薛凌云，謝作孟

(1.杭州電子科技大學(xué)生命信息與儀器工程學(xué)院，浙江 杭州310018;2.杭州電子科技大學(xué)自動(dòng)化學(xué)院，浙江 杭州310018)

0 引 言

隨著車輛數(shù)量的快速增長，交通擁堵日益嚴(yán)重。在現(xiàn)有道路的條件下，提高交通控制和管理水平勢在必行。在交通控制和管理中，車輛檢測、分類、流量統(tǒng)計(jì)是最基礎(chǔ)的工作。目前，已有很多地磁信號車輛分類算法。其中，模板匹配算法易于實(shí)現(xiàn)但計(jì)算量大、精度不高[1-2]，模糊模式識別算法計(jì)算量少但識別準(zhǔn)確率依賴于專家經(jīng)驗(yàn)、置信度不高[3]，反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)算法計(jì)算量小、分類準(zhǔn)確率高但訓(xùn)練時(shí)間長、收斂速度慢、易陷入局部最小[4-6]。本文鑒于隧道磁電阻(Tunnel Magneto Resistance，TMR)磁傳感器具有體積小、抗干擾能力強(qiáng)、安裝維護(hù)方便等優(yōu)點(diǎn)[7]，采用TMR 磁阻傳感器獲取車輛基本信息，對采集的數(shù)據(jù)進(jìn)行歸一化、去噪處理，提取其特征后，針對BP神經(jīng)網(wǎng)絡(luò)算法的不足，提出遺傳優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(Genetic Algorithms-Back Propagation，GA-BP)車輛分類算法，即采用遺傳算法[8-10]優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，以解決BP 網(wǎng)絡(luò)易陷入局部最小、收斂速度慢等問題，最后用BP神經(jīng)網(wǎng)絡(luò)對車輛進(jìn)行分類，提高了準(zhǔn)確率和收斂性。

1 樣本數(shù)據(jù)采集和預(yù)處理

1.1 樣本數(shù)據(jù)采集

選取斯柯達(dá)三廂轎車、奧迪Q5 SUV和長城皮卡作為實(shí)驗(yàn)車輛，將TMR 車檢器安置在道路中央，使實(shí)驗(yàn)車輛在TMR 車檢器正上方通過，數(shù)據(jù)采集方式如圖1所示。

圖1 數(shù)據(jù)采集示意圖

1.2 樣本數(shù)據(jù)預(yù)處理

設(shè)O(t)是t時(shí)刻的檢測信號，M(t)是t時(shí)刻被測車輛引起的磁場變化信號，B(t)是t時(shí)刻背景磁場信號，N(t)是t時(shí)刻噪聲信號。則O(t)表述為:

背景磁場信號B(t)的存在必然會(huì)影響信號的處理，首先去除背景磁場。由于車輛經(jīng)過TMR 車檢器時(shí)，檢測信號的幅值隨著車輛速度不同而不同。因此，再對信號進(jìn)行歸一化處理。

式中，X(t)為去除背景磁場后的信號，Y(t)為歸一化后的信號，Xmax為信號強(qiáng)度最大值，Xmin為信號強(qiáng)度最小值。

噪聲N(t)的存在影響信號特征的選取和分類結(jié)果。因此采用滑動(dòng)均值濾波去除噪聲，如下式:

式中，Y(t)為歸一化后的信號，F(xiàn)(t)為歸一化和去噪后的信號。m 取10，即窗口長度為10。

檢測信號經(jīng)歸一化、去噪處理后如圖2所示。圖2(a)、圖2(b)、圖2(c)分別為三廂轎車、Q5 SUV、長城皮卡的數(shù)據(jù)預(yù)處理結(jié)果，可見處理后去噪去噪效果良好，并能較好地反映原始數(shù)據(jù)特征。

