車(chē)輛特征提取和分類方法的研究.pdf

1、模式識(shí)別包含了兩個(gè)主要部分，分別是特征提取和分類器設(shè)計(jì)，在車(chē)輛識(shí)別中有著重要的意義。對(duì)數(shù)據(jù)進(jìn)行有效的特征提取并運(yùn)用神經(jīng)網(wǎng)絡(luò)分類是實(shí)現(xiàn)合理分類的有效途徑。本文提出了兩種特征提取方法用于車(chē)輛波形數(shù)據(jù)的提取，研究了最小距離分類法和人工神經(jīng)網(wǎng)絡(luò)在車(chē)輛識(shí)別方面的應(yīng)用，仿真實(shí)驗(yàn)表明本文所提出的特征提取和分類方法具有良好的車(chē)輛識(shí)別效果。
　　 主成分分析是一種統(tǒng)計(jì)分析方法，它采取降維將多個(gè)變量轉(zhuǎn)換為個(gè)數(shù)較少的綜合變量，使這些綜合指標(biāo)盡可能地反

2、映原來(lái)指標(biāo)的信息量，而且彼止之間不相關(guān)，從而達(dá)到簡(jiǎn)化的目的。核主成分分析法實(shí)際上就是主成分分析的一種改進(jìn)算法，它將原特征空間映射到了另一個(gè)高維空間，在這個(gè)新的高維空間中運(yùn)用核技巧提取出車(chē)輛數(shù)據(jù)的成分。
　　 傳統(tǒng)中的模式識(shí)別系統(tǒng)一般只是使用樣本之間的距離或者相關(guān)性分類器來(lái)進(jìn)行分類的，這種系統(tǒng)對(duì)于輸入樣本帶有噪聲、類別數(shù)量比較大的問(wèn)題很難取得好的分類結(jié)果。自適應(yīng)共振網(wǎng)絡(luò)ART網(wǎng)絡(luò)具有其它分類方法不具備的優(yōu)良特性，它可以很好地解決穩(wěn)

3、定性和可塑性這個(gè)二難的問(wèn)題，可以穩(wěn)定快速地識(shí)別已經(jīng)學(xué)習(xí)過(guò)的對(duì)象，同時(shí)也能夠快速地學(xué)習(xí)沒(méi)有學(xué)習(xí)過(guò)的對(duì)象。因此可以利用它穩(wěn)定機(jī)制和競(jìng)爭(zhēng)學(xué)習(xí)的優(yōu)點(diǎn)來(lái)進(jìn)行車(chē)輛的分類識(shí)別。本文中對(duì)傳統(tǒng)的ART網(wǎng)絡(luò)進(jìn)行了兩點(diǎn)改進(jìn)，實(shí)際上就是結(jié)合其優(yōu)點(diǎn)的基礎(chǔ)上引進(jìn)了兩個(gè)準(zhǔn)則，其一就是引進(jìn)最小余弦?jiàn)A角作為輸入模式計(jì)算準(zhǔn)則，其二就是引進(jìn)模式相似度作為檢驗(yàn)識(shí)別準(zhǔn)則，建立了一個(gè)學(xué)習(xí)算法簡(jiǎn)單化的ART網(wǎng)絡(luò)，其比較適合于高維特征值目標(biāo)的分類。并且基于該網(wǎng)絡(luò)設(shè)計(jì)了一個(gè)新的分類器。