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,极需一种更有效的交通管理系统。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,点测式设备如环形线圈检测器,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。利用声测法,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到分类系统,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(如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,余下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,当输出层的第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矢量和实际输出矢量,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: