現(xiàn)代模式識(shí)別博士考試考試

1、現(xiàn)代模式識(shí)別博士課程考試試題學(xué)號(hào)： 姓名一、為了滿(mǎn)足高速公路自動(dòng)收費(fèi)系統(tǒng)管理的要求， 是設(shè)計(jì)一個(gè)汽車(chē)類(lèi)型的計(jì)算機(jī)自動(dòng)識(shí)別和 分類(lèi)系統(tǒng)。要求如下：給出計(jì)算機(jī)自動(dòng)識(shí)別分類(lèi)系統(tǒng)的結(jié)構(gòu)原理； 給出汽車(chē)類(lèi)型識(shí)別的特征提取選擇方法； 給出計(jì)算機(jī)自動(dòng)識(shí)別系統(tǒng)的分類(lèi)方法和分類(lèi)器結(jié)構(gòu)； 給出仿真程序及流程圖；對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析，并給出識(shí)別率。解：近年來(lái)，隨著公路交通事業(yè)的蓬勃發(fā)展，公路收費(fèi)系統(tǒng)開(kāi)始由人工向自動(dòng)化方向發(fā)展， 可有效降低公路、橋梁等收費(fèi)處的車(chē)輛阻塞率。高速公路自動(dòng)收費(fèi)系統(tǒng)主要由兩部分組成： 路口車(chē)輛檢測(cè)系統(tǒng) （多個(gè) ）、收費(fèi)管理系統(tǒng)。當(dāng)車(chē)輛通過(guò)收費(fèi)站車(chē)道時(shí)，系統(tǒng)會(huì)自動(dòng)啟動(dòng)攝像 機(jī)，記錄汽車(chē)圖像， 然

2、后經(jīng)過(guò)數(shù)字圖像處理產(chǎn)生該車(chē)輛的特征信息， 然后經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)等分 類(lèi)器處理產(chǎn)生車(chē)輛類(lèi)型特征， 送入收費(fèi)管理系統(tǒng)。 收費(fèi)管理系統(tǒng)實(shí)時(shí)收集各個(gè)路口檢測(cè)站的 工作信息，對(duì)每個(gè)路口檢測(cè)站的信息進(jìn)行處理，根據(jù)各路口車(chē)輛檢測(cè)站送來(lái)的車(chē)輛的信息， 結(jié)合車(chē)輛重量計(jì)算出收費(fèi)總額，然后從該車(chē)輛用戶(hù)予先交納的過(guò)路（橋 ）費(fèi)中扣除本次費(fèi)用，從而完成車(chē)輛不停車(chē)狀況下的一次自動(dòng)收費(fèi)操作。 對(duì)法定免費(fèi)通行的特種車(chē)輛， 記錄通行信 息，但不作扣費(fèi)操作。 收費(fèi)管理系統(tǒng)還應(yīng)該具備大型通行顯示屏和發(fā)聲系統(tǒng)， 以告知車(chē)輛費(fèi) 用情況。圖 1 為收費(fèi)系統(tǒng)結(jié)構(gòu)圖圖1 收費(fèi)系統(tǒng)總體結(jié)構(gòu)圖車(chē)輛檢測(cè)系統(tǒng)必須為收費(fèi)系統(tǒng)提供車(chē)輛的類(lèi)型、 用戶(hù)預(yù)交費(fèi)等

