基于自组织映射神经网络的VANET组网算法

吴怡，杨琼，吴庆祥，沈连丰，林潇

(1. 东南大学 移动通信国家重点实验室，江苏 南京 210096；2. 福建师范大学 物理与光电信息科技学院，福建 福州 350007)

1 引言

智能交通系统（ITS, intelligent transportation systems）[1]将先进的计算机技术、信息技术、通信技术、自动控制技术、人工智能及电子技术等有效地运用于交通运输中，是构建准时、精确、高效交通运输管理体系的基础。汽车辅助驾驶是ITS的重要研究领域，它将逐步打破由驾驶员观察道路并控制车辆而形成的“车—路—人”的传统，形成“车—路”闭环控制的新模式，最终实现无人自动驾驶[2]。

车辆的自动驾驶必须明确知晓其目的地和行驶路况，包括行驶路线以及与其他车辆间的位置关系等，这就需要建立车辆间的无线信息网络，车辆自组织网络（VANET，vehicular ad hoc network）已成为目前一个重要的研究课题，它是道路上车辆间、车辆与固定接入点之间相互通信组成的开放移动自组织网络[3]，车辆间信息的交互通过自组织形成的网络来实现。对于VANET研究目前还面临许多挑战。例如，VANET没有一个中心协调或握手协议，大多采用广播的方式传送信息，周围车辆数目很大时，全部车辆采用一个公共信道通信将会非常拥挤或阻塞；VANET的节点是运动的，随时有节点加入和离开网络，这个特点为信息的可靠传输[4]和路由带来许多挑战性的难题。近年来研究者从VANET路由协议[5]、网络的组网方式等多方面进行研究。文献[6]对2009年以前的相关技术做了介绍，文献[7]对近年来VANET MAC层协议方面的研究进行了讨论。从近期发表的研究成果来看，对运动车辆进行分簇的方法吸引了许多研究者[8～13]。文献[8]提出了基于区域的聚类机制，将同一区域内的车辆作为一簇，通过传递信息到基站主干网络后与其他区域的车辆进行通信，利用安装在道路旁的基站实现不同簇群车辆间的通信；文献[9]采用类似机制；文献[10～12]分别提出了基于信道、地址的分簇通信机制；文献[13]利用集成VANET和3G这2个异构的无线网络，提出了动态聚类的机制自适应移动网关管理方案，使得车辆族群间通过移动网关进行通信。目前这些方法都不同程度地减小了VANET信息阻塞，但这些方法在车辆进入不同地域时要改变连接或网关。

在城市交通系统中，道路状况特别复杂，尤其是在道路交叉地段，车辆通行复杂，有等待、直行、左转、右转等变化，有T字、十字、多叉、转盘等路况，经常会形成数百甚至更多车辆的聚集，考虑到VANET网络有较大的覆盖范围，如果不加区别地将它们都纳入网络将会使网络十分庞大以致没有足够的频率、时间等资源予以支撑，反而会使必须参与组网的车辆相互间的通信可靠性变差、实时性变坏。为了建立一个具有稳定连接、较长时间互通交通信息的VANET系统，本文提出利用自组织映射（SOM，self-organizing map）神经网络进行动态组网，将属性相近的车辆组成子网，以达到减少延迟，提高吞吐量之目的。例如将运动方向相同的车组成子网，保持连接时间可以较长，避免当车驶出一个分组地域进入另一个分组地域时要换到另一区分组，车可以较长时间地保持在同一网内互通信息，从而提供可靠的运动车辆间的通信，成为ITS通信保障的组成部分之一。

本文的其余部分安排如下：首先介绍自组织映射神经网络算法的具体内容及实现；然后讨论如何将SOM神经网络应用于VANET的组网，给出组网方案和具体算法，并针对系统吞吐量、传输时延及SOM算法的复杂性等进行了分析；最后论述仿真情况及其应用于ITS的一些考虑。

2 自组织映射神经网络及其学习步骤

SOM神经网络是一种无监督学习的神经网络[14]，具有很强的聚类功能，通过对输入样本的自组织学习，能够将聚类结果在输出层中显示出来。SOM在众多领域都得到了应用，例如，文献[15,16]将SOM应用于图像处理，文献[17～19]将SOM应用于客户分群。

