| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 目录 | 第5-7页 |
| 第1章 绪论 | 第7-13页 |
| 1.1 课题研究来源及背景 | 第7-8页 |
| 1.2 智能交通系统的研究概况 | 第8-11页 |
| 1.2.1 实际系统发展概况 | 第8-9页 |
| 1.2.2 理论算法研究状况 | 第9-11页 |
| 1.3 论文的内容和目标 | 第11-13页 |
| 第2章 单交叉口信号优化算法研究 | 第13-33页 |
| 2.1 模糊控制原理 | 第13-15页 |
| 2.1.1 模糊控制基础 | 第13-14页 |
| 2.1.2 模糊控制器的特点和结构 | 第14-15页 |
| 2.2 神经网络理论 | 第15-20页 |
| 2.2.1 神经网络基础 | 第15-17页 |
| 2.2.2 神经网络的学习准则 | 第17-20页 |
| 2.3 模糊神经网络理论 | 第20-23页 |
| 2.3.1 模糊神经网络的基本理论和结构 | 第20-22页 |
| 2.3.2 模糊神经网络的学习算法 | 第22-23页 |
| 2.4 模糊神经网络算法在单交叉口控制中的应用 | 第23-31页 |
| 2.4.1 引言 | 第23页 |
| 2.4.2 模糊控制器的设计 | 第23-24页 |
| 2.4.3 红相位紧急度模块 | 第24-28页 |
| 2.4.4 绿相位停止度模块 | 第28-29页 |
| 2.4.5 相位转移度模块 | 第29-30页 |
| 2.4.6 绿灯延时模块 | 第30-31页 |
| 2.5 BP神经网络的学习算法 | 第31页 |
| 2.6 本章小结 | 第31-33页 |
| 第3章 城市区域交通控制 | 第33-49页 |
| 3.1 城市区域交通控制概述 | 第33页 |
| 3.2 控制方法分类 | 第33-36页 |
| 3.2.1 定时控制 | 第33-34页 |
| 3.2.2 感应控制 | 第34-35页 |
| 3.2.3 优化控制 | 第35-36页 |
| 3.3 强化学习基本理论 | 第36-40页 |
| 3.3.1 强化学习的基本原理和结构 | 第36-37页 |
| 3.3.2 强化学习基本算法 | 第37-40页 |
| 3.4 基于模糊神经网络的Q学习算法 | 第40-42页 |
| 3.4.1 模糊Q学习 | 第40-41页 |
| 3.4.2 模糊神经网络Q学习 | 第41-42页 |
| 3.5 模糊神经网络Q学习算法在城市区域交通中的应用 | 第42-48页 |
| 3.5.1 概述 | 第42-43页 |
| 3.5.2 优化周期 | 第43-46页 |
| 3.5.3 优化相位差 | 第46-47页 |
| 3.5.4 优化绿信比 | 第47-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第4章 城市区域交通控制仿真 | 第49-64页 |
| 4.1 城市区域交通控制仿真概述 | 第49-50页 |
| 4.2 TSIS概述 | 第50-53页 |
| 4.3 TSIS与VC的接口技术 | 第53-55页 |
| 4.4 VC与MATLAB的接口 | 第55页 |
| 4.5 TSIS、VC和MATLAB的集成方法 | 第55-56页 |
| 4.6 仿真实验设计与结果 | 第56-62页 |
| 4.6.1 基于模糊神经网络的单交叉口交通控制仿真实验 | 第56-60页 |
| 4.6.2 基于改进Q学习的区域交通控制仿真实验 | 第60-62页 |
| 4.7 本章小结 | 第62-64页 |
| 第5章 结论与展望 | 第64-66页 |
| 5.1 主要研究内容与总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-69页 |