3、信息。 傳統(tǒng)的環(huán)行線(xiàn)圈以 及紅外檢測(cè)器雖然簡(jiǎn)單易用 ,但是不能準(zhǔn)確估計(jì)車(chē)輛類(lèi)型（車(chē)輛的類(lèi)型包括轎車(chē)、客車(chē)、貨 車(chē)等）。車(chē)型對(duì)于高速公路收費(fèi)額的確定、大型停車(chē)場(chǎng)的管理及公路交通監(jiān)視控制等都有著 非常重要的意義。通過(guò)圖像處理對(duì)車(chē)型進(jìn)行識(shí)別的研究很多,例如 ,基于神經(jīng)網(wǎng)絡(luò)的汽車(chē)車(chē)型識(shí)別，小波變換及非線(xiàn)形濾波用于車(chē)型識(shí)別，模糊聚類(lèi)分析用于車(chē)型識(shí)別等。本題就是要求根據(jù)所學(xué)知識(shí)設(shè)計(jì)汽車(chē)類(lèi)型的計(jì)算機(jī)自動(dòng)識(shí)別和分類(lèi)系統(tǒng)， 要求給出計(jì)算 機(jī)自動(dòng)識(shí)別分類(lèi)系統(tǒng)的結(jié)構(gòu)原理、 汽車(chē)類(lèi)型識(shí)別的特征提取選擇方法、 計(jì)算機(jī)自動(dòng)識(shí)別系統(tǒng) 的分類(lèi)方法和分類(lèi)器結(jié)構(gòu)、仿真程序及流程圖，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析，并給出識(shí)別率。下 面對(duì)各項(xiàng)

4、要求詳細(xì)做出解答。 計(jì)算機(jī)自動(dòng)識(shí)別分類(lèi)系統(tǒng)的結(jié)構(gòu)原理： 根據(jù)題意，為了讓計(jì)算機(jī)能自動(dòng)識(shí)別汽車(chē)類(lèi)型，特設(shè)計(jì)自動(dòng)識(shí)別汽車(chē)類(lèi)型的分類(lèi)系統(tǒng)， 其結(jié)構(gòu)原理圖如圖 2 所示。CCD車(chē)輛圖像圖像圖像采集處理圖2 計(jì)算機(jī)自動(dòng)識(shí)別分類(lèi)系統(tǒng)結(jié)構(gòu)框圖上述系統(tǒng)進(jìn)行車(chē)型識(shí)別的工作過(guò)程如下：首先利用 CCD 攝像頭和圖像采集卡獲得汽車(chē) 的原始圖像， 然后對(duì)原始圖像進(jìn)行預(yù)處理和特征提取， 然后用所獲得的特征來(lái)進(jìn)行車(chē)型分類(lèi)， 從而輸出車(chē)型編碼，確定車(chē)型。下面詳細(xì)分析一下車(chē)型圖像預(yù)處理部分工作的原理： 為了實(shí)現(xiàn)對(duì)汽車(chē)車(chē)型進(jìn)行自動(dòng)識(shí)別和分類(lèi)， 首先要對(duì)圖像進(jìn)行預(yù)處理。 具體的處理過(guò)程 為：對(duì)圖像進(jìn)行平滑處理和邊緣增強(qiáng)。要進(jìn)行車(chē)輛

5、識(shí)別 ,首先必須把車(chē)輛輪廓信息提取出來(lái)。其主要目的是去除圖像的背景噪 聲、提高圖像輪廓線(xiàn)的清晰度。由于原始圖象往往含有噪聲，而常用的邊緣檢測(cè)Laplace 算子對(duì)噪聲比較敏感，這就給真正的邊緣檢測(cè)帶來(lái)了困難。使用 Robert 邊緣檢測(cè)算子來(lái)強(qiáng)化 邊緣信息，弱化非邊緣信息。 Robert 邊緣檢測(cè)算子就是一種常用的經(jīng)典邊緣檢測(cè)算子,是一種利用局部差分算子尋找邊緣的算子。1/2 1/2 2 1/2 1/2 2 1/2g(x ,y) = (f (x ,y) - f(x+1 ,y+1) ) +(f(x+1 ,y) -f (x ,y+1) )2在 Sobel 、Prewitt 、 Krisch 、高斯

6、 - 拉普拉斯等幾個(gè)邊緣檢測(cè)算子中 ,Robert 的運(yùn)算時(shí) 間最短 ,速度最快。經(jīng)過(guò) Robert 算子處理后的圖象就可以很清楚的把邊緣凸顯出來(lái)。為了提高抗干擾能力， 得到位置正確、 較平滑連續(xù)的邊緣， 還需要對(duì)原始圖象作某種方 式的平滑。 文中把平滑過(guò)程揉合進(jìn)二階導(dǎo)數(shù)的算法之中， 即用平面去逼近一個(gè)小鄰域， 再求 這個(gè)面的二階導(dǎo)數(shù)代替點(diǎn)二階導(dǎo)數(shù)， 既可以突出界線(xiàn)， 又可以減少噪聲的影響， 只是線(xiàn)條稍 粗一些， 對(duì)所感興趣的車(chē)輛輪廓沒(méi)有大的影響， 無(wú)礙于特征抽取。 圖象增強(qiáng)后的圖象稱(chēng)之為 邊緣圖象。對(duì)圖像進(jìn)行分割。 即將汽車(chē)從原圖像的復(fù)雜背景中分離出來(lái)。設(shè) g1(x,y)和 g2(x,y)分