圖2 車輛去噪前后數(shù)據(jù)對比圖

2 特征選取

不同車輛底盤距地面高度、發(fā)動(dòng)機(jī)位置、車輛長度、車輪軸位置等造成檢測數(shù)據(jù)的差異。本文以有效波段(即圖2波形中間不為0的波段)均值、均方差、峰值個(gè)數(shù)、最小波谷值表征不同車輛檢測數(shù)據(jù)的差異，并以此為特征對車輛進(jìn)行分類。經(jīng)統(tǒng)計(jì)分析，利用t 分布來確定各項(xiàng)車輛的特征取值范圍，其中每類數(shù)量為100，α 取0.05。不同類別車輛特征的取值范圍如表1所示。

表1 不同車輛特征范圍

3 識別算法設(shè)計(jì)

首先通過數(shù)據(jù)提取特征輸入量和分類輸出量確定BP 網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，然后運(yùn)用遺傳算法優(yōu)化BP網(wǎng)絡(luò)起始權(quán)值及閾值，最后利用BP 網(wǎng)絡(luò)對車輛數(shù)據(jù)仿真分類，得到結(jié)果。

3.1 BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)車輛分類模型由輸入層、輸出層和一個(gè)隱層組成，根據(jù)車輛特征選取的個(gè)數(shù)和車輛分類類別個(gè)數(shù)，分別確定輸入層神經(jīng)元個(gè)數(shù)是4和輸出層神經(jīng)元個(gè)數(shù)是3。本文分類模型中只設(shè)置一個(gè)隱層，隱層節(jié)點(diǎn)數(shù)計(jì)算如下:

隱層神經(jīng)元個(gè)數(shù)為4。式中，Nhidden、Nclass、Nin、Nout分別表示隱層神經(jīng)元、目標(biāo)分類數(shù)、輸入層神經(jīng)元、輸出層神經(jīng)元數(shù)量。同時(shí)設(shè)定網(wǎng)絡(luò)訓(xùn)練目標(biāo)誤差ε ＜1e-5，訓(xùn)練步長為100。因此，網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖3所示。圖3中Xn、Vif、Wjk、Ym分別為輸入層輸入量、連接輸入層和隱含層的權(quán)值、連接隱含層和輸出層的權(quán)值、輸出層輸出量。

圖3 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

3.2 BP 網(wǎng)絡(luò)權(quán)值和閾值優(yōu)化

3.2.1 種群初始化

產(chǎn)生20個(gè)初始串結(jié)構(gòu)數(shù)據(jù)，每個(gè)串結(jié)構(gòu)數(shù)據(jù)即為一個(gè)個(gè)體。設(shè)定最大進(jìn)化代數(shù)G=100，即算法最多經(jīng)過100次遺傳操作就終止進(jìn)化。個(gè)體編碼方法采用實(shí)數(shù)編碼，每個(gè)個(gè)體包括輸入層與隱含層連接權(quán)值、隱含層閾值、隱含層與輸出層鏈接權(quán)值和輸出層閾值4部分。編碼長度l 由BP 網(wǎng)絡(luò)結(jié)構(gòu)決定，即l =i×j+j×k+j+k。其中，i，j，k分別為輸入層節(jié)點(diǎn)、隱含層節(jié)點(diǎn)、輸出層節(jié)點(diǎn)。因此，本文中l(wèi)為35。

3.2.2 適應(yīng)度函數(shù)設(shè)計(jì)

適應(yīng)度值反映群體中個(gè)體性能的優(yōu)劣。本文選取數(shù)據(jù)誤差平方和的倒數(shù)作為適應(yīng)度函數(shù):

式中，T'={t1' t2' … ti'}為訓(xùn)練數(shù)據(jù)的預(yù)測值，為輸出的類別標(biāo)簽;T={t1t2… ti}為訓(xùn)練數(shù)據(jù)的真實(shí)值，為實(shí)際的類別標(biāo)簽;i為訓(xùn)練數(shù)據(jù)的樣本數(shù)目。

3.2.3 遺傳操作

遺傳操作包括選擇操作、交叉操作和變異操作3部分。根據(jù)每個(gè)個(gè)體適應(yīng)度值進(jìn)行選擇、交叉和變異操作后，得到下一代個(gè)體。再計(jì)算新個(gè)體的適應(yīng)度值，如進(jìn)化次數(shù)未達(dá)到要求或未找到最優(yōu)適應(yīng)度值。繼續(xù)選擇、交叉和變異操作，直到訓(xùn)練目標(biāo)達(dá)到要求為止。

