计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2011年
15期
225-228
,共4页
全局K-均值聚类%概率神经网络%主成分分析%神经网络集成
全跼K-均值聚類%概率神經網絡%主成分分析%神經網絡集成
전국K-균치취류%개솔신경망락%주성분분석%신경망락집성
针对城市道路交通状态影响因素多、判别难的特点,在分析K-均值聚类算法和概率神经网络(PNN)的基础上,利用多源检测信息的互补性,提出一种基于快速全局聚类分析的概率神经网络集成模型,通过聚类提高集成网络间的差异度,同时利用主成分分析(PCA)优化概率神经网络结构,仿真实验表明该模型与传统的集成方法Bagging相比,能够利用更简单的网络结构,快速有效地识别出城市道路交通状态,为交通预警和诱导策略的制定提供数据依据.
針對城市道路交通狀態影響因素多、判彆難的特點,在分析K-均值聚類算法和概率神經網絡(PNN)的基礎上,利用多源檢測信息的互補性,提齣一種基于快速全跼聚類分析的概率神經網絡集成模型,通過聚類提高集成網絡間的差異度,同時利用主成分分析(PCA)優化概率神經網絡結構,倣真實驗錶明該模型與傳統的集成方法Bagging相比,能夠利用更簡單的網絡結構,快速有效地識彆齣城市道路交通狀態,為交通預警和誘導策略的製定提供數據依據.
침대성시도로교통상태영향인소다、판별난적특점,재분석K-균치취류산법화개솔신경망락(PNN)적기출상,이용다원검측신식적호보성,제출일충기우쾌속전국취류분석적개솔신경망락집성모형,통과취류제고집성망락간적차이도,동시이용주성분분석(PCA)우화개솔신경망락결구,방진실험표명해모형여전통적집성방법Bagging상비,능구이용경간단적망락결구,쾌속유효지식별출성시도로교통상태,위교통예경화유도책략적제정제공수거의거.