7、別為車(chē)輛邊緣圖象與背景邊緣圖象， h(x,y) 為相減后的圖象， ZERO 代表暗點(diǎn)灰度值，則經(jīng)過(guò)相減運(yùn)算， 一方面可獲得邊緣相減圖象， 另一方面可克服由于攝像機(jī)輕微移動(dòng)和光 線(xiàn)微弱變化所帶來(lái)的影響。 二值化及二值圖像處理在圖像進(jìn)一步處理之前 ,要對(duì)其進(jìn)行二值化處理 ,使圖像處理的數(shù)據(jù)量大大減少。閾值分 割可實(shí)現(xiàn)二值化。 閾值分割的關(guān)鍵是最佳閾值的確定。 我們采用的是一種迭代求圖像最佳分 割閾值的算法。由于二值圖像存在孤立點(diǎn)以及輪廓不連續(xù),需要對(duì)其作進(jìn)一步處理：消除孤立點(diǎn)、填充 （橫向填充和縱向填充 ） 、圖像修正、細(xì)化等一系列處理。最終得到一幅完整的 車(chē)輛輪廓圖像，以便于特征提取。這樣就可以

8、根據(jù)圖像的信息進(jìn)行車(chē)輛信息的提取了。 汽車(chē)類(lèi)型識(shí)別的特征提取選擇方法目前汽車(chē)種類(lèi)繁多， 不甚枚舉。 需要抽取哪些特征來(lái)進(jìn)行車(chē)型識(shí)別和分類(lèi)是難點(diǎn)也是重 點(diǎn)。特征提取的好壞， 關(guān)系到識(shí)別和分類(lèi)的速度和準(zhǔn)確度。 通常各類(lèi)汽車(chē)的車(chē)身側(cè)視圖可提 供整個(gè)車(chē)長(zhǎng)、頂蓬位置、 頂蓬長(zhǎng)度及車(chē)輛高度等信息，由于在拍攝圖象時(shí)， 鏡頭與車(chē)輛間的 距離、 角度都是隨機(jī)的， 因此造成同一車(chē)輛， 在兩次拍攝圖象時(shí)， 上述各參數(shù)的絕對(duì)大小不 相等，這就限制了我們不能用絕對(duì)長(zhǎng)度或絕對(duì)高度等絕對(duì)參數(shù)來(lái)作為識(shí)別特征。為此可選取以下特征： 頂蓬長(zhǎng)度與車(chē)輛長(zhǎng)度之比，稱(chēng)之為頂長(zhǎng)比；頂蓬長(zhǎng)度與車(chē)輛高度之比， 稱(chēng)之為頂 高比；以頂蓬中垂線(xiàn)為界

9、，前后兩部分之比，稱(chēng)之為前后比，如下圖所示?？梢?jiàn)我們提取的 特征簡(jiǎn)單、量少，這樣構(gòu)成分類(lèi)器時(shí)也就簡(jiǎn)單，便于實(shí)現(xiàn)。HL經(jīng)過(guò)實(shí)地觀察測(cè)量和查找有關(guān)車(chē)輛的類(lèi)型數(shù)據(jù)及資料， 可以知道大部分的車(chē)型具有以下 特征： . 頂長(zhǎng)比：一般來(lái)說(shuō) ,轎車(chē)頂長(zhǎng)比約為 0. 20. 5 之間,占比重再大的轎車(chē)比較罕見(jiàn)。 對(duì)于客車(chē)來(lái)說(shuō) , 頂長(zhǎng)比較大 ,例如城市中的公共客車(chē) , 頂長(zhǎng)比近似為 1 ;長(zhǎng)途客車(chē)的頂長(zhǎng)比在0. 85 以上。而相比之下 ,貨車(chē)的頂長(zhǎng)比就小的多了。 因此 ,可以把頂長(zhǎng)比作為識(shí)別車(chē)輛類(lèi)型的 特征參數(shù)之一。 . 前后比：對(duì)于轎車(chē)來(lái)說(shuō) ,轎車(chē)的前后比在 13 之間 ,低于 1 的比較少見(jiàn) ; 這是因?yàn)樵O(shè)

