交通流時(shí)間序列的分析與應(yīng)用

目錄
前言
第1章 緒論 1
1.1 背景與意義 1
1.1.1 交通系統(tǒng)中的混沌現(xiàn)象 1
1.1.2 混沌理論 2
1.1.3 交通領(lǐng)域中混沌理論的應(yīng)用前景 3
1.1.4 研究意義 3
1.2 交通混沌研究概況 4
1.2.1 基于交通流模型的混沌研究 5
1.2.2 基于實(shí)測(cè)交通流的混沌研究 6
1.2.3 混沌理論在交通系統(tǒng)預(yù)測(cè)中的應(yīng)用 6
1.2.4 混沌理論在交通系統(tǒng)控制中的應(yīng)用 7
1.3 本書研究內(nèi)容 8
1.3.1 交通系統(tǒng)混沌研究存在的問題 8
1.3.2章節(jié)安排 8
第2章 混沌動(dòng)力學(xué) 11
2.1 引言 11
2.2 基本概念 11
2.2.1 混沌的定義及其基本特征 12
2.2.2 吸引子的定義 12
2.2.3 混沌現(xiàn)象的特征量 13
2.3 相空間重構(gòu)理論 14
2.3.1 嵌入的概念 14
2.3.2 嵌入定理 15
2.3.3 導(dǎo)數(shù)重構(gòu)法 15
2.3.4 延遲重構(gòu)法 16
2.3.5 嵌入維數(shù)的選擇 17
2.3.6 延遲時(shí)間的選擇 22
2.4 混沌對(duì)初始值的敏感性和Lyapunov指數(shù) 25
2.4.1 混沌對(duì)初始值的敏感性 25
2.4.2 Lyapunov指數(shù) 26
2.5 混沌判別方法 29
2.5.1 功率譜分析 30
2.5.2 Poincare截面法 31
2.5.3 G-P算法 31
2.5.4 替代數(shù)據(jù) 33
2.5.5 分?jǐn)?shù)維數(shù) 33
2.6 混沌時(shí)間序列的預(yù)測(cè) 34
2.6.1 基于Lyapunov指數(shù)的時(shí)間序列預(yù)測(cè)方法 35
2.6.2 基于神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)方法 36
2.7 本章小結(jié) 39
第3章 交通流混沌特性分析及其改進(jìn)的判別方法 40
3.1 引言 40
3.2 交通流混沌特性分析的基礎(chǔ) 41
3.2.1 交通流時(shí)間序列的相空間重構(gòu) 41
3.2.2 兩個(gè)參數(shù)對(duì)重構(gòu)空間的影響 42
3.3 改進(jìn)的交通流混沌判別方法 43
3.3.1 改進(jìn)的小數(shù)據(jù)量法 44
3.3.2 改進(jìn)的G-P算法 46
3.3.3 組合方法 46
3.4 數(shù)值仿真 48
3.4.1 交通狀態(tài)軌道分析 48
3.4.2 計(jì)算交通流時(shí)間序列的混沌特性值 52
3.4.3 混沌判別的組合方法驗(yàn)證 55
3.5 本章小結(jié) 59
第4章 交通流混沌現(xiàn)象產(chǎn)生和轉(zhuǎn)化的機(jī)理 60
4.1 引言 60
4.2 交通流混沌產(chǎn)生的機(jī)理 61
4.2.1 運(yùn)行規(guī)則 61
4.2.2 交通流延滯關(guān)系式 62
4.3 交通流離散動(dòng)態(tài)模型 63
4.3.1 Logistic映射 63
4.3.2 建立離散動(dòng)態(tài)模型 64
4.3.3 交通流離散動(dòng)態(tài)模型的混沌動(dòng)力學(xué)分析 68
4.4 交通流混沌轉(zhuǎn)化機(jī)理 69
4.4.1 交通流中的自組織現(xiàn)象 69
4.4.2 交通系統(tǒng)具有形成自組織的條件 69
4.4.3 基于自組織理論的交通流混沌轉(zhuǎn)化機(jī)理 70
4.5 數(shù)值仿真 71
4.6 本章小結(jié) 72
第5章 交通流混沌時(shí)間序列的建模及預(yù)測(cè) 73
5.1 引言 73
5.2 短時(shí)交通流預(yù)測(cè)框架 74
5.2.1 短時(shí)交通流預(yù)測(cè)的特征 74
5.2.2 預(yù)測(cè)框架 75
5.3 徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型 77
5.3.1 RBF 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 77
5.3.2 神經(jīng)元數(shù)目的選擇 78
5.3.3 交通流的CTSNN預(yù)測(cè)步驟 79
5.3.4 數(shù)值仿真 80
5.4 二階Volterra自適應(yīng)預(yù)測(cè)模型 87
5.4.1 預(yù)測(cè)模型 87
5.4.2 數(shù)值仿真 89
5.5 三階乘積耦合Volterra自適應(yīng)預(yù)測(cè)模型 94
5.5.1 三階Volterra預(yù)測(cè)模型 95
5.5.2 乘積耦合實(shí)現(xiàn)結(jié)構(gòu) 96
5.5.3 改進(jìn)的非線性NLMS算法 97
5.5.4 數(shù)值仿真 98
5.6 QN自適應(yīng)算法 99
