基于MaxT模糊Hopfield網(wǎng)絡(luò)的車(chē)型識(shí)別

宋丹++周剛

收稿日期：2013-05-16

基金項(xiàng)目：科技部863計(jì)劃項(xiàng)目（2012AA012904） 

作者簡(jiǎn)介：宋 丹（19—），男，湖南長(zhǎng)沙人，工程師，碩士研究生，研究方向：人工智能，網(wǎng)絡(luò)安全。

文章編號(hào)：1003-6199(2014)02-0105-03

摘 要：在許多模式識(shí)別采樣的過(guò)程中,由于環(huán)境噪聲和設(shè)備誤差,往往導(dǎo)致采集的數(shù)據(jù)與真實(shí)值有一定偏差,這種偏差會(huì)影響識(shí)別的效果。本文采用MaxT FHNN模型，提出一種應(yīng)用于智能化交通管理的車(chē)型識(shí)別方法。并用實(shí)驗(yàn)證實(shí)相對(duì)于其他車(chē)型識(shí)別方法，該方法在待測(cè)樣本含有噪聲的情況下能得到更好的識(shí)別率。



關(guān)鍵詞：模糊Hopfield神經(jīng)網(wǎng)絡(luò)；學(xué)習(xí)算法；MaxT；模式識(shí)別

中圖分類(lèi)號(hào)：TP391.4文獻(xiàn)標(biāo)識(shí)碼：A



Vehicle Pattern Recognition Based on MaxT Fuzzy Hopfield Network



SONG Dan，ZHOU Gang

(Wuhan Engineering Science and Technology Institute, Wuhan，Hubei 430000,China)

Abstract:During the time collecting samples in many pattern recognitions, because of the environmental noise and the precision of equipment impacts, the data that have been collected always have some perturbations, the perturbations have disadvantages to the effect of pattern recognition system.The practical applications of the MaxT FHNN model have been studied in this thesis. Using MaxT FHNN and other pattern recognition techniques, a vehicle recognition method for intelligent traffic management is proposed. Experiments prove that compared to other method, the recognition rate is better when the method is used under noise environment.



Key words:fuzzy Hopfield neural network; learning algorithm; MaxT; pattern recognition



1 前 言

隨著中國(guó)經(jīng)濟(jì)迅速發(fā)展，各種交通車(chē)輛的數(shù)量越來(lái)越多，給我國(guó)目前的城市交通帶來(lái)巨大壓力，人們希望有一個(gè)智能的交通系統(tǒng)，實(shí)時(shí)監(jiān)控交通情況，實(shí)現(xiàn)自動(dòng)交通管

理，這就促使了智能交通系統(tǒng)的產(chǎn)生。目前一些大城市已經(jīng)逐步引入智能交通系統(tǒng)，例如高速公路的聯(lián)網(wǎng)收費(fèi)，停車(chē)場(chǎng)信息化管理等。隨著智能化交通管理需求的不斷增加，智能交通系統(tǒng)將有很大發(fā)展空間，對(duì)車(chē)型模式識(shí)別系統(tǒng)的要求也越來(lái)越高。

2 基于T模的模糊Hopfield網(wǎng)絡(luò)簇

由美國(guó)物理學(xué)家J.J.Hopfield提出的Hopfield神經(jīng)網(wǎng)絡(luò)的模糊形態(tài)和離散形態(tài)在學(xué)習(xí)算法設(shè)計(jì)和系統(tǒng)性能分析等方面得到了豐富的研究［1，2］。例如,對(duì)于maxmin模糊Hopfield網(wǎng)絡(luò)：