10、計(jì)轎車(chē)時(shí) ,車(chē)篷一般是坐落在車(chē)體的中央或者是靠后的位置。對(duì)于客車(chē)來(lái)說(shuō),這個(gè)比值為 1 左右,估測(cè)在 11. 5之間;因?yàn)榇蟛糠值目蛙?chē) ,因?yàn)橐M可能的利用空間 ,一般會(huì)做成 類(lèi)正方體的形狀 ,因此這個(gè)比值接近于 1 。. 頂高比：一般的 ,轎車(chē)的頂高比大約在 1 左右; 而客車(chē)的頂高比較大 ,一般大于 1. 5 以上。而貨車(chē)的頂高比在 0. 5 1 左右。根據(jù)需要還可 以提取其它的特征參數(shù)。 計(jì)算機(jī)自動(dòng)識(shí)別系統(tǒng)的分類(lèi)方法和分類(lèi)器結(jié)構(gòu)根據(jù)上述特征參數(shù)就可以進(jìn)行分類(lèi)器設(shè)計(jì)了。目前分類(lèi)方法較多，有 BP 神經(jīng)網(wǎng)絡(luò)法、BP 神經(jīng)網(wǎng)絡(luò)法以及核核函數(shù)法、聚類(lèi)方法、支持向量機(jī)法、模糊模式識(shí)別法等。這里采用

11、函數(shù)法來(lái)設(shè)計(jì)本識(shí)別系統(tǒng)的分類(lèi)器圖4 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu) BP 神經(jīng)網(wǎng)絡(luò)分類(lèi)器設(shè)計(jì) 目前在神經(jīng)網(wǎng)絡(luò)中研究和應(yīng)用最多的便是基于 BP （Back-Propagation ） 誤差反向傳播算法的神經(jīng)網(wǎng)絡(luò)模型。 它是一種基于前饋式的、能實(shí)現(xiàn)映射變換的網(wǎng)絡(luò)模型。理 論上已證明對(duì)于一個(gè)三層前饋型 BP網(wǎng)絡(luò)（如圖 4所示） ，只 要隱含層單元取得足夠多， 就可以實(shí)現(xiàn)以任意精度逼近任 意連續(xù)映射函數(shù)。BP神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)思路是， 通過(guò)把欲求的未知知識(shí)變換成神經(jīng)網(wǎng)絡(luò)模型中神經(jīng)元之間的連接權(quán)值和神經(jīng)元閾值， 并分布地存儲(chǔ)在整個(gè)神經(jīng)網(wǎng) 絡(luò)之中。 在確定了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)、 神經(jīng)元特性和學(xué)習(xí)算法之后， 神經(jīng)網(wǎng)絡(luò)的知識(shí)表

12、達(dá) 是與它的知識(shí)獲取過(guò)程同時(shí)進(jìn)行、 同時(shí)完成的。 當(dāng)訓(xùn)練 （知識(shí)獲取 ）結(jié)束時(shí)， 神經(jīng)網(wǎng)絡(luò)系統(tǒng)所 獲取的知識(shí)就表達(dá)為網(wǎng)絡(luò)連接權(quán)值和閾值矩陣。一般地， BP學(xué)習(xí)算法描述為如下步驟 : 初始化網(wǎng)絡(luò)及學(xué)習(xí)參數(shù)，如設(shè)置網(wǎng)絡(luò)初始權(quán)矩陣，學(xué)習(xí)因子 及勢(shì)態(tài)因子 （ 它決定 了上一次學(xué)習(xí)的權(quán)值變化對(duì)本次權(quán)值更新的影響程度 ）. 提供訓(xùn)練模式即事先通過(guò)實(shí)驗(yàn)測(cè)量的實(shí)驗(yàn)數(shù)據(jù)，訓(xùn)練網(wǎng)絡(luò)，直到滿(mǎn)足學(xué)習(xí)要求。 前向傳播過(guò)程 : 對(duì)給定訓(xùn)練模式輸入，計(jì)算網(wǎng)絡(luò)的輸出模式，井與期望模式比較，若 有誤差，則執(zhí)行，否則，返回 , 反向傳播過(guò)程 : 、計(jì)算同一層單元的誤差；、修正權(quán)值和閾值；、返回本系統(tǒng)采用三層 BP 網(wǎng)絡(luò)，輸入層至