文献[14]已经证明，SOM网络通过对输入数据的反复学习，可使连接权重权矢量空间分布密度与输入数据的概率分布趋于一致，连接权重权矢量空间分布可以被用来描述输入数据的聚类统计特征。SOM神经网络如图1所示。设输入特征矢量X=(x1, x2,…,xi,…,xn)T并行连接到网络中m个神经元中的每一个神经元，每个神经元对应一个权重向量Wj，Wj有n个分量且表示为wij(i=1, 2, …, n；j=1, 2,…, m)，它的值通过自组织学习来确定。

图1 自组织映射神经网络

SOM网络的自组织学习过程可分为2个部分：一是选择最佳的匹配神经元，另一是权矢量的自适应更新。在做最佳匹配时，根据输入特征向量X，将每个神经元的权向量与其比较，通过选择最近距离来确定获胜神经元j*，即，使j*满足。然后进行权矢量的自适应更新，对以j*为中心的周围Nj*(t)以内的神经元的权向量，按文献[14]给出的学习规则进行调整，有

其中，t为学习次数变量，t=0, 1, 2,…, T；η(t)为学习速率，它随学习的次数而衰减，且0＜η(t)＜1。

SOM网络自组织学习的步骤归纳如下。

1) 初始化。将网络的连接权{wij( t)}赋以[0，1]区间的随机值，i=1, 2, …, n；j=1, 2, …, m。确定邻域Nj*(t)的初始值Nj*(0)、学习速率η(0)和总的学习次数T。

2) 选取k个学习特征向量中的一个特征向量X=(x1, x2,…,xi,…,xn)，提供给网络的输入层，作归一化处理，即

3) 对连接权矢量Wj=(w1j,w2j,…,wnj)进行归一化，即

4) 计算距离。采用欧式距离来计算，其表达式为

5) 在m个神经元中找出最小的距离dj*，确定获胜的神经元j*，即使dj*=min{dj}。

6) 调整连接权矢量。对竞争层邻域，即以j*为中心的周围Nj*(t)以内的神经元，与输入层神经元之间的连接权矢量进行更新，即

7) 选取另一个学习特征向量提供给网络的输入层，返回到步骤3），直至k个学习特征向量全部提供给网络。

8) 更新学习速率η(t)，即

其中，(0)η为初始的学习速率，t为学习次数，T为总的学习次数。

9) 更新邻域Nj*(t)。设竞争层神经元j在二维阵列中的坐标值为(xj,yj)，则邻域的范围是由如下4个点组成的正方形：(xj+Nj*(t),yj+Nj*(t ))，(xj+Nj*(t),yj-Nj*(t ))，(xj-Nj*(t),yj-Nj*(t ))，(xj-Nj*(t),yj+Nj*(t ))。邻域Nj*(t)的更新表示式为

其中，INT[ ]为取整符号，Nj*(0)为Nj*(t)的初始值。

10) 令t＝t＋1，返回步骤2)，直至t＝T为止。

上述步骤亦称为SOM算法，图2给出了该算法流程。

图2 SOM网络自组织学习的流程

3 基于SOM神经网络的行驶车辆组网方案及其性能分析

3.1 车辆组网方案

车辆间联网要面对的实际场景千变万化，例如：车辆的快速移动将使其接收到的无线信号强度变化很大；在网络的覆盖范围内会频繁地有车离开或加入，从而导致联网的车辆数随时间变化很快；在城市交通密集的地方，道路上行驶的车辆非常多，尤其是在交叉路口等地段，很多车辆在彼此的广播消息覆盖范围内，如果每辆车均与其附近的车辆组网，接收其他车的广播消息并再转播，轻则引起系统的分组丢失率增加、吞吐量下降、传播时延加大，重则发生信息堵塞从而导致通信中断。为此，本文在行车安全的前提下给出对众多车辆进行分组的方法，提出利用SOM神经网络将车辆分组的方案，排除掉覆盖区内完全没有必要联网的车辆以尽可能保障组网车辆足够的频率资源和实时性要求，建立相对稳定的动态车辆自组织网络。本文把这一方案称为基于自组织映射神经网络的VANET组网算法（简称组网算法），其核心内容是基于SOM的车辆分类方法，亦称为分类算法或SOM算法。

自组织映射神经网络具有很强的聚类功能，通过车辆提供的参数，可将属性相近、目的地相近的车辆组织成同一个运动的通信网，使这些车辆可较长时间保持通信。自组织映射神经网络有能力综合多个模糊参量进行聚类，在组网时可灵活地处理各种参量。SOM神经网络与其他模糊算法相比，其优点主要有对初始值不敏感、可以实现实时学习，网络具有自稳定性，无须外界给出评价函数，能够识别向量空间中最有意义的特征，抗噪音能力强等，缺点是算法迭代时间较长，但是由于SOM算法本身是一种并行结构，因此特别适合用FPGA等硬件实现，嵌入到动态组网系统中。