X(t)=X(t－1)°W式1 

以及帶有閾值的Maxmin模糊Hopfield網(wǎng)絡(luò)：

X(t)=(X(t－1)∨C)°W式2 

(其中W是連接權(quán)矩陣,t為網(wǎng)絡(luò)的演化步數(shù),而X(t),X(t－1),C均為模糊向量［3］,“°”是通常的∨－∧型復(fù)合運(yùn)算),我國(guó)學(xué)者劉普寅教授等指出這兩個(gè)系統(tǒng)從初始條件出發(fā),系統(tǒng)的狀態(tài)在有限步內(nèi)趨于其吸引子或形成一個(gè)極限環(huán)；并在一定條件下證明了系統(tǒng)的吸引子的Lyapunov穩(wěn)定性；特別是,為保證網(wǎng)絡(luò)最優(yōu)容錯(cuò)性,通過(guò)對(duì)吸引域的細(xì)膩分析,提出了W的一種解析學(xué)習(xí)算法。2002年提出了一類(lèi)更具一般性的基于T模的動(dòng)態(tài)模糊Hopfield網(wǎng)絡(luò)(記為MaxT FHNN)［4］：

X(t)=X(t－1)°TW式3

其中T是T模,″°T″是∨T型復(fù)合運(yùn)算,X(0)=(x1(0),x2(0),…,xn(0))∈［0,1］n,W是［0,1］上的n×n階連接權(quán)矩陣。等價(jià)的逐點(diǎn)表示形式為：

xj(t)=∨ni=1(xi(t－1)Twij) 式4

計(jì)算技術(shù)與自動(dòng)化2014年6月

第33卷第2期宋 丹等：基于MaxT模糊Hopfield網(wǎng)絡(luò)的車(chē)型識(shí)別

3 實(shí)驗(yàn)環(huán)境

選用微軟Windows 2000操縱系統(tǒng),Delphi7.0實(shí)現(xiàn)了基于MaxT模糊Hopfield網(wǎng)絡(luò)的車(chē)型識(shí)別(以下稱程序)。

4 實(shí)驗(yàn)過(guò)程

1)拍攝3類(lèi)車(chē)型(卡車(chē)、客車(chē)和轎車(chē))的36對(duì)樣本的數(shù)碼照片運(yùn)用圖像預(yù)處理技術(shù)進(jìn)行處理,然后提取特征值。本文中認(rèn)為這些特征值是真實(shí)的、無(wú)偏差的,用這些特征值訓(xùn)練MaxT FHNN(T取L模)［5，6］,得到該網(wǎng)絡(luò)的連接權(quán)值矩陣w(見(jiàn)式5)。

2)為了模擬真實(shí)的車(chē)型識(shí)別,假設(shè)現(xiàn)實(shí)中采集到的36個(gè)樣本與真實(shí)值有偏差,于是讓步驟1)中得到的36個(gè)樣本的標(biāo)準(zhǔn)特征值產(chǎn)生攝動(dòng),使得每個(gè)樣本有且僅有一個(gè)特征值發(fā)生攝動(dòng),得到車(chē)型特征值。

3)將步驟2)中含有攝動(dòng)的特征值輸入到步驟1)中訓(xùn)練好的MaxT FHNN中得到該網(wǎng)絡(luò)穩(wěn)定狀態(tài)的輸出值。

4)為了對(duì)比實(shí)驗(yàn)結(jié)果,將步驟2)中得到特征值用模糊模式識(shí)別法進(jìn)行識(shí)別得到結(jié)果。

5)將步驟3)中得到特征值用模糊模式識(shí)別法進(jìn)行識(shí)別,得到基于MaxT模糊Hopfield網(wǎng)絡(luò)的車(chē)型識(shí)別結(jié)果。

w=10.81040.74170.391310.79120.33410.55341式5



圖1 車(chē)型識(shí)別程序流程圖

5 實(shí)驗(yàn)結(jié)果與分析

從實(shí)驗(yàn)數(shù)據(jù)可以得出：直接將含有攝動(dòng)的車(chē)型特征值用模糊模式識(shí)別法識(shí)別,識(shí)別率為58.33％,如果我們將同樣的特征值輸入到程序中,識(shí)別率為80.56％,比前者高出22個(gè)百分點(diǎn)。實(shí)驗(yàn)表明：即使輸入的待測(cè)樣本特征值與真實(shí)值之間有偏差,該程序能較好的識(shí)別大部分樣本,較直接使用模糊模式識(shí)別法,有更高的識(shí)別率。

