基于TMR检测的遗传BP神经网络车辆分类算法

作者:薛凌云;谢作孟 刊名:杭州电子科技大学学报(自然科学版) 上传者:王有为

【摘要】针对目前基于地磁信号车辆分类算法的不足,提出GA-BP神经网络车辆分类算法。对实验数据进行归一化和滤波去噪处理,以均值、方差、峰值个数、最小波谷值作为车辆分类特征,最后利用GA-BP神经网络算法对车辆分类。实验结果表明,基于GA-BP神经网络的车辆分类算法提高了分类准确率和收敛性,其中准确率达到92.0%。

全文阅读

第 35 卷第 4 期 杭州电子科技大学学报( 自然科学版) Vol. 35 No. 4 2015 年 7 月 Journal of Hangzhou Dianzi University( Natural Sciences) Jul. 2015 DOI: 10. 13954/j. cnki. hdu. 2015. 04. 020 基于 TMR 检测的遗传 BP 神经网络车辆分类算法 薛凌云1,谢作孟2 ( 1. 杭州电子科技大学生命信息与仪器工程学院,浙江 杭州 310018; 2. 杭州电子科技大学自动化学院,浙江 杭州 310018) 收稿日期:2014 -10 -30 作者简介: 薛凌云( 1967 - ) ,女,内蒙古呼和浩特人,教授,智能信息处理. 摘要: 针对目前基于地磁信号车辆分类算法的不足,提出 GA-BP 神经网络车辆分类算法。对实验数据进行归一化和滤波去噪处理,以均值、方差、峰值个数、最小波谷值作为车辆分类特征,最后利用 GA-BP 神经网络算法对车辆分类。实验结果表明,基于 GA-BP 神经网络的车辆分类算法提高了分类准确率和收敛性,其中准确率达到92. 0%。 关键词: 隧道磁电阻; 遗传算法; 车辆分类 中图分类号: TP274 文献标识码: A 文章编号:1001 -9146( 2015) 04 -0084 -04 0 引 言 随着车辆数量的快速增长,交通拥堵日益严重。在现有道路的条件下,提高交通控制和管理水平势在必行。在交通控制和管理中,车辆检测、分类、流量统计是最基础的工作。目前,已有很多地磁信号车辆分类算法。其中,模板匹配算法易于实现但计算量大、精度不高[1 -2],模糊模式识别算法计算量少但 识别准确率依赖于专家经验、置信度不高[3],反向传播( back propagation,BP) 神经网络算法计算量小、分类准确率高但训练时间长、收敛速度慢、易陷入局部最小[4 -6]。本文鉴于隧道磁电阻( Tunnel Magneto Resistance,TMR) 磁传感器具有体积小、抗干扰能力强、安装维护方便等优点[7],采用 TMR 磁阻传感器获取车辆基本信息,对采集的数据进行归一化、去噪处理,提取其特征后,针对 BP 神经网络算法的不足,提出遗传优化的 BP 神经网络( Genetic Algorithms-Back Propagation,GA-BP) 车辆分类算法,即采用遗传算法[8 -10]优化 BP 神经网络的初始权值和阈值,以解决 BP 网络易陷入局部最小、收敛速度慢等问题,最后用 BP 神经网络对车辆进行分类,提高了准确率和收敛性。 1 样本数据采集和预处理 图 1 数据采集示意图 1. 1 样本数据采集 选取斯柯达三厢轿车、奥迪 Q5 SUV 和长城皮卡作为实验车辆,将 TMR 车检器安置在道路中央,使实验车辆在 TMR 车检器正上方通过,数据采集方式如图1 所示。 1. 2 样本数据预处理 设 O( t) 是 t 时刻的检测信号,M( t) 是 t 时刻被测车辆引起的磁场变化信号,B( t) 是 t 时刻背景磁场 信号,N( t) 是 t 时刻噪声信号。则 O( t) 表述为: O( t) = X( t) + B( t) = M( t) + N( t) + B( t) ( 1) 背景磁场信号 B( t) 的存在必然会影响信号的处理,首先去除背景磁场。由于车辆经过 TMR 车检器 时,检测信号的幅值随着车辆速度不同而不同。因此,再对信号进行归一化处理。 Y( t) = X( t) - Xmin Xm

参考文献

引证文献

问答

我要提问