13、隱層以及隱層至輸出層的傳輸函數(shù)， 均選用 S 函數(shù)。 將提取的特征作為網(wǎng)絡(luò)的輸入向量 X=x1 ， x2，x3 其中 x1 為頂長(zhǎng)比， x2 為頂高比， x3 為前后比；將車(chē)型編碼 （ 編碼方法見(jiàn)表 1）作為網(wǎng)絡(luò)的期 望愉出向量 T=t1 ， t2， t3 ，“期望輸出 t1,t2,t3車(chē)輛類(lèi)型特征“轎車(chē) 客車(chē) 貨車(chē)”，因此輸入層、輸出層的節(jié)點(diǎn)數(shù)均為3，選取隱層節(jié)點(diǎn)數(shù)為 8，則本系統(tǒng)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖4所示，其中 Y=（y1,y2,y3） 表示網(wǎng)絡(luò)的實(shí)際輸出， w、 V 表示權(quán)矩陣。BP 算法采用梯度法。梯度法在非二次型較強(qiáng)的區(qū)域能使目標(biāo)函數(shù)收斂較快。但是，當(dāng) 權(quán)值接近于極值區(qū)域時(shí) ,每次迭代

14、移動(dòng)的步長(zhǎng)很小，呈現(xiàn)出“鋸齒”現(xiàn)象，嚴(yán)重影響了收斂 速率，有時(shí)甚至不能收斂而在局部極值區(qū)域振蕩。 為此， 采用了各種優(yōu)化算法，如加動(dòng)量項(xiàng) 的算法和變速率的訓(xùn)練算法。綜上所述， 在計(jì)算過(guò)程中，先采用最速下降法，這是比較理想的尋優(yōu)方法， 而在最優(yōu)點(diǎn) 附近，由于接近于二次型函數(shù)，再采用共軛梯度法。訓(xùn)練成功后固定網(wǎng)絡(luò)權(quán)值， 使之處于回想狀態(tài)， 對(duì)于一個(gè)給定的輸入， 便產(chǎn)生一個(gè)相應(yīng) 的輸出，由輸出與車(chē)型編碼進(jìn)行比較，即可方便地確定車(chē)型。 RBF 神經(jīng)網(wǎng)絡(luò)分類(lèi)器設(shè)計(jì)在信號(hào)處理、模式識(shí)別領(lǐng)域， BP 網(wǎng)絡(luò)是應(yīng)用極為廣泛的模型。但 BP 網(wǎng)絡(luò)有一個(gè)缺點(diǎn)，如果采用梯度下降算法，雖然有一些方法如遺傳圖 5 徑向基

15、函數(shù)神經(jīng)網(wǎng)絡(luò)即網(wǎng)絡(luò)與參數(shù)之間高度非線(xiàn)性， 學(xué)習(xí)必須基于某種非線(xiàn)性?xún)?yōu)化技術(shù)。則在學(xué)習(xí)階段參數(shù)估計(jì)可能會(huì)陷入其優(yōu)化目標(biāo)函數(shù)的一個(gè)局部極小。 算法（ GA ）等可以避免局部極小，但一般計(jì)算量都非常大。采用如圖 5 所示的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)， 它只有一個(gè) 隱層，輸入單元是線(xiàn)性求和單元， 輸出是各隱層單元輸出的加 權(quán)和。各隱層單元的作用函數(shù)是徑向基函數(shù)（簡(jiǎn)稱(chēng) RBF），輸入層到隱層單元間的權(quán)值固定為， 只有隱層單元到輸出單元的權(quán) 值可調(diào)。這種作法相當(dāng)于把網(wǎng)絡(luò)看成是對(duì)未知函數(shù) F（x） 的逼近 器，各隱層單元的作用函數(shù)構(gòu)成一組基函數(shù)用于近似F（x） 。由模式識(shí)別理論可知， 低維空間非線(xiàn)性可分的問(wèn)題可映

