基于概率神经网络的高速公路事件检测

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (15): 227-229.

基于概率神经网络的高速公路事件检测

梁新荣^１，２，裴瑞平^２，易少芹²

１．华南理工大学交通学院，广州５１０６４０
２．五邑大学信息学院，广东江门５２９０２０

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-05-21 发布日期:2007-05-21
通讯作者: 梁新荣

Ｆｒｅｅｗａｙ iｎｃｉｄｅｎｔ dｅｔｅｃｔｉｏｎ bａｓｅｄｏｎ pｒｏｂａｂｉｌｉｓｔｉｃ nｅｕｒａｌ nｅｔｗｏｒｋ

ＬＩＡＮＧＸｉｎ－ｒｏｎｇ^１，２，ＰＥＩＲｕｉ－ｐｉｎｇ^２，YI Shao-qin²

１．ＣｏｌｌｅｇｅｏｆＴｒａｆｆｉｃａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎｓ，ＳｏｕｔｈＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｇｕａｎｇｚｈｏｕ５１０６４０，Ｃｈｉｎａ
２．ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎ，ＷｕｙｉＵｎｉｖｅｒｓｉｔｙ，Ｊｉａｎｇｍｅｎ，Ｇｕａｎｇｄｏｎｇ５２９０２０，Ｃｈｉｎａ

Received:1900-01-01 Revised:1900-01-01 Online:2007-05-21 Published:2007-05-21
Contact: ＬＩＡＮＧＸｉｎ－ｒｏｎｇ

摘要/Abstract

摘要： 针对高速公路事件检测这一非线性分类问题，提出一种基于概率神经网络的事件检测方法。阐述了概率神经网络的结构与训练算法，分析了事件对交通流的影响规律，并合理地选取了概率神经网络的输入量，用高速公路管理部门提供的样本数据进行了仿真研究。仿真实验表明，基于概率神经网络的事件检测方法具有学习速度快、泛化能力好、检测准确率高等优点，具有良好的应用前景。

关键词: 交通工程, 高速公路, 事件检测, 概率神经网络, 分类

Abstract: Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｏｆｎｏｎｌｉｎｅａｒｃｌａｓｓｉｆｉｃａｔｉｏｎｉｎｆｒｅｅｗａｙｉｎｃｉｄｅｎｔｄｅｔｅｃｔｉｏｎ，ａｎｉｎｃｉｄｅｎｔｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎ Pｒｏｂａｂｉｌｉｓｔｉｃ Nｅｕｒａｌ Nｅｔｗｏｒｋ（ＰＮＮ）ｉｓｐｒｏｐｏｓｅｄ.ＴｈｅｓｔｒｕｃｔｕｒｅａｎｄｔｒａｉｎｉｎｇａｌｇｏｒｉｔｈｍｏｆＰＮＮａｒｅｆｏｒｍｕｌａｔｅｄ.Ｔｈｅｎｔｈｅｉｎｆｌｕｅｎｃｅｏｆａｎｉｎｃｉｄｅｎｔｏｎｔｈｅｔｒａｆｆｉｃｆｌｏｗｉｓａｎａｌｙｚｅｄ，ａｎｄｔｈｅＰＮＮｉｎｐｕｔｖａｒｉａｂｌｅｓａｒｅｓｅｌｅｃｔｅｄｒｅａｓｏｎａｂｌｙ.Ｓｉｍｕｌａｔｉｏｎｒｅｓｅａｒｃｈｉｓｃａｒｒｉｅｄｏｕｔｗｉｔｈｔｈｅｓａｍｐｌｅｄａｔｅｐｒｏｖｉｄｅｄｂｙｔｈｅｆｒｅｅｗａｙａｄｍｉｎｉｓｔｒａｔｉｖｅｏｆｆｉｃｅ.ＳｉｍｕｌａｔｉｏｎｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔＰＮＮｉｎｃｉｄｅｎｔｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｈａｓｓｕｃｈａｄｖａｎｔａｇｅｓａｓｆａｓｔｌｅａｒｎｉｎｇｓｐｅｅｄ，ｇｏｏｄｇｅｎｅｒａｌｉｚａｔｉｏｎａｂｉｌｉｔｙａｎｄｈｉｇｈｄｅｔｅｃｔｉｏｎｒａｔｅ.Ｉｔｉｓｆｏｕｎｄｔｏｂｅｐｏｔｅｎｔｉａｌｌｙａｐｐｌｉｃａｂｌｅｉｎｐｒａｃｔｉｃｅ．