程序?qū)θN車(chē)型的分類(lèi)結(jié)果的程序界面如圖2所示。

6 小 結(jié)

在車(chē)型模式識(shí)別過(guò)程中采集的樣本受環(huán)境和設(shè)備影響很大,采集的數(shù)據(jù)(特征值)往往與真實(shí)數(shù)據(jù)有一定偏差,如果將這些含有攝動(dòng)的數(shù)據(jù)直接送入分類(lèi)器,識(shí)別的結(jié)果很難令人滿意,如果將這些含有攝動(dòng)的數(shù)據(jù)首先輸入到MaxT FHNN,得到穩(wěn)定狀態(tài)的輸出數(shù)據(jù),再將這些數(shù)據(jù)送入分類(lèi)器,那么較直接識(shí)別有更高的識(shí)別率，本文中的實(shí)驗(yàn)證明了這一結(jié)論，該研究工作在智能化交通管理中具有重要的理論意義和廣泛的應(yīng)用前景。



圖2 卡車(chē)的識(shí)別結(jié)果



參考文獻(xiàn)

［1］ MINGSHENG YING. Perturbation of Fuzzy Reasoning［J］.IEEE Transactions on Fuzzy systems,7(1999):625-629.

［2］ KAIYUAN CAI.Rubstness of Fuzzy Reasoning and-δ Eauations of Fuzzy Sets［J］. IEEE Trans. on Fuzzy Systems,9 (2001):738-750.

［3］ 李德毅,杜鹢.不確定性人工智能［J］.軟件學(xué)報(bào), 2004,15(11):1583-1594.

［4］ 張義榮,劉普寅.基于一類(lèi)T-模的模糊Hopfield 網(wǎng)絡(luò)的穩(wěn)定性分析［J］. 電子學(xué)報(bào)2002,30(1):30-33.

［5］ 袁和軍,李駿.模糊推理的攝動(dòng)性［J］.模糊系統(tǒng)與數(shù)學(xué),2001,15(4):8-13.

［6］ 徐蔚鴻,陳國(guó)平,楊靜宇,等.規(guī)則攝動(dòng)時(shí)模糊蘊(yùn)涵算子對(duì)模糊推理的魯棒性的影響［J］.計(jì)算機(jī)學(xué)報(bào),2005,28(10):1700- 1707.

收稿日期：2013-05-16

基金項(xiàng)目：科技部863計(jì)劃項(xiàng)目（2012AA012904） 

作者簡(jiǎn)介：宋 丹（19—），男，湖南長(zhǎng)沙人，工程師，碩士研究生，研究方向：人工智能，網(wǎng)絡(luò)安全。

文章編號(hào)：1003-6199(2014)02-0105-03

摘 要：在許多模式識(shí)別采樣的過(guò)程中,由于環(huán)境噪聲和設(shè)備誤差,往往導(dǎo)致采集的數(shù)據(jù)與真實(shí)值有一定偏差,這種偏差會(huì)影響識(shí)別的效果。本文采用MaxT FHNN模型，提出一種應(yīng)用于智能化交通管理的車(chē)型識(shí)別方法。并用實(shí)驗(yàn)證實(shí)相對(duì)于其他車(chē)型識(shí)別方法，該方法在待測(cè)樣本含有噪聲的情況下能得到更好的識(shí)別率。