本文研究的车辆组网算法基于一种时隙同步的车辆间通信系统，采用类似时隙ALOHA的接入控制机制。组网的车辆在每个时隙以概率p竞争信道的使用权，如果2个或2个以上用户同时争用信道则发生数据分组的碰撞，认为该数据分组丢失。传统的ALOHA系统中，需要接收节点到发送节点的反馈信道，根据反馈信息，用户可以重传未被成功接收的数据分组。本文研究的系统无需反馈信道，没有接收者的反馈信息，发送者不知道其发送的数据分组是否丢失，称之为随机接入机制。在本文的研究场景中假定每辆车总是有待发送的车载通信数据以广播方式发送给组网的其他车辆。即设定道路上行驶的每辆车总是要发送自己的车载通信数据报文，该报文中含有车辆的多维信息，包括：设备识别码、通信模式、优先等级、能量信息、联网状态、分组情况（所属的子集）、位置信息（从GPS获得的经、纬度或从其他通信系统获得的电子地图坐标位置等），移动信息（例如速度矢量等）、紧急情况标识（例如危险等级、求救信息等）以及用户数据。通信数据报文的结构如图3所示。

下面以车辆是否到达路口等候交通指示灯场景为例来说明组网算法，这种情形算法的流程如图4所示。从接收到其他车的车载通信数据报文中挑选“当前位置（经度）”、“当前位置（纬度）”、“目的地位置（经度）”、“目的地位置（纬度）”、“当前行驶方向”、“经过路口后行驶方向”等数据作为 SOM 神经网络的输入特征矢量，并根据分组的要求设置 SOM 神经网络的输出最大分类、神经网络总的学习次数T和学习率η (0)等。如果要求分组较细，可加大最大分类和学习次数，减小学习率。

该组网算法在所提场景工作的具体描述如下：车辆经过一段行驶时间（可预设，市区行驶暂默认为30s）或者到达路口等候交通指示灯时，启动SOM车辆分类算法，接收通信范围内所有其他车辆发来的报文消息，选择其中的分类数据构成输入矢量，输入SOM算法进行处理。SOM算法依据报文消息中的分类数据对所有车辆进行分类组网，运行SOM算法后的车辆便知道与其在同一分组中的车辆有哪些，将这些车辆记入其分组列表中，并赋予相应的分组编号。算法运行后，如果只有一个分组，则提高组网的每个用户的发送概率p，其他未组网的用户保持其发送概率p不变，这样组网的用户可以占用更多的信道资源相互通信。如果SOM算法运行后，分组数大于 1个，则同一分组中的用户跳频至其他频率通信，同时也提高自己的发送概率，以降低传输时延，跳频后的车辆每隔一段时间仍然在公共信道发送自己的数据分组，所有的车辆也在公共信道上对所有的数据分组侦听，一旦需要重新组网时，利用侦听到的数据分组中的信息重新组网。此外，对于分组后的单个用户而言，在下一次接收到其他车的报文消息时，只接收并处理在同一个分组中的车辆的信息，对其他车辆的信息仅解析其中的一部分而不是全部接收，这就有效地保障了组网车辆的通信资源。车辆在路上行驶中，保持与组网列表中的车辆间的通信，如果车辆驶至下一个路口或经过已经设置的一段固定时间后，再次启动SOM车辆分类组网程序，运行SOM算法找到新的组网车辆。

图3 车载通信数据报文格式

图4 基于SOM神经网络的行驶车辆组网方案流程

组网算法在非市区情况（郊区、农村、省道、国道、高速公路等）比市区情况将有所简化，但其核心思想与市区情况基本相同，实际算法还必须考虑非常多的细节，这里不再详述。

3.2 算法性能分析

本文提出的基于SOM算法的分类组网方案主要由SOM算法和基于随机接入的数据分组发送与处理这2部分组成。由图2可见本文提供的SOM算法的复杂度约等于O(KMT)，这里K为分类的车辆数，M为神经元个数，T为训练次数。由于算法只是在需要重新组网时才启动，因此整个组网方案的主要性能还是取决于所采用的接入机制。而且由于SOM算法本身具有极强的并行数据处理能力，当采用FPGA等硬件实现时，算法运行所需时间更短。因此本节从信道资源利用率的角度，重点研究VANET的系统吞吐量和传输时延这2个性能指标，分析经过分类组网后的性能改善情况。

