探析基于遗传神经网络的车型识别算法研究

《探析基于遗传神经网络的车型识别算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：U4910710．20050694滚害犬海硕士学位论文基于遗传神经网络的车型识别算法研究导师姓名职称申请学位级别论文提交日期学位授予单位陈丽郭元术教授答辩委员会主席孙朝云教授学位论文评阅人孙朝云教授雷虎民教授摘要随着我国公路交通事业的飞速发展，智能交通的研究受到了很大的重视，车型识别在智能交通系统中占有很重要的地位，它广泛应用于自动收费系统、交通数据统计等相关工作中。因此开发价格低廉、适合我国国情的车型识别系统具有十分重要的实际意义。本文基于运动车辆产生的声频信号来进行车型识别的研究。文章首先概述了模式识别和

2、声探测技术的发展，详述了声波传播规律及车辆噪声产生机理，分析了基于车辆声频信号进行车型识别的可行性。然后利用传感器阵列采集了多种车型车辆噪声信号样本，对信号样本进行了小波去噪等预处理。并通过提取特征对信号样本进行车型识别，但由于车辆噪声信号是典型的非平稳信号，因此本文在提取特征时利用小波包将信号分解到不同频段内，并对小波包分解系数进行重构，提取各频带范围信号，构造以各频带能量为向量元素的特征向量。随后本文提出了一种遗传BP神经网络分类算法，此算法通过遗传算法对人工神经网络权值、阈值训练，并将训练好了的权系值送入神经网

3、络训练识别车型样本。避免了传统的BP算法容易陷入局部极小的问题，缩短了学习时间，增加了网络的泛化能力。将上述特征提取及分类算法对实测的卡车、轿车和中巴车三种车型的噪声信号样本进行分类。由于不同车型的车辆噪声信号在各频带能量分布情况不同，因此本文仿真实验中对信号样本进行三层小波包分解提取各车型不同频带的能量来构造特征向量。接着建立遗传神经网络模型，并分别采用传统的BP神经网络和遗传BP神经网络对样本进行训练和识别，实验结果表明，与传统BP神经网络分类方法相比较，遗传BP神经网络分类方法收敛速度快，分类效果好，具有较高的

4、识别率。因此，利用行驶过程中的车辆产生的声音信号进行车型识别是一种可行的、有效的方法，具有较大的应用前景。关键词：车辆声频信号，车型识别，小波包，神经网络，遗传BP神经网络AbstractAstherapiddevelopmentofChina’SHighway&Transport，researcherspaymuchattentiononIntelligentTransportationresearch．VechicleclassificationoccupiesaveryimportantpositioninIn

5、telligentTransportationSystem，whichiswidelyusedinautomatictollcollectionsystem，trafficstatistics，andotherrelatingfields．Therefore，thedevelopmentofinexpensiveandsuitableforChina’Snationalconditionsvechicleclassificationsystemisofgreatpracticalsignificance．Basedo

6、ntheacousticsignalgeneratedbymovingvehicles，thisarticlespreadaresearchonvehiclerecognition．Thearticlefirstoutlinesthedevelopmentofpatternrecognitionandsounddetectiontechnology,depictsthelawoftheacousticpropagationandthemechanismofautomobilenoise，andanalyzesthef

7、easibilityofvehiclerecognitionbasedontheacousticsignalsofvehicles．Andthen，avarietyofacousticsignalsamplesaboutthetypesofthevehiclesarecollectedbyusingsensorarray．Thesignalsamplesareconductedaseriespretreatments，suchaswaveletdenoising．Asvehiclenoiseisatypicalnon

8、-stationarysignal，SOthisarticleputsthenoisesignalintodifferentbanddecompositionbyusingthewaveletpacket，reconstructsthewaveletpacketcoefficient，extractsofthedifferentbandssig