16、射到一個(gè) 高維空間，使其在此高維空間線(xiàn)性可分。目前常用的基函數(shù)形式是高斯核函數(shù)， 整個(gè)網(wǎng)絡(luò)需訓(xùn)練的參數(shù)有三組， 即各基函數(shù)的中 心位置、方差和輸出單元的權(quán)值。為了確定三組參數(shù)，就要通過(guò)樣本進(jìn)行學(xué)習(xí)訓(xùn)練。學(xué)習(xí)訓(xùn) 練可根據(jù)已知輸出與實(shí)際輸出之間的差值來(lái)調(diào)節(jié)系統(tǒng)參數(shù)。RBF 不僅有良好的徑向基函數(shù)為多層前傳網(wǎng)絡(luò)的學(xué)習(xí)提供了一種新穎而有效的手段。 學(xué)習(xí)推廣能力， 而且避免了反向傳播那樣繁瑣冗長(zhǎng)的計(jì)算， 使學(xué)習(xí)比通常的 BP 方法快 1000 倍以上。 RBF 與 BP 網(wǎng)絡(luò)相比最大優(yōu)點(diǎn)在于 BP 網(wǎng)絡(luò)中隱含神經(jīng)元是事先確定的，而 RBF 網(wǎng)絡(luò)中的隱含神經(jīng)元是在訓(xùn)練過(guò)程中一個(gè)個(gè)加入的， 所加入的隱含神經(jīng)

17、元數(shù)取決于所求問(wèn)題 的精度，這一特點(diǎn)給應(yīng)用者帶來(lái)很大方便。將前面提取的特征 x1 頂長(zhǎng)比， x2 頂高比， x3 前后比作為 RBF 網(wǎng)絡(luò)的輸入?yún)?shù)，將車(chē) 型編碼作為網(wǎng)絡(luò)的期望愉出向量 T=t1 ，t2，t3 ，“期望輸出 t1 ,t2 , t3 車(chē)輛類(lèi)型特征“轎 車(chē) 客車(chē) 貨車(chē)”，通過(guò)這種神經(jīng)網(wǎng)絡(luò)即可對(duì)車(chē)輛進(jìn)行分類(lèi)。 仿真程序及流程圖 通過(guò)上述分析，利用 matlab7.0 作為開(kāi)發(fā)工具，設(shè)計(jì) BP 神經(jīng)網(wǎng)絡(luò)的仿真程序，其中流 程圖如圖 6 所示。編寫(xiě)的源程序詳見(jiàn)附錄， 樣本訓(xùn)練完成后， 即可對(duì)未知樣本進(jìn)行測(cè)試分類(lèi)。圖 6 BP 算法流程圖圖 7 模糊聚類(lèi)分析流程圖本題也可用模糊聚類(lèi)分析(

18、ISODATA )計(jì)算求解：首先根據(jù)表 1 原始樣本構(gòu)造原始樣本特征矩陣 X ，隨機(jī)產(chǎn)生初始劃分陣 U0，計(jì)算聚類(lèi) 中心特征陣 V 并計(jì)算新模糊劃分矩陣，然后判斷誤差是否小于給定值，若沒(méi)有則重新計(jì)算， 否則即可求得最終劃分陣 U 及聚類(lèi)中心特征陣 V ，從而可得到樣本的分類(lèi)信息。用模糊聚 類(lèi)分析( ISODATA )求解的流程圖見(jiàn)圖 7 所示。 實(shí)驗(yàn)結(jié)果及分析用 BP 神經(jīng)網(wǎng)絡(luò)計(jì)算：運(yùn)用上面訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)我們?cè)诠飞纤杉?72 幅汽車(chē)圖像進(jìn)行分類(lèi)，其中 三類(lèi)車(chē)型樣本成對(duì)出現(xiàn)，共計(jì) 36 對(duì)，其中每類(lèi)車(chē) 12 對(duì)樣本 (包括多種型號(hào) )，每類(lèi)車(chē)取 8 對(duì)樣本進(jìn)行學(xué)習(xí)，另外 4 對(duì)樣本用于

