基于GA优化的BP神经网络交通路标识别模型.doc

《基于GA优化的BP神经网络交通路标识别模型.doc》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、http://www.paper.edu.cn基于GA优化的BP神经网络交通路标识别模型吴军1，刘清1,梁焕兵1，罗铮2，1武汉理工大学自动化学院，湖北武汉4300632华通交通大学电气与电子工程学院，江西南昌330013E-mail:jxwuzhen666@163.com摘要:利用不变距提取交通路标图像特征，它是路标形状特征的综合反应。本文通过样本路标采用遗传算法（GA）对BP神经网络结构进行优化，建立了不变距的优化BP神经网络交通路标识别模型。用七组学习样本分别去训练优化的BP网络和未优化的BP网络，最后用一组样本分别通过未优化的BP

2、和GA优化的BP交通路标识别模型进行路标识别和校验。实验统计对比结果表明：所建立的GA-BP交通路标识别模型较未优化的BP模型性能更好，具有很好的收敛速度和识别精度。关键词:不变距；遗传算法；BP网络；路标识别中图分类号：TP1831．引言目前在国内外AGV的研究中大量的应用了视觉导航，并以其丰富的信息含量、简单的路径设置，充分体现了AGV视觉导航的高智能化和强引导柔性。由于路标具有鲜明特征，路标识别方法在AGV视觉导航中具有重要的实用应用价值。针对路标识别，有的采用模糊分类的方法[1]，有的采用遗传BP算法[2]，等等。其中基于不变矩特

3、征提取的方法具有平移、旋转及比例变换不变性优点，如何有效的利用这些不变距特征去识别交通路标，对AGV导航具有重要意义。但是目前为止，要获得不变距与路标识别结果之间精确的数学公式还存在较大的难度。神经网络算法的出现和发展为用不变距来识别路标提供了新的方法，利用神经网络的学习功能，在不变距特征量与识别路标之间建立非线性神经网络模型。BP神经网络是最常用的神经网络算法，如何建立合理的神经网络模型是提高识别速度和精度的核心内容，因此出现了多种优化方法或改进方法[3][4]。有的采用人为组合的方法对BP神经网络输入和隐层结构进行组合寻优[5]，但是

4、受工作量和神经网络初始值随机性的限制，分析结果的偶然性比较大。本文在基本BP神经网络算法的基础上，利用实际训练样本通过遗传算法(GA)的全局寻优能力优化神经网络的初始输入、隐层、输出层的权值以及阈值，并以优化的神经网络进行训练学习，从而建立关于基于GA优化的BP神经网络交通路标的识别模型，同时对比了优化的GA-BP模型与BP模型的收敛速度和识别精度。2．不变矩特征提取方法所谓特征抽取就是从原始数据中提取与分类最有关的信息，常见的有自回归(AR)模型法、傅里叶描述法、不变矩法等。由于受成像条件的限制以及路标图像预处理和路标图像分割引入的误差

5、等因素的影响，参与匹配的实测路标与潜在的标准路标模版图像存在着许多诸如位置、方向、大小上的不一致。基于以上原因本文采用了具有平移、旋转及比例变换不变性的不变矩方法进行路标特征提取。不变矩法最初由Hu[6]提出,近年来又被许多学者加以改进，-8-http://www.paper.edu.cn使不变矩特征的描述能力得到不断的提高。不变矩理论是一种提取灰度图像特征的方法，设F(x,y)为图像在象素处的灰度值，则整幅图像的阶矩定义为:(1)将上述矩特征量进行位置归一化得到图像F(x,y)的中心矩为：(2)此处(,)为图像的质心，定义为:，可见中心

6、矩是图像平移的不变量。再将中心矩进行大小归一化，定义归一化中心矩为：(3)它是图像平移与缩放的不变量。直接用阶矩或中心矩进行特征表示,不能使特征同时具有平移、旋转和比例不变性。但利用它们的某些线性组合,理论上能达到这种预期的目的。M.K.Hu利用二阶和三阶中心矩构造了7个不变矩,具体表达式如下：(4)式（4）即Hu的七不变矩，它们对于平移、旋转与大小比例变化都是不变的。将上述7个特征作为路标不变性的特征。由于这7个不变矩的变化范围很大，为了便于比较，可以利用取对数的方法进行数据压缩，同时考虑到不变矩有可能出现负值的情况，因此实际采用的不变

7、矩为：(5)图像不变矩特征值为，定义其归一化函数：(6)3．遗传神经网络GA-BP算法3.1　BP神经网络-8-http://www.paper.edu.cn人工神经网络是模拟生物神经网络的人工智能系统，由大量功能简单而具有自适应能力的信息处理单元──人工神经元按照大规模并行的方式，通过一定的拓扑结构连接而成。由于人工神经元网络具有复杂的动力学特性、并行处理机制、很强的自学习性、联想记忆和推理意识等功能，以及它的高度自组织自适应能力、容错性和鲁棒性被广泛应用在各个领域。BP网络的核心是通过一边向后传播误差，一边修正误差的方法来不断调节网络

8、参数(权值和阈值)，以实现或逼近所希望的输入输出映射关系。这种非线性映射能力使其可以以任意精度逼近一个非线性函数。与其他模型相比，BP网络有很好的持久性和适时预报性。在神经网络的学习训练过程中