为了分析的方便，定义一帧中成功发送数据分组的时隙数占总时隙数的比例为系统吞吐量。

在随机接入方式中，假设用户k(k=1, 2,…, M)在时隙l(l=1, 2,…, L)以概率pk(l)发送数据分组，组网的用户节点总数为M，系统总的传输时间为L个时隙。用户相互独立地发送数据分组，Il=1表示在时隙 l有一个用户发送消息，Il=0表示没有用户发送消息或者多于1个用户发送消息。因此有

定义平均系统吞吐量为

在本文研究的系统中，假定每个用户的发送概率相同，其值为p，则可得平均系统吞吐量为

由式（10）可见，系统的平均吞吐量与网络中的用户数及用户的发送概率有关，下面分析一下当要获得最大的系统吞吐量时的用户的发送概率。

可见，在随机接入控制方式中，如果每个用户能够知道组网的用户数，并将其发送概率设置为组网用户数的倒数时，系统可以获得最大的吞吐量。

下面继续分析随机接入系统的传输时延。传输时延定义为从某个时刻起一个车辆节点成功地收到周围一跳通信范围内所有其他车辆节点至少一个数据分组所用的时隙数。

当每个用户以相同的概率p发送数据分组时，上述分析可知，在某个时隙有成功数据分组发送的概率为

设用户 k在第 Xjk时隙第一次成功地接收到用户j的数据分组，则其概率分布函数为

式(14)即为本文所研究的随机接入系统的传输时延。可见，E(Xk)与发送概率p有关，当α最大时，传输时延最小。同样可以得出当p=1/M时，系统有最小的传输时延性能。此外，从式(14)还可得出当网络中的用户节点数M越大时，系统的传输时延也越大。

从上述分析可见，如果能够知道组网的车辆节点数目，则每个组网节点可以通过调整其发送概率使系统获得最优的吞吐量性能；通过将车辆分组控制组网的车辆节点数，可以降低传输时延。本文提出的SOM算法可以实现将车辆按照所关注的相关信息进行分类组网。

4 组网性能仿真及其结果分析

4.1 仿真实例

为了验证组网算法，利用Matlab编写了组网算法的仿真程序，将仿真场景中所有车辆的6项数据矩阵（即：当前位置—经度、当前位置—纬度、目的地位置—经度、目的地位置—纬度、当前行驶方向、经过路口后行驶方向）进行标准差标准化之后导入SOM网络，作为输入特征矢量，输出的神经元个数取决于将网络最终分为几类。

下面以某市某路口（实际情况为“福州市五一路与古田路交叉路口”，如图5所示）任选一时刻的车辆情况截图为例来说明本文算法的应用。在该观察时刻共有41部车位于该路口4个不同方向上，假定这些车辆彼此都在通信可达范围内，图中箭头所示为道路上车辆的行驶方向，用方框标识的车经过下一个路口后会沿交通指示转弯，其余车辆均沿所在道路直行。将所有车的相关信息参数输入到SOM算法，作为数字实例，比如选择最大分类为5，学习率为0.000 2，最大学习次数为500，算法运行后得到如表1所示分组结果。参数中最大分类代表的是分组后可能得到的最大分组数，实际分组的结果并不一定会达到最大分组数，分组结果与输入数据密切相关。学习率表示算法运行过程中对每次学习的调整范围，学习率越小，调整范围越小。在实际运用中可根据城市交通状态、城市中的车辆数目等参数来决定学习率及最大分类的选取。

从表1的结果可以看出，SOM神经网络有能力将相近目的地和相近方向的车辆分成同一组。因此，可按分组结果将属于同一个组别的车辆组成同一个网络，接收并处理组网车辆的信息。

4.2 仿真结果及其分析

用 NS2仿真软件建立本文所提方案的车辆间通信模型，将组网算法的MATLAB程序移植到NS2仿真平台下。假定每辆车装有GPS或其他设备（例如为提高精度而采用差分 GPS），可以得到自己的位置、行驶速度、行驶方向等信息。车辆间通信基于随机接入模式，每辆车以概率p竞争传输时隙。每辆车的发射功率相同，传输范围 300m，车子启动后的行驶速度为50km/h。车辆采用广播方式发出自己的车载报文消息。首先建立图5所示场景的仿真模型，车辆在此路口等候交通指示灯时，每辆车启动SOM网络算法进行车辆组网选择。在表1所示分组结果中的每一组选取一辆车，观察该车行驶一段时间（例如30min）后，与之保持组网的车辆情况，结果如图6所示。

