车辆特征提取和分类方法的研究

摘要

模式识别包含了两个主要部分，分别是特征提取和分类器设计，在车辆识别中有着重要的意义。对数据进行有效的特征提取并运用神经网络分类是实现合理分类的有效途径。本文提出了两种特征提取方法用于车辆波形数据的提取，研究了最小距离分类法和人工神经网络在车辆识别方面的应用，仿真实验表明本文所提出的特征提取和分类方法具有良好的车辆识别效果。
　　 主成分分析是一种统计分析方法，它采取降维将多个变量转换为个数较少的综合变量，使这些综合指标尽可能地反映原来指标的信息量，而且彼止之间不相关，从而达到简化的目的。核主成分分析法实际上就是主成分分析的一种改进算法，它将原特征空间映射到了另一个高维空间，在这个新的高维空间中运用核技巧提取出车辆数据的成分。
　　 传统中的模式识别系统一般只是使用样本之间的距离或者相关性分类器来进行分类的，这种系统对于输入样本带有噪声、类别数量比较大的问题很难取得好的分类结果。自适应共振网络ART网络具有其它分类方法不具备的优良特性，它可以很好地解决稳定性和可塑性这个二难的问题，可以稳定快速地识别已经学习过的对象，同时也能够快速地学习没有学习过的对象。因此可以利用它稳定机制和竞争学习的优点来进行车辆的分类识别。本文中对传统的ART网络进行了两点改进，实际上就是结合其优点的基础上引进了两个准则，其一就是引进最小余弦夹角作为输入模式计算准则，其二就是引进模式相似度作为检验识别准则，建立了一个学习算法简单化的ART网络，其比较适合于高维特征值目标的分类。并且基于该网络设计了一个新的分类器。使用该分类器对主成分分析法和KPCA所得到的样本特征进行了仿真实验，其结果表明，该分类器的识别率，识别速度以及自适应性超过了其他神经网络分类器。

目录

文摘

英文文摘

声明

第一章绪论

1.1 研究背景

1.2几种常见的车辆特征提取方法及其优缺点

1.2.1外形轮廓扫描法

1.2.2车轴计数法

1.2.3车牌自动识别法

1.2.4环形线圈检测法

1.2.5轴重和总重识别法

1.2.6事先划分识别方法

1.3 车辆波形分类问题的提出

1.3.1车辆感应波形的产生

1.3.2车辆感应波形的一般特征

1.4本文的主要内容概述

1.5本文章节安排

第二章特征提取方法

2.1 引言

2.2车辆数据的预处理

2.3主成分分析法

2.3.1主成分分析的基本理论

2.3.2对车辆波形的特征提取及波形重构

2.4核主成分分析法

2.5特征提取结果比较

2.6类可分性测量

2.6.1类可分性的测试方法

2.6.2类可分性比较

2.7本章小结

第三章ART网络与最小距离分类法的研究与比较

3.1 引言

3.2 ART神经网络的结构和原理

3.2.1 ART神经网络概述

3.2.2 ART神经网络结构

3.2.3 ART神经网络的工作原理

3.3 ART神经网络分类器的设计

3.3.1样本数据的选取

3.3.2 ART网络的训练

3.3.3 ART网络参数的选定

3.4最小距离分类算法

3.5基于自适应距离度量的最小距离分类器

3.5.1自适应距离度量

3.5.2最优权重W的确定

3.6结果比较分析与性能比较

3.7本章小结

第四章基于最小风险检测ART网络分类器的设计

4.1 引言

4.2最小风险检测ART网络的结构模型

4.3有师监督训练

4.4最小风险ART网络的运行原理

4.5基于最小风险检测ART网络分类器的算法

4.6实验仿真与结果分析

4.6.1特征值选取与准则讨论

4.6.2结果分析与性能比较

4.7本章小结

总结与展望

参考文献

致谢

附录A 攻读硕士期间发表的学术论文