關(guān)鍵詞：模糊Hopfield神經(jīng)網(wǎng)絡(luò)；學(xué)習(xí)算法；MaxT；模式識(shí)別

中圖分類(lèi)號(hào)：TP391.4文獻(xiàn)標(biāo)識(shí)碼：A



Vehicle Pattern Recognition Based on MaxT Fuzzy Hopfield Network



SONG Dan，ZHOU Gang

(Wuhan Engineering Science and Technology Institute, Wuhan，Hubei 430000,China)

Abstract:During the time collecting samples in many pattern recognitions, because of the environmental noise and the precision of equipment impacts, the data that have been collected always have some perturbations, the perturbations have disadvantages to the effect of pattern recognition system.The practical applications of the MaxT FHNN model have been studied in this thesis. Using MaxT FHNN and other pattern recognition techniques, a vehicle recognition method for intelligent traffic management is proposed. Experiments prove that compared to other method, the recognition rate is better when the method is used under noise environment.



Key words:fuzzy Hopfield neural network; learning algorithm; MaxT; pattern recognition



1 前 言

隨著中國(guó)經(jīng)濟(jì)迅速發(fā)展，各種交通車(chē)輛的數(shù)量越來(lái)越多，給我國(guó)目前的城市交通帶來(lái)巨大壓力，人們希望有一個(gè)智能的交通系統(tǒng)，實(shí)時(shí)監(jiān)控交通情況，實(shí)現(xiàn)自動(dòng)交通管

理，這就促使了智能交通系統(tǒng)的產(chǎn)生。目前一些大城市已經(jīng)逐步引入智能交通系統(tǒng)，例如高速公路的聯(lián)網(wǎng)收費(fèi)，停車(chē)場(chǎng)信息化管理等。隨著智能化交通管理需求的不斷增加，智能交通系統(tǒng)將有很大發(fā)展空間，對(duì)車(chē)型模式識(shí)別系統(tǒng)的要求也越來(lái)越高。

2 基于T模的模糊Hopfield網(wǎng)絡(luò)簇

由美國(guó)物理學(xué)家J.J.Hopfield提出的Hopfield神經(jīng)網(wǎng)絡(luò)的模糊形態(tài)和離散形態(tài)在學(xué)習(xí)算法設(shè)計(jì)和系統(tǒng)性能分析等方面得到了豐富的研究［1，2］。例如,對(duì)于maxmin模糊Hopfield網(wǎng)絡(luò)：

X(t)=X(t－1)°W式1 

以及帶有閾值的Maxmin模糊Hopfield網(wǎng)絡(luò)：

X(t)=(X(t－1)∨C)°W式2 

(其中W是連接權(quán)矩陣,t為網(wǎng)絡(luò)的演化步數(shù),而X(t),X(t－1),C均為模糊向量［3］,“°”是通常的∨－∧型復(fù)合運(yùn)算),我國(guó)學(xué)者劉普寅教授等指出這兩個(gè)系統(tǒng)從初始條件出發(fā),系統(tǒng)的狀態(tài)在有限步內(nèi)趨于其吸引子或形成一個(gè)極限環(huán)；并在一定條件下證明了系統(tǒng)的吸引子的Lyapunov穩(wěn)定性；特別是,為保證網(wǎng)絡(luò)最優(yōu)容錯(cuò)性,通過(guò)對(duì)吸引域的細(xì)膩分析,提出了W的一種解析學(xué)習(xí)算法。2002年提出了一類(lèi)更具一般性的基于T模的動(dòng)態(tài)模糊Hopfield網(wǎng)絡(luò)(記為MaxT FHNN)［4］：

X(t)=X(t－1)°TW式3

其中T是T模,″°T″是∨T型復(fù)合運(yùn)算,X(0)=(x1(0),x2(0),…,xn(0))∈［0,1］n,W是［0,1］上的n×n階連接權(quán)矩陣。等價(jià)的逐點(diǎn)表示形式為：

xj(t)=∨ni=1(xi(t－1)Twij) 式4

計(jì)算技術(shù)與自動(dòng)化2014年6月

第33卷第2期宋 丹等：基于MaxT模糊Hopfield網(wǎng)絡(luò)的車(chē)型識(shí)別

3 實(shí)驗(yàn)環(huán)境

選用微軟Windows 2000操縱系統(tǒng),Delphi7.0實(shí)現(xiàn)了基于MaxT模糊Hopfield網(wǎng)絡(luò)的車(chē)型識(shí)別(以下稱程序)。