19、測(cè)試，部分樣本數(shù)據(jù)及仿真結(jié)果見(jiàn)表1。表 1 部分樣本數(shù)據(jù)、網(wǎng)絡(luò)期望輸出及訓(xùn)練后網(wǎng)絡(luò)的實(shí)際輸出車(chē)型車(chē)輛特征向量（樣本輸入）車(chē)型編碼（期望輸出 值）訓(xùn)練后網(wǎng)絡(luò)實(shí)際輸出x1 頂長(zhǎng)比x2 頂高比x3 前后比t1t2t3y1y2y3訓(xùn) 練 樣 本客車(chē)0.86452.30530.92881000.99920.00720.03680.84561.73660.97210.93610.01440.0049貨車(chē)0.14730.43720.39260100.02250.98400.02840.39261.02770.18750.00900.96030.0411轎車(chē)0.39620.75001.52380010.011

20、30.01750.96490.33311.18111.55310.01630.03550.9875測(cè) 試 樣 本客車(chē)0.88192.35880.91561001.00000.01290.00110.97402.54510.97021.00000.01920.0016貨車(chē)0.18740.85760.26820100.00040.99800.01790.32270.72380.18750.00060.98960.0129轎車(chē)0.30951.03311.32250010.00180.02990.82070.45781.43471.83720.02120.00660.8491建立圖 4的 BP網(wǎng)絡(luò)，設(shè)

21、定網(wǎng)絡(luò)訓(xùn)練目標(biāo)誤差為0.001,初值在-0.2, 0.2 間隨機(jī)取。分別用下述方法進(jìn)行 4 次訓(xùn)練 :帶動(dòng)量的 BP 算法 （動(dòng)量系數(shù)取 0.9，學(xué)習(xí)速率取 0.6;帶動(dòng)量變 速率 BP 算法（采用 Matlab 神經(jīng)網(wǎng)絡(luò)工具箱的訓(xùn)練函數(shù) traingdx ，動(dòng)量系數(shù)取 0.9，初始速率 取 0.6，速率增長(zhǎng)系數(shù)取 1.4 ，速率下調(diào)系數(shù)取 0.7）; 共軛梯度法 （ 采用 Matlab 神經(jīng)網(wǎng)絡(luò)工具 箱的訓(xùn)練函數(shù) traincgb）;分階段訓(xùn)練法 （第一階段采用方法， 均方誤差達(dá)到 0.05 后，采用 方法繼續(xù)訓(xùn)練 ） 。訓(xùn)練所用的時(shí)間和迭代次數(shù)見(jiàn)表2，其中“”項(xiàng)表示訓(xùn)練沒(méi)有達(dá)到要求。試驗(yàn)序

22、號(hào)帶動(dòng)量項(xiàng)的BP算法帶動(dòng)量變速率 BP 算法共軛梯度法分階段訓(xùn)練法學(xué)習(xí)時(shí)間迭代次數(shù)學(xué)習(xí)時(shí)間迭代次數(shù)學(xué)習(xí)時(shí)間迭代次數(shù)學(xué)習(xí)時(shí)間迭代次數(shù)1121.22499876.239869.961865.6106296.10399622.3612063.4869349.36201129.3215064.9276489.223140502526009.881364.89102由表 2 可以看出， 分階段訓(xùn)練法在學(xué)習(xí)速度上明顯優(yōu)于其他三種常用的算法。共軛梯度法雖然速度也較快， 但不夠穩(wěn)定， 與初始權(quán)值的選取很有關(guān)系。 用訓(xùn)練后的網(wǎng)絡(luò)對(duì)測(cè)試集樣 本進(jìn)行測(cè)試，均方誤差達(dá)到 0.0018，識(shí)別率為 100%。具體數(shù)據(jù)見(jiàn)表