图5 某市某路口某时刻车辆情况

表1 路口车辆经SOM网络算法分组

由图6可见，经过SOM算法对路口不同目的地及不同行驶方向的车辆分组后，经过一段行驶时间，分组中的目的地相近的车辆仍然能够保持在通信组中。本实验设置了一些车辆具有相同的目的地，仿真结果发现，目的地相同的车辆最终仍然在同一通信分组。说明采用SOM算法对车辆进行分组，分组网络确保了准确性和稳定性。

图6 SOM组网后30min内不同分组中车辆数变化情况

表2比较了以下2种情况下系统的吞吐量和传输时延：1) 通过SOM算法对车辆进行合理分组，分组后的车辆调整其发送概率，且只与本组中的车辆进行通信；2) 不采用SOM算法分组，车辆以初始发送概率（这里发送概率的值设置为1/50）与在其通信范围内的所有车辆进行通信，接受并处理一跳范围内所有车辆的信息。

表2 系统吞吐量及传输时延

从表2可见，经过SOM分组后，每个分组中的车辆数保持在 10部左右，而在路上行驶时在彼此通信范围内的车辆数都会在 30部以上，车辆密集时会达到 60部以上，经过分组后，通信的车辆数大大降低。由于只与组网的车辆通信，经 SOM分组后的传输时延远低于与全部车辆通信的传输时延；同时，系统的吞吐量特性良好，且平均每辆车的吞吐量得到显著提高。

图7 几种场景的示意

设计的算法对城市实际道路中的各种场景均适用，包括T字路口、十字路口、五岔路口、多叉路口、直行道路、转盘、绕城公路等，图7给出了其中几种场景。为了比较简单直观地描述算法中作为 SOM 神经网络输入特征矢量的“当前行驶方向”和“经过路口后行驶方向”这2类数据，4.1节中的仿真实例选择的是车辆在十字路口等候交通指示灯的典型场景为例，而在城市实际道路中，道路的布局很少如此规整，尤其是在转盘路口和绕城公路路段，设计的算法将会采用方位角来描述这2类数据。另外，该算法不但适用于车辆在路口等候交通指示灯的场景，对于正常行驶路段和无需等待交通指示灯的路口同样适用。如果用FPGA芯片来实现该SOM算法或采用高性能 ARM核构成片上系统（SoC，system overchip），算法的执行时间可远低于1s，车辆以正常速度通过无需等待交通指示灯的路口时完全可以完成SOM分组，该算法仍然有效。

下面给出几种具体截图的仿真结果，包括：五岔路口的93辆车经SOM网络算法分成5个通信组，每个通信组的车辆数目分别为 27、21、18、15、12；十字路口62辆车分为4个通信组，每个通信组的车辆数目分别为21、16、13、12；丁字路口的40辆车分为3个通信组，每个通信组的车辆数目分别为16、14和10。上述场景车辆的通信范围为200m。图8显示了五岔路口、十字路口和丁字路口经过SOM分组后，挑选其组网车辆数最多的分组中的一辆车，观察该车在其行驶过程中，只与同通信组中的车辆进行通信的传输时延，以及与其通信范围内所有车辆通信的传输时延，图9为同样情况下的系统吞吐量。比较结果显示，经过SOM网络分组后车辆间通信能够维持通信组中较高的系统吞吐量和较低的传输时延。

由以上仿真结果可见，采用本文提出的 SOM组网算法可以有效地将属性相近、目的地相近的车辆组成同一个 VANET，由于组网后可获取网内的车辆数，组网的车辆可以自适应地改变自己的发送概率 p，从而使系统吞吐量提高、传输时延下降，信道资源利用率更高。图8和图9的仿真结果与3.2节的分析结果相符合。

图8 车辆组网后通信的传输时延比较

图9 车辆组网后通信的系统吞吐量比较

5 结束语

智能交通对于国民经济发展起到重要作用，汽车辅助驾驶是ITS的重要研究领域，它们都离不开车辆的组网通信。由于组网的车辆变化快、具有较强的临时性，车辆间通信主要采用广播方式，在一跳范围内所有的车辆节点都能收到广播消息，如果此消息需要向远处传递，还要通过节点进行转播。假如所有的车辆都工作在相同的通信频道广播自己的行驶信息，每部车都会收到许多非关注用户的消息，将收到的信息再广播出去，很容易造成广播风暴，因此，有选择地与周围车辆联网具有非常重要的意义。本文提出一种将自组织映射神经网络算法应用到车辆自组织网络的分组中，利用行驶车辆的参数选择合适的车辆组网，既提高了通信可靠性，减小了传输时延，又具有更高的系统吞吐量，保证了网络通信的稳定性，不仅可以应用于汽车辅助驾驶等领域，也为未来的无人驾驶提供一种车辆间联网的方法。算法既可以通过纯软件实现，也可以采用FPGA芯片实现，具有较大的灵活性。

