基于改进模糊聚类与ANFIS的高速公路事件检测

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (19): 242-245.

基于改进模糊聚类与ANFIS的高速公路事件检测

姚磊1，刘渊2

1.江南大学物联网工程学院，江苏无锡 214122
2.江南大学数字媒体学院，江苏无锡 214122

出版日期:2013-10-01 发布日期:2015-04-20

Freeway incident detection based on improved fuzzy clustering arithmetic and ANFIS

YAO Lei1, LIU Yuan2

1.School of Internet of Things, Jiangnan University, Wuxi, Jiangsu 214122, China
2.School of Digital Media, Jiangnan University, Wuxi, Jiangsu 214122, China

Online:2013-10-01 Published:2015-04-20

摘要/Abstract

摘要： 为了准确并及时地发现高速公路上的交通事故隐患，减少事故引发的交通延迟，提高高速公路运行安全性，结合减法聚类与模糊C均值（FCM）聚类算法对输入样本数据进行聚类，建成初始模糊推理系统，然后通过神经网络的自学习机制，训练模糊系统参数，确定模糊推理规则，建立最终模糊模型。通过仿真实验结果对比，验证了基于改进模糊聚类与自适应神经模糊推理系统（ANFIS）建模方法的有效性。

关键词: 交通事件检测, 模糊C均值聚类, 减法聚类, 自适应神经模糊推理, ROC曲线

Abstract: In order to accurately and timely detect highway traffic accident, reduce traffic delay and improve highway safety, this paper combines subtractive clustering and Fuzzy C-Means（FCM） clustering method to cluster the input sample data to build the initial fuzzy inference system, then the hybrid algorithm is used to train the parameters of the fuzzy system, determine the fuzzy reasoning rules, and establish a final training fuzzy model. Compared with the simulation experimental results, the method obtains excellent performance on ROC（Receiver Operation Characteristic） curve, shows the validity of the modeling method based on the improved fuzzy clustering and Adaptive Neural Fuzzy Inference System（ANFIS）.

Key words: freeway incident detection, Fuzzy C-Means（FCM） clustering, subtractive clustering, Adaptive Neural Fuzzy Inference, ROC curve

姚磊1，刘渊2. 基于改进模糊聚类与ANFIS的高速公路事件检测[J]. 计算机工程与应用, 2013, 49(19): 242-245.

YAO Lei1, LIU Yuan2. Freeway incident detection based on improved fuzzy clustering arithmetic and ANFIS[J]. Computer Engineering and Applications, 2013, 49(19): 242-245.

[1]	刘俊涛，王素娟，林晓明，刘祚时，谭俭辉，宋丹. 结合FCM聚类和边缘感知模型的眼底渗出物检测[J]. 计算机工程与应用, 2020, 56(11): 192-199.
[2]	汪娟1, 刘哲1, 宋余庆1, 陈香远2. 基于改进的GLCM甲状腺纹理特征提取与分析[J]. 计算机工程与应用, 2018, 54(23): 176-182.
[3]	王文慧1，杨庚1，葛炜1，刘沛东2，钱晨3. 噪声不均条件下的模糊C均值聚类算法及应用[J]. 计算机工程与应用, 2018, 54(19): 172-178.
[4]	刘沧生，许青林. 基于密度峰值优化的模糊C均值聚类算法[J]. 计算机工程与应用, 2018, 54(14): 153-157.
[5]	黄春娥，张洪，张景胜，孙明星，叶志伟. 葡萄酒的模糊C均值聚类及其最优聚类选择[J]. 计算机工程与应用, 2016, 52(2): 175-179.
[6]	恩德，张凤磊，张昭，忽胜强. 模糊熵在车载环境下语音端点检测中的应用[J]. 计算机工程与应用, 2016, 52(10): 147-150.
[7]	喻勇1，张云伟1，王静2，王大龙2，王彦钧2，包俊1. 基于计算机视觉的烟叶病害识别研究[J]. 计算机工程与应用, 2015, 51(20): 167-171.
[8]	王军玲1、2，王士同1，包芳2，周建林3. 基于空间距离的快速模糊C均值聚类算法[J]. 计算机工程与应用, 2015, 51(1): 177-183.
[9]	刘新，葛洪伟，张妨妨. 基于像素点聚类分离的滤波算法[J]. 计算机工程与应用, 2014, 50(5): 195-198.
[10]	张翡，范虹. 基于模糊C均值聚类的医学图像分割研究[J]. 计算机工程与应用, 2014, 50(4): 144-151.
[11]	谢振平1，王涛2，刘渊1. 一种集成贝叶斯决策的视频烟雾检测新方法[J]. 计算机工程与应用, 2014, 50(3): 173-176.
[12]	王民1，孙广1，沈利荣2，刘利1. 基于对数能量倒谱特征的端点检测算法[J]. 计算机工程与应用, 2014, 50(16): 198-201.
[13]	史东辉. 改进的ANFIS在房产评估中的应用[J]. 计算机工程与应用, 2014, 50(12): 247-251.
[14]	李凯，艾斯卡尔·艾木都拉. 基于边缘和基线的维吾尔文图像文字定位算法[J]. 计算机工程与应用, 2014, 50(10): 203-207.
[15]	宋蓓蓓，韦娜. FCM分割和形态学的沥青路面图像裂缝提取[J]. 计算机工程与应用, 2013, 49(4): 31-34.