5.6.1 LMS算法 100
5.6.2 QN算法的原理 101
5.6.3 QN算法的特性 105
5.6.4 QN算法的計(jì)算復(fù)雜度分析 108
5.6.5 數(shù)值仿真 108
5.7 本章小結(jié) 122
第6章 基于混沌理論的高速公路匝道控制 124
6.1 引言 124
6.2 高速公路動(dòng)態(tài)交通流的BP神經(jīng)網(wǎng)絡(luò)建模 125
6.2.1 宏觀動(dòng)態(tài)交通流模型 125
6.2.2 BP神經(jīng)網(wǎng)絡(luò)模型 125
6.2.3 數(shù)值仿真 127
6.3 基于BP神經(jīng)網(wǎng)絡(luò)的入口匝道控制算法 129
6.3.1 入口匝道控制原理 129
6.3.2 入口匝道模型 131
6.3.3 BP 神經(jīng)網(wǎng)絡(luò)建模過程 131
6.3.4 數(shù)值仿真 133
6.4 交通流混沌的反饋控制 136
6.4.1 交通流混沌控制分析 136
6.4.2 控制車輛的常值速度 136
6.5 基于分段線性控制器的入口匝道控制 137
6.5.1 混沌控制的新定義 137
6.5.2 PLC法 138
6.5.3 PLC法控制入口匝道 139
6.5.4 數(shù)值仿真 141
6.6 本章小結(jié) 142
第7章 語音信號(hào)處理基礎(chǔ) 144
7.1 引言 144
7.2 語音生成系統(tǒng) 144
7.3 語音生成數(shù)學(xué)模型 145
7.4 語音信號(hào)短時(shí)分析 147
7.4.1 加窗與分幀 147
7.4.2 短時(shí)能量 149
7.5 線性預(yù)測(cè)分析 150
7.5.1 基本原理 150
7.5.2 最佳預(yù)測(cè)系數(shù)求解 153
7.6 語音信號(hào)非線性處理 154
7.6.1 混沌和分形幾何 154
7.6.2 人工神經(jīng)網(wǎng)絡(luò) 155
7.7 本章小結(jié) 155
第8章 隱相空間DUPSO-SOVF預(yù)測(cè)模型及其應(yīng)用 157
8.1 引言 157
8.2 經(jīng)典粒子群算法 157
8.3 PSO算法分析 158
8.3.1 粒子搜索中心 158
8.3.2 粒子搜索概率分析 159
8.4 均勻搜索粒子群優(yōu)化算法 161
8.5 UPSO 性能分析 161
8.5.1 參數(shù)設(shè)置及Benchmark函數(shù)選擇 161
8.5.2 實(shí)驗(yàn)結(jié)果分析 163
8.6 基于隱相空間的DUPSO-RPSOVF語音預(yù)測(cè)模型研究 164
8.6.1 語音信號(hào)數(shù)據(jù)采集與預(yù)處理 166
8.6.2 DUPSO算法優(yōu)化模型參數(shù) 168
8.6.3 隱相空間DUPSO-SOVF語音預(yù)測(cè)模型 170
8.6.4 模型評(píng)價(jià) 172
8.7 本章小結(jié) 177
第9章 AGABC-SOVF預(yù)測(cè)模型及其應(yīng)用 178
9.1 引言 178
9.2 人工蜂群算法理論基礎(chǔ) 178
9.2.1 人工蜂群算法的原理 178
9.2.2 人工蜂群算法的性能分析 181
9.3 AGABC算法 182
9.3.1 基于全局最優(yōu)的自適應(yīng)算法 183
9.3.2 混沌系統(tǒng)初始化 184
9.4 AGABC-SOVF預(yù)測(cè)模型 187
9.4.1 基本流程 187
9.4.2 模型算法 187
9.4.3 模型求解與分析 188
9.5 仿真實(shí)驗(yàn) 191
9.5.1 單幀信號(hào)預(yù)測(cè) 192
9.5.2 Lorenz混沌時(shí)間序列預(yù)測(cè) 194
9.5.3 音標(biāo)和短語的多幀預(yù)測(cè) 196
9.6 本章小結(jié) 198
第10章 語音信號(hào)序列的DFP-SOVF預(yù)測(cè)模型研究 199
10.1 引言 199
10.2 語料庫 199
10.3 語音數(shù)據(jù)預(yù)處理 200
10.4 語音信號(hào)數(shù)據(jù)采集與預(yù)處理 202
10.4.1 語音信號(hào)數(shù)據(jù)采集 202
10.4.2 語音信號(hào)數(shù)據(jù)預(yù)處理 203
10.5 語音信號(hào)序列相空間重構(gòu) 203
10.5.1 互信息法選取延遲時(shí)間 204
10.5.2 Cao方法選取嵌入維數(shù) 206
10.5.3 相空間重構(gòu) 208
10.6 語音信號(hào)序列混沌特性識(shí)別 208
10.7 DFP-SOVF模型 210
10.8 模型評(píng)價(jià) 211
10.8.1 語音信號(hào)序列的DFP-SOVF預(yù)測(cè) 211
10.8.2 單幀語音信號(hào)預(yù)測(cè) 214
10.8.3 多幀語音信號(hào)預(yù)測(cè) 215
10.9 本章小結(jié) 218
參考文獻(xiàn) 219