車輛特征提取和分類方法的研究.pdf

1、模式識別包含了兩個主要部分，分別是特征提取和分類器設(shè)計，在車輛識別中有著重要的意義。對數(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)在車輛識別方面的應(yīng)用，仿真實驗表明本文所提出的特征提取和分類方法具有良好的車輛識別效果。
　　 主成分分析是一種統(tǒng)計分析方法，它采取降維將多個變量轉(zhuǎn)換為個數(shù)較少的綜合變量，使這些綜合指標(biāo)盡可能地反

2、映原來指標(biāo)的信息量，而且彼止之間不相關(guān)，從而達(dá)到簡化的目的。核主成分分析法實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高維空間，在這個新的高維空間中運(yùn)用核技巧提取出車輛數(shù)據(jù)的成分。
　　 傳統(tǒng)中的模式識別系統(tǒng)一般只是使用樣本之間的距離或者相關(guān)性分類器來進(jìn)行分類的，這種系統(tǒng)對于輸入樣本帶有噪聲、類別數(shù)量比較大的問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、定性和可塑性這個二難的問題，可以穩(wěn)定快速地識別已經(jīng)學(xué)習(xí)過的對象，同時也能夠快速地學(xué)習(xí)沒有學(xué)習(xí)過的對象。因此可以利用它穩(wěn)定機(jī)制和競爭學(xué)習(xí)的優(yōu)點來進(jìn)行車輛的分類識別。本文中對傳統(tǒng)的ART網(wǎng)絡(luò)進(jìn)行了兩點改進(jìn)，實際上就是結(jié)合其優(yōu)點的基礎(chǔ)上引進(jìn)了兩個準(zhǔn)則，其一就是引進(jìn)最小余弦夾角作為輸入模式計算準(zhǔn)則，其二就是引進(jìn)模式相似度作為檢驗識別準(zhǔn)則，建立了一個學(xué)習(xí)算法簡單化的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)計了一個新的分類器。