基于神经网络的声测法车辆类型辨识的应用研究

    摘要：介绍了基于多层前馈神经网络的学习训练方法、运用噪声测量原理和方法判别汽车类型的识别系统，为汽车交通管理和监测统计提供了有力的依据和手段。

    关键词：汽车 神经网络 噪声 识别

随着我国高速公路和汽车技术的迅猛发展，汽车行驶速度越来越高，极需一种更有效交通管理系统。这种系统应能自动识别汽车，并能准确判断出汽车类型。20世纪50年代以来，点测试设备如环形成圈检测器，主要用于十字路口的交通控制和交通数据收集。这种探测系统通常利用埋置于路面下的电感线圈，通过电磁感应识别汽车，但这种系统存在着铺设费用昂贵、维护困难、不能将汽车分类等缺陷。利用声测地，并将此经过神经网络的训练，能够有效地识别路面上通过的汽车的类型。

1 声测法汽车类型识别系统

声测法汽车类型识别系统工作原理框图如图1所示。

声测法汽车类型识别系统的工作原理是：当汽车通过时，麦克风将其产生的声波的声压信号通过连接器传列分类系统，通过A/D转换器将声压信号转化为一系列离散的数字信号，并在频谱分析仪中进行频谱转换（FFT转换）。

神经网络为衰减器接受到的每个矢量提供一个分类指示器。每个矢量显示一个预定的间歇时间，即允许产生声音的物体有一个短暂的时间间隔（0.1秒）。这样，神经网络每隔0.1秒为每种声音产生一个分类指示器，独立地为每个矢量分类。时间积算器是经神经网络分析后的一种分类指示器流量的处理器，即时间积算器经多次与运算结果结合，产生整个系统输出的最后分类结果。

基于神经网络的声测法汽车类型识别系统采用低廉的传感器材，对汽车的类型识别有很好的效果，而且应用的覆盖范围更广，不受天气和光线的影响。

2 神经网络学习训练算法

对原始噪声进行预处理之后，余于的识别工作就由神经网络来实现。本文所设计的网络是三层前馈网络，其结构为：输入层有n个节点，n=Np×N；隐含层有P个节点，输出层有q个节点。q个输出节点分别对应q种车型，输入层采用的输入值为傅立叶变换后的值，隐含层和输出层的活化函数为Sigmoid函数。训练完毕后，当输出层第i个节点输出值大于0.99而其它节点的输出值小于0.11时，就认为本次识别的车型为第i号车。网络结构如图2所示。

采用的训练算法是BP算法，该算法中的误差函数是：

其中，dk和rk分别是网络的希望输出适量和实际输出矢量，M为训练样本对。

BP算法的一个突出缺点是学习速度慢，原因是多方面的，如与网络的结构有关，与学习算法本身存在的缺点有关。当利用上述误差函数来调整权重时，从推导知道权重调整量总包含下面的因子：

从上式可以看出，当输出层单元i的实际输出ri接近于0或1时，误差信号中的因子式ri(1-ri)使得误差信号变得很小，这时如果输出层单元i的实际输出ri与期望输出值di相差很大时，没有产生强的误差来修正权重，从而延长了学习过程。另外由于激励函数f(x)=(1+e -x)-1是一个饱和函数，当它趋于饱和状态时，导数就接近于零，从而造成收敛速度减慢。由此可以考虑将因子ri(1-ri)从误差函数对权重偏微分的结果中去除，于是可把BP算法的误差函数改进为：

因为0

利用链式微分规则得：

右端第一项表示输出矢量中第i个分量对偏差的影响，第二项则表示权系数对输出分量的影响。根据式（4）计算第一项的偏微分：

计算式（5）的第二项偏微分：

其中，bj>0为上隐含的输出；式（9）就是在wij空间中sk影响曲面上的负梯度方向。

这样，对权矩阵[w]中的任一元素wij有：

这可以看出对权值的修正和梯度下降方法之间的关系，由此说明这种误差修正方法对权值的调整是收敛的。利用误差函数为（3）式的改进，BP算法确定把ri(1-ri)因子从误差函数对权重偏微分的结果中消除了。从实际的训练来看，利用本算法对权值修正时，能很快地改敛。

把论文中的BP算法和改进BLP算法分别进行了网络训练（选取了4种车型，即q=4），并用到实际交通线路上进行检验。每种车型的样本为实际应用中不同情况下的4套样本（小型车、中型车、重型车、超重型车），这样用16套噪声作为训练样本，并且设定隐含层的节点为p=16。网络学习过程流程图如图3所示。

在网络结构完全一样的情况下，采用（1）式的误差函数进行训练，需要交叉训练2万次后，才可以在实际中运用，可使输出精度达到0.99；而采用改进后的误差函数（3）式进行训练，只需200次，就可以达到同样的精度，并能投入到交通线上在线识别汽车类型。试验结果如表1所示。

    从试验结果来看，利用改进BP算法可以使网络的学习速度加快，能很方便地运用于实际生产线。即使有新的车型出现在交通线上，也可以很快完成网络的训练。试验结果测得识别错误率小于1%，并且对汽车的识别效果比较计的方法好。利用改进BP算法后，提高了学习，为神经网络识别投入实际应用特别是运用到车流量很大的交通线上，提供了一种有效的方法。从实际应用来看，用神经网络识别比用特片统计识别的容错性要高一些，也优于特征统计方法。在实际中如果有新的车型要增加，只要把网络的结构稍作改进就可以了。