4 實(shí)驗(yàn)過(guò)程

1)拍攝3類(lèi)車(chē)型(卡車(chē)、客車(chē)和轎車(chē))的36對(duì)樣本的數(shù)碼照片運(yùn)用圖像預(yù)處理技術(shù)進(jìn)行處理,然后提取特征值。本文中認(rèn)為這些特征值是真實(shí)的、無(wú)偏差的,用這些特征值訓(xùn)練MaxT FHNN(T取L模)［5，6］,得到該網(wǎng)絡(luò)的連接權(quán)值矩陣w(見(jiàn)式5)。

2)為了模擬真實(shí)的車(chē)型識(shí)別,假設(shè)現(xiàn)實(shí)中采集到的36個(gè)樣本與真實(shí)值有偏差,于是讓步驟1)中得到的36個(gè)樣本的標(biāo)準(zhǔn)特征值產(chǎn)生攝動(dòng),使得每個(gè)樣本有且僅有一個(gè)特征值發(fā)生攝動(dòng),得到車(chē)型特征值。

3)將步驟2)中含有攝動(dòng)的特征值輸入到步驟1)中訓(xùn)練好的MaxT FHNN中得到該網(wǎng)絡(luò)穩(wěn)定狀態(tài)的輸出值。

4)為了對(duì)比實(shí)驗(yàn)結(jié)果,將步驟2)中得到特征值用模糊模式識(shí)別法進(jìn)行識(shí)別得到結(jié)果。

5)將步驟3)中得到特征值用模糊模式識(shí)別法進(jìn)行識(shí)別,得到基于MaxT模糊Hopfield網(wǎng)絡(luò)的車(chē)型識(shí)別結(jié)果。

w=10.81040.74170.391310.79120.33410.55341式5



圖1 車(chē)型識(shí)別程序流程圖

5 實(shí)驗(yàn)結(jié)果與分析

從實(shí)驗(yàn)數(shù)據(jù)可以得出：直接將含有攝動(dòng)的車(chē)型特征值用模糊模式識(shí)別法識(shí)別,識(shí)別率為58.33％,如果我們將同樣的特征值輸入到程序中,識(shí)別率為80.56％,比前者高出22個(gè)百分點(diǎn)。實(shí)驗(yàn)表明：即使輸入的待測(cè)樣本特征值與真實(shí)值之間有偏差,該程序能較好的識(shí)別大部分樣本,較直接使用模糊模式識(shí)別法,有更高的識(shí)別率。

程序?qū)θN車(chē)型的分類(lèi)結(jié)果的程序界面如圖2所示。

6 小 結(jié)

在車(chē)型模式識(shí)別過(guò)程中采集的樣本受環(huán)境和設(shè)備影響很大,采集的數(shù)據(jù)(特征值)往往與真實(shí)數(shù)據(jù)有一定偏差,如果將這些含有攝動(dòng)的數(shù)據(jù)直接送入分類(lèi)器,識(shí)別的結(jié)果很難令人滿意,如果將這些含有攝動(dòng)的數(shù)據(jù)首先輸入到MaxT FHNN,得到穩(wěn)定狀態(tài)的輸出數(shù)據(jù),再將這些數(shù)據(jù)送入分類(lèi)器,那么較直接識(shí)別有更高的識(shí)別率，本文中的實(shí)驗(yàn)證明了這一結(jié)論，該研究工作在智能化交通管理中具有重要的理論意義和廣泛的應(yīng)用前景。



圖2 卡車(chē)的識(shí)別結(jié)果



參考文獻(xiàn)

［1］ MINGSHENG YING. Perturbation of Fuzzy Reasoning［J］.IEEE Transactions on Fuzzy systems,7(1999):625-629.

