|
Conference publicationsAbstractsXVI conferenceApplying of self-organizing neural networks in intelligent transportation systemsSamara State Aerospace University, Russia, 443086, Samara, Moskovskoe highway 34, tel. 335-18-26, E-mail: SaprykinON@mail.ru 1 pp. (accepted)Интеллектуальные транспортные системы (ИТС) предназначены для решения проблем автоматизации управления дорожным движением. Многие из технологических решений построения ИТС основаны на геоинформационных системах (ГИС), которые позволяют хранить объекты в соответствующей форме и наглядно отображать их. Для комплексного решения задач ИТС необходимо разработать комплекс, состоящий из совокупности моделей и алгоритмов, способных адекватно отразить процессы, происходящие на улично-дорожной сети города и предсказать их поведение в будущем. Модель с подобными характеристиками можно создать при помощи самоорганизующихся нейронных сетей. Самоорганизационное моделирование основано на предположении о том, что ин-формация о взаимной корреляции переменных скрыта в их экспериментальных значе-ниях. В теории самоорганизующихся нейронных сетей существуют течения, разви-вающиеся параллельно: • многорядные нейронные сети на основе модели МакКаллока-Питтса с эво-люционирующей архитектурой; • дважды многорядные самоорганизующиеся нейронные сети с активными нейронами на основе метода группового учета аргументов. Несмотря на отличия перечисленных течений, можно выявить одинаковые со-ставляющие: предварительный выбор исходной модели, механизм мутации моделей и отбор моделей. Однако методы, реализующие перечисленные пункты, в каждом из на-правлений различаются. При решении прикладных задач в рамках ИТС встает задача предварительной об-работки (препроцессинга) пространственно-координированных данных. Задача пре-процессинга в силу своей специфичности может быть решена только в частных случаях и не имеет общего решения. Один из способов решения задачи предварительной обработки – построение матрицы источник-рецептор F. Матрица F состоит из множества функций fij, зависящих от удаленности i-го рецептора (зависимого объекта) от j-го источника (независимого объекта), а также от множества параметров зависящих от предметной области, и влияющих на значение рецептора. Описанные подходы легли в основу «Автоматизированной системы идентификации зависимостей в пространственно-координированных данных». Система является частью ИТС, на которую возложена часть функциональности интеллектуального ана-лиза. Применение системы позволит более эффективно проводить мероприятия по улучшению движения на улицах города. |