如何将这一算法应用于实际的各种复杂场景以及在车辆快速运动中来实现，是需要进一步研究的课题。

[1] MASAKI I. A Brief History of ITS[R]. USA: Massachusetts Institute of Technology, 1999.

[2] PARENT M, YANG M. Road map towards full driving automation[A].Proceedings of 8th International Conference on Application of Advanced Technologies in Transportation Engineering[C]. Reston, VA:ASCE and T&DI, 2004. 663-688.

[3] 常促宇，向勇，史美林. 车载自组网的现状与发展[J]. 通信学报.2007, 28(11): 116-126.CHANG C Y, XIAN Y, SHI M L. Development and status of vehicular ad hoc networks[J]. Journal on Communications. 2007, 28(11):116-126.

[4] ZHANG Z J, MAO G Q, ANDERSON B D O. On the information propagation process in mobile vehicular ad hoc networks[J]. IEEE Transactions on Vehicular Technology, 2011, 60(5): 2314-2325.

[5] WANG G L, BORCEA C, NZOUONTA J, et al. VANET routing on city roads using real-time vehicular traffic information[J]. IEEE Transactions on Vehicular Technology, 2009, 58(7): 3609 -3626.

[6] HARTENSTEIN H, LABERTEAUX K P. A tutorial survey on vehicular ad hoc networks[J]. IEEE Communications, 2008,46(6):164-171.

[7] BOOYSEN M J, ZEADALLY S, ROOYEN V. Survey of media access control protocols for vehicular ad hoc networks[J]. IET Communications, 2011, 5(11): 1619-1631.

[8] LAI Ye C, LIN P, LIAO W J, et al. A region-based clustering mechanism for channel access in vehicular ad hoc networks[J]. IEEE Journal on Communications. 2011, 29(1): 83-93.

[9] WANG T C, WANG G. TIBCRPH: traffic infrastructure based cluster routing protocol with handoff in VANET[A]. 2010 19th Annual Wireless and Optical Communications Conference(WOCC)[C]. 2010. 1-5.

[10] KIM T, JUNG S, LEE S. CMMP: clustering-based multi-channel MAC protocol in VANET[A]. The Second International Conference on Computer and Electrical Engineering ICCEE[C]. 2009.380-383.

[11] AHMED B S, XIA C H, LI W, et al. Cluster based addressing scheme in VANET (CANVET stateful addressing approach)[A]. 2011 IEEE 3rd International Conference on Communication Software and Networks (ICCSN)[C]. 2011. 450-454

[12] SHEU T L, LIN Y H. Cluster-based slot allocations for inter-vehicle communications in VANETs[A]. 2011 7th International Wireless Communications and Mobile Computing Conference (IWCMC)[C].2011.1500-1505.

[13] BENSLIMANE A, TALEB T, SIVARAJ R. Dynamic clustering-based adaptive mobile gateway management in integrated VANET— 3G heterogeneous wireless networks[J]. IEEE Journal on Communications, 2011, 29(3): 559-570.

[14] KOHONEN T. Self-Organization and Associative Memory[M]. 2nd Edition, Berlin: Springer-Verlag, 1987.

[15] BADEKAS E, PAPAMARKOS N. Document binarisation using kohonen SOM[J]. IET Image Processing, 2007, 1(1): 67-84.

[16] VENKATESH Y V, RAJA S K, RAMYA N. Multiple contour extraction from graylevel images using an artificial neural network[J]. IEEE Transactions on Image Processing, 2006, 15(4):892-899.

[17] DONG G, XIE M. Color clustering and learning for image segmentation based on neural networks[J]. IEEE Transactions on Neural Networks, 2005, 16(4): 925-936.

[18] HSU C. Generalizing self-organizing map for categorical data[J].IEEE Transactions on Neural Networks, 2006, 17(2): 294-304.

[19] BRUGGER D, BOGDAN M, ROSENSTIEL W. Automatic cluster detection in Kohonen’s SOM[J]. IEEE Transactions on Neural Networks, 2008, 19(3): 442-459.