［2］ KAIYUAN CAI.Rubstness of Fuzzy Reasoning and-δ Eauations of Fuzzy Sets［J］. IEEE Trans. on Fuzzy Systems,9 (2001):738-750.

［3］ 李德毅,杜鹢.不確定性人工智能［J］.軟件學(xué)報(bào), 2004,15(11):1583-1594.

［4］ 張義榮,劉普寅.基于一類(lèi)T-模的模糊Hopfield 網(wǎng)絡(luò)的穩(wěn)定性分析［J］. 電子學(xué)報(bào)2002,30(1):30-33.

［5］ 袁和軍,李駿.模糊推理的攝動(dòng)性［J］.模糊系統(tǒng)與數(shù)學(xué),2001,15(4):8-13.

［6］ 徐蔚鴻,陳國(guó)平,楊靜宇,等.規(guī)則攝動(dòng)時(shí)模糊蘊(yùn)涵算子對(duì)模糊推理的魯棒性的影響［J］.計(jì)算機(jī)學(xué)報(bào),2005,28(10):1700- 1707.

收稿日期：2013-05-16

基金項(xiàng)目：科技部863計(jì)劃項(xiàng)目（2012AA012904） 

作者簡(jiǎn)介：宋 丹（19—），男，湖南長(zhǎng)沙人，工程師，碩士研究生，研究方向：人工智能，網(wǎng)絡(luò)安全。

文章編號(hào)：1003-6199(2014)02-0105-03

摘 要：在許多模式識(shí)別采樣的過(guò)程中,由于環(huán)境噪聲和設(shè)備誤差,往往導(dǎo)致采集的數(shù)據(jù)與真實(shí)值有一定偏差,這種偏差會(huì)影響識(shí)別的效果。本文采用MaxT FHNN模型，提出一種應(yīng)用于智能化交通管理的車(chē)型識(shí)別方法。并用實(shí)驗(yàn)證實(shí)相對(duì)于其他車(chē)型識(shí)別方法，該方法在待測(cè)樣本含有噪聲的情況下能得到更好的識(shí)別率。



關(guān)鍵詞：模糊Hopfield神經(jīng)網(wǎng)絡(luò)；學(xué)習(xí)算法；MaxT；模式識(shí)別

中圖分類(lèi)號(hào)：TP391.4文獻(xiàn)標(biāo)識(shí)碼：A



Vehicle Pattern Recognition Based on MaxT Fuzzy Hopfield Network



SONG Dan，ZHOU Gang

(Wuhan Engineering Science and Technology Institute, Wuhan，Hubei 430000,China)

Abstract:During the time collecting samples in many pattern recognitions, because of the environmental noise and the precision of equipment impacts, the data that have been collected always have some perturbations, the perturbations have disadvantages to the effect of pattern recognition system.The practical applications of the MaxT FHNN model have been studied in this thesis. Using MaxT FHNN and other pattern recognition techniques, a vehicle recognition method for intelligent traffic management is proposed. Experiments prove that compared to other method, the recognition rate is better when the method is used under noise environment.



