haku: @keyword reinforcement learning / yhteensä: 9
viite: 8 / 9
Tekijä: | Bingham, Ella |
Työn nimi: | Neurofuzzy Traffic Signal Control |
Neurosumea liikennevalo-ohjaus | |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 1998 |
Sivut: | 107 Kieli: eng |
Koulu/Laitos/Osasto: | Teknillisen fysiikan ja matematiikan osasto |
Oppiaine: | Sovellettu matematiikka (Mat-2) |
Valvoja: | Ehtamo, Harri |
Ohjaaja: | Niittymäki, Jarkko |
OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
Sijainti: | P1 Ark TF80 | Arkisto |
Avainsanat: | fuzzy logic neural networks neurofuzzy systems reinforcement learning traffic signal control sumea logiikka neuraaliverkot neurosumea vahvistava oppiminen liikennevalojen ohjaus |
Tiivistelmä (fin): | Työn tavoitteena oli luoda sumea liikennevalojen ohjausjärjestelmä, jonka parametrit mukautuvat ympäröivään liikennetilanteeseen. Olemassaolevaan sumeaan ohjausjärjestelmään lisättiin oppimisalgoritmi, jonka avulla järjestelmän parametreja hienosäädettiin erilaisiin liikennetilanteisiin sopiviksi. Ohjausjärjestelmän tehokkuuden mittarina olivat ajoneuvojen viiveet. Sumea liikennevalojen ohjausjärjestelmä käyttää kielellisiä sääntöjä kuten "jos saapuva liikennemäärä on suuri ja jonottava liikennemäärä on pieni, niin vihreä valo on pitkä". Sumeat käsitteet suuri, pieni ja pitkä esitetään jäsenyysfunktioiden avulla. Neuraaliverkot koostuvat yksinkertaisista laskentayksiköistä, jotka on yhdistetty toisiinsa verkoksi. Neurosumeassa liikennevalojen ohjauksessa jäsenyysfunktioiden parametreja hienosäädetään neuraaliverkon avulla. Tässä työssä käytetty neuraaliverkon opetusalgoritmi on nimeltään vahvistava oppiminen (reinforcement learning). Tarkasteltava neurosumea järjestelmä on sellainen, että tavallisimpia neuraaliverkkojen opetusalgoritmeja ei voida käyttää. Mukautuvaa liikennevalo-ohjausta tutkittiin liikennesimulaattorissa, johon sisältyy sumea valo-ohjausjärjestelmä. Neuraaliverkon opetusalgoritmi toteutettiin Matlab-ohjelmassa, joka vaihtaa tietoja liikennesimulaattorin kanssa. Opetusalgoritmi toimii menestyksellisesti tilanteissa, joissa liikennemäärä on vakio. Alkuperäiset jäsenyysfunktiot muuttuvat oppimisen myötä erilaisiksi eri liikennemäärillä. Oppimisen tuloksena saadut jäsenyysfunktiot tuottavat pienempiä viiveitä kuin alkuperäiset jäsenyysfunktiot. Sen sijaan opetusalgoritmi ei anna hyviä tuloksia tilanteissa, joissa liikennemäärä muuttuu nopeasti. Diplomityössä tehtiin lisäksi pieni muutos sumean liikennevalojen ohjausjärjestelmän sääntökantaan. Muutoksen ansiosta ajoneuvojen viiveet pienenivät merkittävästi pienillä liikennemäärillä. |
ED: | 1998-11-10 |
INSSI tietueen numero: 13655
+ lisää koriin
INSSI