基于模糊自适应的BP神经网络动态行驶车辆车长测算

作者:李寿涛;田微;郭鹏程;马用学;张浩;王楠 刊名:吉林大学学报(工学版) 上传者:王柯文

【摘要】在对绿色通道检测系统实测大量数据分析及实验研究的基础上,提出了一种在车辆动态行驶过程中运用BP神经网络进行车长测算的方法。该方法通过模糊自适应的方式调节BP神经网络的学习率以加快算法的收敛速度。本文将该方法应用于吉林省省际收费站的绿色通道检测系统中,通过对绿通车辆大量的实车数据的测试与验证,结果表明本文所提测算方法能够有效地提高在车辆动态穿行过程中车长的测算精度。

全文阅读

车工程学院,长春130022)0引言目前通常采用吨位法[1]和无损检测法[2]等技术对过往高速公路绿色通道的车辆进行检测,然而这些方法往往需要对过往车辆或车厢长度进行测量,对于车辆车长的测量,传统方法是进行静态测量,该方法准确度虽然很高,但是达不到实时性要求,同时还存在着很大的缺点,如耗时、需要大量人力、容易造成道路拥堵等,因此需要在货车通过绿色通道检测系统过程中能动态并精确地测算出车辆车长。目前对运动物体实时测量的方法主要有光切法[3]和机器视觉法[4],但由于我国高速公路上行驶的很多车辆都经过改装,车身表面不规则、不平整,使得运用这些方法测量的车长误差较大。本文在绿色通道检测系统[5]的基础上,通过对大量实测数据的分析,提出一种基于模糊逻辑自适应调节学习率的BP神经网络对动态行驶车辆车长进行测算的方法,最后通过实验验证该方法能够有效地提高测算精度。1问题的提出由于绿色通道检测系统的车道比较窄,并且车道两边安装有射线机防护室和线阵机防护室,这使得大型绿色通道车辆通过检测区域时,驾驶员会非常谨慎小心,通过时的速度会急速降低并变化。在对驾驶员的驾驶行为进行分析的基础上,对现场大量的绿色通道车辆进行了测试,得知当绿色通道车辆通过检测区域时,车速会在一定范围变化,其变化规律大致如图1中[5]“U型”曲线带所示。图中t1为驾驶室到达射线机防护室的时间点;t2为驾驶室完全通过整个射线机防护室时的时间点;t3为车厢完全驶离检测区域时的时间点。绿色通道车辆在进入检测车道直到驾驶室到达射线机防护室时,车辆基本是匀速通过,车速维持在3.5~5m/s;当车辆驾驶室到达射线机防护室时,驾驶员调整车身减速通过,这个过程车速会减小到0.5~1m/s;当驾驶室通过整个射线机防护室时,车速逐渐加大,在车厢完全通过整个射线机防护室时车速基本达到3.5~5m/s;之后车辆加速驶离检测区域。绿色通道车辆在通过检测区域的过程中,由于要受到外界条件和驾驶员驾驶习惯的影响,使图1车辆速度变化规律曲线Fig.1 Vehicle speed variation curve得车辆通过检测区域的速度是非匀速的,故不能简单利用时间与速度的关系来计算车辆长度,这就使得测算动态行驶车辆的车长具有很大困难。本文作如下定义:T1和V1分别为货车驾驶室前端从光电传感器节点一位置行驶到光电传感器节点二位置的时间和平均速度;T2和V2分别为货车驾驶室前端从光电传感器节点二位置行驶到光电传感器节点三位置的时间和平均速度;TK为货车车头与车厢之间缝隙通过光电传感器节点一位置的时间;TX为货车货箱部位通过光电传感器节点一位置的时间。2 BP神经网络模型的建立及动态车辆车长测算2.1 BP神经网络模型的建立设输入学习样本为p个:x(1),…,x(p),已知与其对应的导师为t(1),…,t(p),学习算法是根据实际的输出y(1),…,y(p)与t(1),…,t(p)的误差E(称作总体误差)来修改由其连接权值和阈值构成的权向量w,使得y(1),…,y(p)与t(1),…,t(p)尽可能地接近;在此,总体误差E被看作是权向量w的函数,即E=E(w)[6,7]。设输入的学习样本集为Iα={V1α,V2α,T1α,T2α,TKα,TXα},对应的导师信号为Lα,在此用这α个样本对(Iα,Lα)对网络进行训练[8]。对应于第m(m=1,2,…,α)个样本的实际输出值为ym,定义第m个样本的神经网络学习误差函数如下:Em=12Lm(-y)m 2(1)所有α个样本经正向传递运算后,网络总误差为:EΣ=∑αm=1Em=12∑αm=1(L

参考文献

引证文献

问答

我要提问