ｒｘ ） ＆ Ａ ， ＿ ，
（ ， （ｚ， （ ） ） ） …， ‰）
（） ３
隶属度 函数采用高斯型隶属 函数 。反模糊 器采用 中心平均反模糊化器 ，乘积推理规则 、单 值模糊产生 器 ． 此模糊 系统输 出为 ： 则
Ｍ ｎ
ＸｙⅡ （ ， ） （） （ 托）
Ｆ ＭＡ Ｃ Ｃ的学习算法：
Ａｏｘ） （ — （ ）Ｉ ） ￣（ ｆ Ｆ Ｓ ） （ ／ ｄ ｔ Ｃ （０ １）
鲁 ０
Ｆ ＭＡ Ｃ Ｃ算法步骤 ：
Ｅ
① 对输入 空间进行采样量化 ；
Ｅ ０ ‘ 占
∞
② 初始化 Ｆ ＭＡ Ｃ Ｃ神经 网络 ； ③ 采集过程量测数据 ， 为样本训 练网络 ； 并作 ④ 计算 Ｆ ＭＡ Ｃ Ｃ输 出 ； ⑤ 计算误 差 ，利用 Ｆ ＭＡ Ｃ Ｃ学习算法校 正 已激 活
络， 最后一天 的数据用于检验。应用 Ｇ Ｐ方 法［ — ６ １ 计算得
出交通流时间序列的嵌入维数 ｚ４ 即输人为 ｘ （ ４ 门 －， － ＝ｘ ， ， 卜Ｘ
Ｘ２ ， ｔ Ｘ ） 网络输 出为 ｔ － ， 时刻 的交通流量 Ｘ 训 练 Ｆ Ｍ Ｃ 。 Ｃ Ａ 网络 ． 并用训 练好 的网络预测最后一天的交通流量 ， 在 Ｍａ ａ ０ ０ ｔ ｂ２ １Ａ下仿真 ， Ｌ 结果 如图 ２ ４ 所示 。
图 ４ 真 实 值 及 预 测 值
现代计算机
２ １ ．１ ０ １１
。（ ） ７
（） ８
兰 州 嚣 ｔ 芒０ ５
图 ２ 样 本 数 据
式 中 ， 为输入 量 Ｉ 在 中 Ａ 瓢 ｓ 。 的地址 ， Ｃ为感 受野
的大小。
Ｆ ＭＡ Ｃ Ｃ的输 出算法：
Ｃ－１
专
（） ９
暑
０
Ｆ ｓ ＝ ｔ（ ｋ （ （ ） ｏｘ
ｋＯ ＝
存储内容 ：
巴
岔
口
图 ３ 输 入 初 始 隶 属 度 函数
⑥ 重复以上步骤 直至达 到精度要求 。
３ 仿 真 研 究
本文所采用 的数 据为广东某高速公路一个监测 点 四天 的交通流 量 ． １ｍｎ作为一个单位 统计流量 ． 取 ５ ｉ 共
３４组数据 前 三天共 ２ ８组交 通流数据 用于训 练网 ８ ８
：
Ｌ 。 —
（） ４
∑ｎ（ ，） （） 托
一
Ｚ
（ ＝ｅ （兰 ） 双 ｘ 一牟 ） ｐ
（） ５
假设 系统输入为 ｓＳ）Ｓ 为输入量 的量化值 （ ，。
＋ ｋ
Ｃ
一 Ｏ ｇ＋ ］ ｋ ０ １ … Ｃ １
ｈ ＝ １Ｃ ｇ＋ 瞰