23、 1,實(shí)驗(yàn)表明 :使用分階段訓(xùn)練法，具有更快的學(xué)習(xí)速度。該網(wǎng)絡(luò)能正確識(shí)別所有訓(xùn)練 模式，而且具有較好的泛化能力， 因此，只要樣本正確， 利用上述網(wǎng)絡(luò)能正確區(qū)分三類(lèi)車(chē)型。前后比 頂高比 頂長(zhǎng)比 用模糊聚類(lèi)分析（ ISODATA ）首先根據(jù)表1 原始樣本構(gòu)造原始樣本特征矩陣XX = 0.86452.30530.9288樣本 10.84561.73660.9721樣本 20.14730.43720.3926樣本 30.39261.02770.1875樣本 40.39620.75001.5238樣本 56 / 9隨機(jī)產(chǎn)生初始劃分陣 U0 ：U0 =0.40000.60000.30000.40000.2

24、0000.30000.20000.50000.50000.25000.30000.20000.20000.10000.5500由程序迭代計(jì)算聚類(lèi)中心特征陣 V 并計(jì)算新模糊劃分矩陣，判斷誤差，求得最終劃分 陣 U 及聚類(lèi)中心特征陣 V ：V =0.83451.97700.93310.25690.68810.37550.40710.83141.2812U =0.77560.76580.09880.1707 0.10630.10120.09960.72410.5497 0.17780.12320.13460.17720.2796 0.7159迭代了 56 次即完成。由模糊劃分矩陣U，根據(jù)各樣本對(duì)三

25、類(lèi)（第 1類(lèi)客車(chē)，第 2 類(lèi)貨車(chē)，第 3 類(lèi)轎車(chē)）的模糊隸屬度的數(shù)值，可得到樣本的分類(lèi)信息：樣本 1 屬于第 1類(lèi)，樣本 2 屬于第 1 類(lèi)，樣本 3 屬于第 2 類(lèi)，樣本 4 屬于第 2 類(lèi)，樣本 5 屬于第 3 類(lèi)。結(jié)果分析：分類(lèi)后能了解聚類(lèi)中心的相關(guān)信息，簡(jiǎn)單易行，不需要做模糊相似矩陣。分類(lèi)后能知 道各樣本隸屬于各類(lèi)的隸屬度。對(duì)本問(wèn)題，初始劃分陣應(yīng)按照經(jīng)驗(yàn)給定（這里只是隨機(jī)給出，對(duì)結(jié)果有一定影響）， uik的取值越接近各樣本隸屬于各類(lèi)的隸屬度，迭代越快，分類(lèi)也越準(zhǔn)確。uik 的取值不好，可能迭代很慢。如在本題調(diào)試過(guò)程中，有個(gè)初始矩陣迭代了98639 次。附錄： 1、用 BP 算法編寫(xiě)的部

26、分源程序：%BP_CAR_identifyclc;clear;%p=0.8819,2.3588,0.9156;%t=1 0 0;X=0.8819,0.9740,0.1874,0.3227,0.3095,0.4578; %測(cè)試樣本，共 6 個(gè)2.3588,2.5451,0.8576,0.7238,1.0331,1.4347;0.9156,0.9702,0.2628,0.1875,1.3225,1.8372;P=0.8645,0.8456,0.1473,0.3926,0.3962,0.3331;%訓(xùn)練樣本，選 6 個(gè)樣本2.3052,1.7366,0.4372,1.0277,0.7500,1.18

27、11;0.9288,0.9721,0.3926,0.1875,1.5238,1.5531;T=1,1,0,0,0,0;0,0,1,1,0,0;0,0,0,0,1,1;%net=newff(0,3,3,10,3,tansig,tansig,purelin,trainlm);net=newff(minmax(P),20,3,tansig,logsig,traingdx); net.trainParam.show=100;%net.trainParam.lr=0.05;net.trainParam.epochs=2000; net.trainParam.goal=0.001; % 誤差，可設(shè)值高一點(diǎn) net=train(net,P,T); %對(duì)輸入 P、期望輸出 T 進(jìn)行訓(xùn)練 Y0=sim(net