并行算法的一般概念

3.2.1并行算法设计的策略

3.2.2并行算法的性能评估

3.2.3并行编程模式

3.3PC集群并行计算平台

3.4PC集群上并行程序的开发过程

3.4.1并行程序的设计和实现

3.4.2并行应用程序的编译与运行

4广义神经网络的并行学习算法

4.1神经网络学习算法的并行性

4.1.1训练集分解

4.1.2层分解

4.1.3节点分解

4.2广义神经网络的并行学习算法

4.2.1传统训练集分解并行算法的缺点

4.2.2新的基于训练集分解的并行学习算法

4.3并行学习算法的实现

4.4实验结果

4.5小结

5网格环境下广义神经网络的并行学习

5.1网格计算对传统高性能计算的冲击

5.2网格计算

5.3MPICH-G2

5.4算法描述

5.5实验测试

5.5.1网格实验环境

5.5.2实验结果

结论

参考文献

攻读硕士学位期间发表学术论文情况

致谢

大连理工大学学位论文版权使用授权书

发布时间: 2005-05-13

参考文献

[1].基于改进神经网络的室内三维定位技术研究[D]. 刘敏.安徽理工大学2018
[2].城市道路交通流量短时预测研究[D]. 王婷婷.贵州财经大学2018
[3].基于卷积神经网络的高光谱遥感图像分类技术研究[D]. 曾锐.华侨大学2018
[4].基于卷积神经网络的体数据可视化研究[D]. 周正磊.浙江大学2018
[5].基于深度学习理论的行人检测研究[D]. 耿开鹏.西安科技大学2018
[6].基于多模态深度神经网络的深度恢复[D]. 许龑.浙江大学2018
[7].基于BSP模型的超大图片卷积神经网络计算方法[D]. 张梦丹.浙江大学2018
[8].结合规则优化神经网络[D]. 李乐天.吉林大学2018
[9].基于卷积神经网络的行人性别识别方法研究[D]. 蔡磊.华侨大学2018
[10].基于深度神经网络的程序分类技术研究[D]. 乔阳.浙江大学2018

广义神经网络的研究及其在交通流预测中的应用

猜你喜欢