Key words: ｔｒａｆｆｉｃｅｎｇｉｎｅｅｒｉｎｇ, ｆｒｅｅｗａｙ, ｉｎｃｉｄｅｎｔｄｅｔｅｃｔｉｏｎ, ｐｒｏｂａｂｉｌｉｓｔｉｃｎｅｕｒａｌｎｅｔｗｏｒｋ, ｃｌａｓｓｉｆｉｃａｔｉｏｎ

梁新荣^１，２，裴瑞平^２，易少芹². 基于概率神经网络的高速公路事件检测[J]. 计算机工程与应用, 2007, 43(15): 227-229.

ＬＩＡＮＧＸｉｎ－ｒｏｎｇ^１，２，ＰＥＩＲｕｉ－ｐｉｎｇ^２，YI Shao-qin². Ｆｒｅｅｗａｙ iｎｃｉｄｅｎｔ dｅｔｅｃｔｉｏｎ bａｓｅｄｏｎ pｒｏｂａｂｉｌｉｓｔｉｃ nｅｕｒａｌ nｅｔｗｏｒｋ[J]. Computer Engineering and Applications, 2007, 43(15): 227-229.

[1]	王永贵，李倩玉. 基于KNN-GBDT的混合协同过滤推荐算法[J]. 计算机工程与应用, 2021, 57(9): 103-108.
[2]	杨春霞，李欣栩，吴佳君，刘天宇. 基于注意力交互机制的层次网络情感分类[J]. 计算机工程与应用, 2021, 57(9): 134-139.
[3]	张韩钰，吴志昊，徐勇，陈斌. 增强卷积神经网络的人脸篡改检测方法[J]. 计算机工程与应用, 2021, 57(8): 220-224.
[4]	李俊丽. Spark平台下类别数据互信息计算的并行化[J]. 计算机工程与应用, 2021, 57(7): 95-100.
[5]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[6]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[7]	韩东方，吐尔地·托合提，艾斯卡尔·艾木都拉. 问答系统中问句分类方法研究综述[J]. 计算机工程与应用, 2021, 57(6): 10-21.
[8]	黄金杰，蔺江全，何勇军，何瑾洁，王雅君. 局部语义与上下文关系的中文短文本分类算法[J]. 计算机工程与应用, 2021, 57(6): 94-100.
[9]	李硕，梁毅. 面向Spark的批处理应用执行时间预测模型[J]. 计算机工程与应用, 2021, 57(5): 79-87.
[10]	王凤琴，柯亨进. 卷积神经网络及其分析在抑郁症判别中的应用[J]. 计算机工程与应用, 2021, 57(5): 245-250.
[11]	万亚玲，钟锡武，刘慧，钱育蓉. 卷积神经网络在高光谱图像分类中的应用综述[J]. 计算机工程与应用, 2021, 57(4): 1-10.
[12]	陶体伟，刘明霞，王明亮，王琳琳，杨德运，张强. 基于有效距离的低秩表示[J]. 计算机工程与应用, 2021, 57(4): 141-147.
[13]	郑诚，董春阳，黄夏炎. 基于BTM图卷积网络的短文本分类方法[J]. 计算机工程与应用, 2021, 57(4): 155-160.
[14]	佘海龙，解山娟，邹静洁. 标准分数降维的3D-CNN高光谱遥感图像分类[J]. 计算机工程与应用, 2021, 57(4): 169-175.
[15]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.