交通流時間序列的分析與應用

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 交通領域中混沌理論的應用前景 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 基于實測交通流的混沌研究 6
1.2.3 混沌理論在交通系統(tǒng)預測中的應用 6
1.2.4 混沌理論在交通系統(tǒng)控制中的應用 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 混沌動力學 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 相空間重構理論 14
2.3.1 嵌入的概念 14
2.3.2 嵌入定理 15
2.3.3 導數(shù)重構法 15
2.3.4 延遲重構法 16
2.3.5 嵌入維數(shù)的選擇 17
2.3.6 延遲時間的選擇 22
2.4 混沌對初始值的敏感性和Lyapunov指數(shù) 25
2.4.1 混沌對初始值的敏感性 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 分數(shù)維數(shù) 33
2.6 混沌時間序列的預測 34
2.6.1 基于Lyapunov指數(shù)的時間序列預測方法 35
2.6.2 基于神經(jīng)網(wǎng)絡的時間序列預測方法 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 41
3.2.1 交通流時間序列的相空間重構 41
3.2.2 兩個參數(shù)對重構空間的影響 42
3.3 改進的交通流混沌判別方法 43
3.3.1 改進的小數(shù)據(jù)量法 44
3.3.2 改進的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 計算交通流時間序列的混沌特性值 52
3.4.3 混沌判別的組合方法驗證 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)化的機理 60
4.1 引言 60
4.2 交通流混沌產(chǎn)生的機理 61
4.2.1 運行規(guī)則 61
4.2.2 交通流延滯關系式 62
4.3 交通流離散動態(tài)模型 63
4.3.1 Logistic映射 63
4.3.2 建立離散動態(tài)模型 64
4.3.3 交通流離散動態(tài)模型的混沌動力學分析 68
4.4 交通流混沌轉(zhuǎn)化機理 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 交通流混沌時間序列的建模及預測 73
5.1 引言 73
5.2 短時交通流預測框架 74
5.2.1 短時交通流預測的特征 74
5.2.2 預測框架 75
5.3 徑向基神經(jīng)網(wǎng)絡預測模型 77
5.3.1 RBF 神經(jīng)網(wǎng)絡的結(jié)構 77
5.3.2 神經(jīng)元數(shù)目的選擇 78
5.3.3 交通流的CTSNN預測步驟 79
5.3.4 數(shù)值仿真 80
5.4 二階Volterra自適應預測模型 87
5.4.1 預測模型 87
5.4.2 數(shù)值仿真 89
5.5 三階乘積耦合Volterra自適應預測模型 94
5.5.1 三階Volterra預測模型 95
5.5.2 乘積耦合實現(xiàn)結(jié)構 96
5.5.3 改進的非線性NLMS算法 97
5.5.4 數(shù)值仿真 98
5.6 QN自適應算法 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算法的計算復雜度分析 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 高速公路動態(tài)交通流的BP神經(jīng)網(wǎng)絡建模 125
6.2.1 宏觀動態(tài)交通流模型 125
6.2.2 BP神經(jīng)網(wǎng)絡模型 125
6.2.3 數(shù)值仿真 127
6.3 基于BP神經(jīng)網(wǎng)絡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 語音信號處理基礎 144
7.1 引言 144
7.2 語音生成系統(tǒng) 144
7.3 語音生成數(shù)學模型 145
7.4 語音信號短時分析 147
7.4.1 加窗與分幀 147
7.4.2 短時能量 149
7.5 線性預測分析 150
7.5.1 基本原理 150
7.5.2 最佳預測系數(shù)求解 153
7.6 語音信號非線性處理 154
7.6.1 混沌和分形幾何 154
7.6.2 人工神經(jīng)網(wǎng)絡 155
7.7 本章小結(jié) 155
第8章 隱相空間DUPSO-SOVF預測模型及其應用 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)設置及Benchmark函數(shù)選擇 161
8.5.2 實驗結(jié)果分析 163
8.6 基于隱相空間的DUPSO-RPSOVF語音預測模型研究 164
8.6.1 語音信號數(shù)據(jù)采集與預處理 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語音預測模型 170
8.6.4 模型評價 172
8.7 本章小結(jié) 177
第9章 AGABC-SOVF預測模型及其應用 178
9.1 引言 178
9.2 人工蜂群算法理論基礎 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)的自適應算法 183
9.3.2 混沌系統(tǒng)初始化 184
9.4 AGABC-SOVF預測模型 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 仿真實驗 191
9.5.1 單幀信號預測 192
9.5.2 Lorenz混沌時間序列預測 194
9.5.3 音標和短語的多幀預測 196
9.6 本章小結(jié) 198
第10章 語音信號序列的DFP-SOVF預測模型研究 199
10.1 引言 199
10.2 語料庫 199
10.3 語音數(shù)據(jù)預處理 200
10.4 語音信號數(shù)據(jù)采集與預處理 202
10.4.1 語音信號數(shù)據(jù)采集 202
10.4.2 語音信號數(shù)據(jù)預處理 203
10.5 語音信號序列相空間重構 203
10.5.1 互信息法選取延遲時間 204
10.5.2 Cao方法選取嵌入維數(shù) 206
10.5.3 相空間重構 208
10.6 語音信號序列混沌特性識別 208
10.7 DFP-SOVF模型 210
10.8 模型評價 211
10.8.1 語音信號序列的DFP-SOVF預測 211
10.8.2 單幀語音信號預測 214
10.8.3 多幀語音信號預測 215
10.9 本章小結(jié) 218
參考文獻 219