Key words:fuzzy Hopfield neural network; learning algorithm; MaxT; pattern recognition



1 前 言

隨著中國(guó)經(jīng)濟(jì)迅速發(fā)展，各種交通車(chē)輛的數(shù)量越來(lái)越多，給我國(guó)目前的城市交通帶來(lái)巨大壓力，人們希望有一個(gè)智能的交通系統(tǒng)，實(shí)時(shí)監(jiān)控交通情況，實(shí)現(xiàn)自動(dòng)交通管

理，這就促使了智能交通系統(tǒng)的產(chǎn)生。目前一些大城市已經(jīng)逐步引入智能交通系統(tǒng)，例如高速公路的聯(lián)網(wǎng)收費(fèi)，停車(chē)場(chǎng)信息化管理等。隨著智能化交通管理需求的不斷增加，智能交通系統(tǒng)將有很大發(fā)展空間，對(duì)車(chē)型模式識(shí)別系統(tǒng)的要求也越來(lái)越高。

2 基于T模的模糊Hopfield網(wǎng)絡(luò)簇

由美國(guó)物理學(xué)家J.J.Hopfield提出的Hopfield神經(jīng)網(wǎng)絡(luò)的模糊形態(tài)和離散形態(tài)在學(xué)習(xí)算法設(shè)計(jì)和系統(tǒng)性能分析等方面得到了豐富的研究［1，2］。例如,對(duì)于maxmin模糊Hopfield網(wǎng)絡(luò)：

X(t)=X(t－1)°W式1 

以及帶有閾值的Maxmin模糊Hopfield網(wǎng)絡(luò)：

X(t)=(X(t－1)∨C)°W式2 

(其中W是連接權(quán)矩陣,t為網(wǎng)絡(luò)的演化步數(shù),而X(t),X(t－1),C均為模糊向量［3］,“°”是通常的∨－∧型復(fù)合運(yùn)算),我國(guó)學(xué)者劉普寅教授等指出這兩個(gè)系統(tǒng)從初始條件出發(fā),系統(tǒng)的狀態(tài)在有限步內(nèi)趨于其吸引子或形成一個(gè)極限環(huán)；并在一定條件下證明了系統(tǒng)的吸引子的Lyapunov穩(wěn)定性；特別是,為保證網(wǎng)絡(luò)最優(yōu)容錯(cuò)性,通過(guò)對(duì)吸引域的細(xì)膩分析,提出了W的一種解析學(xué)習(xí)算法。2002年提出了一類(lèi)更具一般性的基于T模的動(dòng)態(tài)模糊Hopfield網(wǎng)絡(luò)(記為MaxT FHNN)［4］：

X(t)=X(t－1)°TW式3

其中T是T模,″°T″是∨T型復(fù)合運(yùn)算,X(0)=(x1(0),x2(0),…,xn(0))∈［0,1］n,W是［0,1］上的n×n階連接權(quán)矩陣。等價(jià)的逐點(diǎn)表示形式為：

xj(t)=∨ni=1(xi(t－1)Twij) 式4

計(jì)算技術(shù)與自動(dòng)化2014年6月

第33卷第2期宋 丹等：基于MaxT模糊Hopfield網(wǎng)絡(luò)的車(chē)型識(shí)別

3 實(shí)驗(yàn)環(huán)境

選用微軟Windows 2000操縱系統(tǒng),Delphi7.0實(shí)現(xiàn)了基于MaxT模糊Hopfield網(wǎng)絡(luò)的車(chē)型識(shí)別(以下稱程序)。

4 實(shí)驗(yàn)過(guò)程

1)拍攝3類(lèi)車(chē)型(卡車(chē)、客車(chē)和轎車(chē))的36對(duì)樣本的數(shù)碼照片運(yùn)用圖像預(yù)處理技術(shù)進(jìn)行處理,然后提取特征值。本文中認(rèn)為這些特征值是真實(shí)的、無(wú)偏差的,用這些特征值訓(xùn)練MaxT FHNN(T取L模)［5，6］,得到該網(wǎng)絡(luò)的連接權(quán)值矩陣w(見(jiàn)式5)。

2)為了模擬真實(shí)的車(chē)型識(shí)別,假設(shè)現(xiàn)實(shí)中采集到的36個(gè)樣本與真實(shí)值有偏差,于是讓步驟1)中得到的36個(gè)樣本的標(biāo)準(zhǔn)特征值產(chǎn)生攝動(dòng),使得每個(gè)樣本有且僅有一個(gè)特征值發(fā)生攝動(dòng),得到車(chē)型特征值。