最后，將獲得的優(yōu)化權(quán)值和閾值賦予BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

4 實(shí)驗(yàn)結(jié)果分析

參考中國汽車分類標(biāo)準(zhǔn)(GB9417-87)，選取斯柯達(dá)三廂轎車、奧迪Q5 SUV、長城皮卡為實(shí)驗(yàn)對象，每種車輛各采集100組數(shù)據(jù)，共300組數(shù)據(jù)。取150組車輛數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，另150組車輛數(shù)據(jù)作為測試數(shù)據(jù)。分別利用BP神經(jīng)網(wǎng)絡(luò)算法和遺傳BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行仿真。各種車輛分類準(zhǔn)確率如表2所示。

由表2可知，與BP算法相比，GA-BP算法的車輛分類準(zhǔn)確率大幅提高。BP算法平均準(zhǔn)確率為77.3%，GA-BP算法平均準(zhǔn)確率為92.0%。同時(shí)，得到BP算法和GA-BP算法收斂曲線如圖4所示。在取相同的訓(xùn)練步長100時(shí)，GA-BP算法比BP算法更快的達(dá)到目標(biāo)效果，收斂性更好，獲得的全局誤差更小，也進(jìn)一步驗(yàn)證GA-BP算法較BP算法具有更高的分類準(zhǔn)確率。

圖4 BP與GA-BP誤差收斂曲線

表2 車輛識別準(zhǔn)確率

5 結(jié)束語

本文設(shè)計(jì)了GA-BP 車輛分類算法。分析了BP神經(jīng)網(wǎng)絡(luò)算法的缺點(diǎn)，并在其基礎(chǔ)上結(jié)合GA算法的優(yōu)勢，提出GA-BP 車輛分類算法。實(shí)驗(yàn)仿真結(jié)果表明，利用GA算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)車輛分類算法的分類準(zhǔn)確性和收斂性都得到了一定的提高，具有很好的應(yīng)用價(jià)值。

[1]樊海泉，董德存.基于模式匹配算法的車型識別研究[J].微型電腦應(yīng)用，2002，18(4):20-21.

[2]周豐，王明哲，倪楓.基于傳感器的行駛車輛檢測分類算法[J].計(jì)算機(jī)應(yīng)用研究，2010，27(7):2533-2535.

[3]吳皓.基于地磁的車輛檢測系統(tǒng)與識別算法研究[D].武漢:華中科技大學(xué)，2007:32-36.

[4]張偉，譚國真，丁男，等.基于鄰接傳感器及神經(jīng)網(wǎng)絡(luò)的車輛分類算法[J].通信學(xué)報(bào)，2008，29(11):139-144.

[5]Zheng X，F(xiàn)u J.Performance Compensation of GMR-based Magnetic Azimuth Measurement[C]//Control and Decision Conference (CCDC)，2012 24th Chinese.Taiyuan:IEEE，2012:3273-3276.

[6]楊波，尼文斌.基于異向性磁阻傳感器的車輛檢測與車型分類[J].儀器儀表學(xué)報(bào)，2013，34(3):537-544.

[7]呂華，劉明峰，曹江偉，等.隧道磁電阻(TMR)磁傳感器的特性與應(yīng)用[J].磁性材料及器件，2012，43(3):1-4.

[8]Wang X F，Wang H K.Heavy Metal Pollution Analysis in Topsoil Based on BP and GA[J].Applied Mechanics and Materials，2012，246:571-575.

[9]Kang R Q，Li X S，Wang H J.Vehicle Type Recognition Using in Geomagnetic Data Based on Neural Network[J].Applied Mechanics and Materials，2013，313:1380-1384.

[10]王路，吳國平.基于遺傳神經(jīng)網(wǎng)絡(luò)的油氣識別[J].工程地球物理學(xué)報(bào)，2008，5(2):169-172.