ارائه الگوریتم کنترل ترافیک در تصاویر ویدئویی دیجیتال با استفاده از سیستمهای نرو-فازی

ارائه الگوریتم کنترل ترافیک در تصاویر ویدئویی دیجیتال با استفاده از سیستمهای نرو-فازی

امروزه با افزایش سریع کلان شهرها و افزایش تعداد خودروها، اهمیت داشتن مدیریت ترافیک موثر و کارآمد بر کسی پوشیده نیست. تـاکنون  روشـهای  کنتـرل  ترافیـک  بیـشتر  مبتنـی  بـر  روشـهای  کنترلـی  کلاسیک بوده است که با مسائلی همچون سطح پایین هوشمندی در مواجه با شرایط پیچیـده  ترافیکـی  و عدم مدلسازی مناسب، مواجه می باشند.

در این تحقیق سعی برآن است کـه  بـا  بـه  کـارگیری  تکنیـک  آموزشی FHLA که بر مبنای شبکههای عصبی RBF و روش خوشه یابی فـازی  عمـل  مـی نمایـد،  نـوعی  کنترل هوشمند برای تنظیم پارامترهای یک تقاطع ایزوله ارائه شود، به طوری کـه  در نهایـت  بـه  کـاهش  تاخیر وسایل نقلیه در عبور از تقاطع و جلوگیری از ایجاد اشباع در هر یک از ورودی هـای تقـاطع  منتهـی  گردد.

ساختار نوع خاصی از شبکه نرو- فازی

دراین تحقیق یک تکنیک موثر بر مبنای سیستمهای عصبی- فازی برای کنترل چراغهای راهنمایی و براساس پردازش هوشمند تصاویر ترافیکی دریافتی از دوربینهای نصب شده در یک تقـاطع ایزولـه، ارائـه شـده است.

هدف از کنترل ترافیک در خیابانهای منتهی به یک تقـاطع ایزولـه آن اسـت کـه در یـک بـازه زمـانی مشخص، از ایجاد اشباع در هریک از بازوها جلوگیری کرده و همچنـین بتـوان زمـان انتظـار وسـایل نقلیـه درپشت چراغ قرمز را به حداقل رساند تا نهایتا ترافیکی روان و مطلوب، همراه بـا ایمنـی در سـطح تقـاطع ایجـادگردد. به این منظور قوانین فازی مدل کننده تقاطع ایزوله که ساختار کنترلر فازی را تشکیل دادهاند، بر مبنـایدرجه اشباع که نشان دهنده میزان تقاضا به ظرفیت هریـک از ورودیهـای تقـاطع میباشـد، طراحـی شـده انـد .

اساس کار، بر استفاده از شبکه عصبیRBF _، به همراه یک روش پیشنهادی آموزش مبتنـی بـر فـازی خواهـدبود. در الگوریتم یادگیریFHLA، علاوه بر تعیین وزنهای ارتباطی بین لایه مخفـی و خروجـی، پارامترهـایلایه RBF شامل تعداد نرون، مرکز نرون و عرض آن نیز در طول فرایند آموزش تعیین  می گردند. مقادیر اولیهپارامترها با استفاده از منطق فازی و روشهای خوشه یابی فازی و به کمک تکنیکFCM  به دست  مـی آینـد.

همچنین از میزان تعلق هر الگوی ورودی به خوشهها و فاصله الگو تا مرکـز هـر خوشـه جهـت محاسـبه میـزانعدم شباهت استفاده شده وسپس این فا صله مینیمم می گـردد . بـرای تعیـین مقـادیر نهـایی پارامترهـا و وزنهـایارتباطی، از ترکیب روشهایLLS  و گرادیان به عنوان روش بهینهسازی استفاده  می شود. نتایج شبیه سازی برروی بانک اطلاعاتی موجود و مقایسه نتایج کاربرد این الگوریتم با سـایر روشـهای کلاسـیک کـه در کنتـرلتقاطع های ایزوله معمول هستند، نشان دهنده میزان قابلیت این تکنیک می باشد.

جهت دانلود فایل کلیک کنید

فهرست مطالب ارائه الگوریتم کنترل ترافیک در تصاویر ویدئویی دیجیتال با استفاده از سیستمهای نرو-فازی

• فصل اول: کلیات
  • پیشینه تحقیق
  • روش کار و تحقیق
• فصل دوم: نظریه جریان ترافیک و اصول زمانبندی چراغهای تقاطع
  • روابط تحلیلی پدیده ترافیک
  • معرفی پارامترهای ترافیکی
  • مدلهای احتمالاتی
  • کنترل چراغ راهنمایی
  • تحلیل عملکرد تقاطع
  • چراغ های هوشمند سازگار با ترافیک
  • کنترل هماهنگ چراغها در شبکه
  • فازبندی
  • زمان بندی چراغ
  • چراغ های پیش زمان بندی شده
• فصل سوم:کنترل کننده های فازی-عصبی
  • سیستم های فازی
  • شبکه های عصبی RBF
  • الگوریتم های آموزشی در شبکه عصبی RBF
  • سیستم های نرو-فازی
  • شبکه عصبی RBF و کنترل کننده فازی
• فصل چهارم: الگوریتم آموزشی FHLA
  • طراحی ساختار شبکه RBF و مقداردهی اولیه به آن
  • مشخص نمودن تعداد نرونهای لایه RBF
  • تنظیم پارامترهای شبکه RBF
  • پروسه تنظیم پارامترهای شبکه
  • حساسیت الگوریتم FHLA نسبت به الگوهای آموزشی
• فصل پنجم: اصول پردازش تصویر
  • مفاهیم اولیه در پردازش تصویر
  • روش های استخراج پارامترهای ترافیکی
  • نظارت مبتنی بر ناحیه ثابت
• فصل ششم:شبیه سازی کنترل کننده هوشمند ترافیک
  • طراحی سیستم کنترلرفازی
  • پیاده سازی نرم افزاری الگوریتم آموزشی FHLA
  • مدل سازی تقاطع ایزوله
  • کنترل کننده پیش زمان بندی شده
  • پردازش تصویر
  • نتایج شبیه سازی
•   فصل هفتم: نتیجه گیری و پیشنهادات

جهت دانلود فایل کلیک کنید