3)將步驟2)中含有攝動(dòng)的特征值輸入到步驟1)中訓(xùn)練好的MaxT FHNN中得到該網(wǎng)絡(luò)穩(wěn)定狀態(tài)的輸出值。

4)為了對(duì)比實(shí)驗(yàn)結(jié)果,將步驟2)中得到特征值用模糊模式識(shí)別法進(jìn)行識(shí)別得到結(jié)果。

5)將步驟3)中得到特征值用模糊模式識(shí)別法進(jìn)行識(shí)別,得到基于MaxT模糊Hopfield網(wǎng)絡(luò)的車(chē)型識(shí)別結(jié)果。

w=10.81040.74170.391310.79120.33410.55341式5



圖1 車(chē)型識(shí)別程序流程圖

5 實(shí)驗(yàn)結(jié)果與分析

從實(shí)驗(yàn)數(shù)據(jù)可以得出：直接將含有攝動(dòng)的車(chē)型特征值用模糊模式識(shí)別法識(shí)別,識(shí)別率為58.33％,如果我們將同樣的特征值輸入到程序中,識(shí)別率為80.56％,比前者高出22個(gè)百分點(diǎn)。實(shí)驗(yàn)表明：即使輸入的待測(cè)樣本特征值與真實(shí)值之間有偏差,該程序能較好的識(shí)別大部分樣本,較直接使用模糊模式識(shí)別法,有更高的識(shí)別率。

程序?qū)θN車(chē)型的分類(lèi)結(jié)果的程序界面如圖2所示。

6 小 結(jié)

在車(chē)型模式識(shí)別過(guò)程中采集的樣本受環(huán)境和設(shè)備影響很大,采集的數(shù)據(jù)(特征值)往往與真實(shí)數(shù)據(jù)有一定偏差,如果將這些含有攝動(dòng)的數(shù)據(jù)直接送入分類(lèi)器,識(shí)別的結(jié)果很難令人滿意,如果將這些含有攝動(dòng)的數(shù)據(jù)首先輸入到MaxT FHNN,得到穩(wěn)定狀態(tài)的輸出數(shù)據(jù),再將這些數(shù)據(jù)送入分類(lèi)器,那么較直接識(shí)別有更高的識(shí)別率，本文中的實(shí)驗(yàn)證明了這一結(jié)論，該研究工作在智能化交通管理中具有重要的理論意義和廣泛的應(yīng)用前景。



圖2 卡車(chē)的識(shí)別結(jié)果



參考文獻(xiàn)

［1］ MINGSHENG YING. Perturbation of Fuzzy Reasoning［J］.IEEE Transactions on Fuzzy systems,7(1999):625-629.

［2］ KAIYUAN CAI.Rubstness of Fuzzy Reasoning and-δ Eauations of Fuzzy Sets［J］. IEEE Trans. on Fuzzy Systems,9 (2001):738-750.

［3］ 李德毅,杜鹢.不確定性人工智能［J］.軟件學(xué)報(bào), 2004,15(11):1583-1594.

［4］ 張義榮,劉普寅.基于一類(lèi)T-模的模糊Hopfield 網(wǎng)絡(luò)的穩(wěn)定性分析［J］. 電子學(xué)報(bào)2002,30(1):30-33.

［5］ 袁和軍,李駿.模糊推理的攝動(dòng)性［J］.模糊系統(tǒng)與數(shù)學(xué),2001,15(4):8-13.

［6］ 徐蔚鴻,陳國(guó)平,楊靜宇,等.規(guī)則攝動(dòng)時(shí)模糊蘊(yùn)涵算子對(duì)模糊推理的魯棒性的影響［J］.計(jì)算機(jī)學(xué)報(bào),2005,28(10):1700- 1707.