基于TMR检测的遗传BP神经网络车辆分类算法

薛凌云，谢作孟

(1.杭州电子科技大学生命信息与仪器工程学院，浙江 杭州310018;2.杭州电子科技大学自动化学院，浙江 杭州310018)

0 引 言

随着车辆数量的快速增长，交通拥堵日益严重。在现有道路的条件下，提高交通控制和管理水平势在必行。在交通控制和管理中，车辆检测、分类、流量统计是最基础的工作。目前，已有很多地磁信号车辆分类算法。其中，模板匹配算法易于实现但计算量大、精度不高[1-2]，模糊模式识别算法计算量少但识别准确率依赖于专家经验、置信度不高[3]，反向传播(back propagation，BP)神经网络算法计算量小、分类准确率高但训练时间长、收敛速度慢、易陷入局部最小[4-6]。本文鉴于隧道磁电阻(Tunnel Magneto Resistance，TMR)磁传感器具有体积小、抗干扰能力强、安装维护方便等优点[7]，采用TMR 磁阻传感器获取车辆基本信息，对采集的数据进行归一化、去噪处理，提取其特征后，针对BP神经网络算法的不足，提出遗传优化的BP神经网络(Genetic Algorithms-Back Propagation，GA-BP)车辆分类算法，即采用遗传算法[8-10]优化BP神经网络的初始权值和阈值，以解决BP 网络易陷入局部最小、收敛速度慢等问题，最后用BP神经网络对车辆进行分类，提高了准确率和收敛性。

1 样本数据采集和预处理

1.1 样本数据采集

选取斯柯达三厢轿车、奥迪Q5 SUV和长城皮卡作为实验车辆，将TMR 车检器安置在道路中央，使实验车辆在TMR 车检器正上方通过，数据采集方式如图1所示。

图1 数据采集示意图

1.2 样本数据预处理

设O(t)是t时刻的检测信号，M(t)是t时刻被测车辆引起的磁场变化信号，B(t)是t时刻背景磁场信号，N(t)是t时刻噪声信号。则O(t)表述为:

背景磁场信号B(t)的存在必然会影响信号的处理，首先去除背景磁场。由于车辆经过TMR 车检器时，检测信号的幅值随着车辆速度不同而不同。因此，再对信号进行归一化处理。

式中，X(t)为去除背景磁场后的信号，Y(t)为归一化后的信号，Xmax为信号强度最大值，Xmin为信号强度最小值。

噪声N(t)的存在影响信号特征的选取和分类结果。因此采用滑动均值滤波去除噪声，如下式:

式中，Y(t)为归一化后的信号，F(t)为归一化和去噪后的信号。m 取10，即窗口长度为10。

检测信号经归一化、去噪处理后如图2所示。图2(a)、图2(b)、图2(c)分别为三厢轿车、Q5 SUV、长城皮卡的数据预处理结果，可见处理后去噪去噪效果良好，并能较好地反映原始数据特征。

图2 车辆去噪前后数据对比图

2 特征选取

不同车辆底盘距地面高度、发动机位置、车辆长度、车轮轴位置等造成检测数据的差异。本文以有效波段(即图2波形中间不为0的波段)均值、均方差、峰值个数、最小波谷值表征不同车辆检测数据的差异，并以此为特征对车辆进行分类。经统计分析，利用t 分布来确定各项车辆的特征取值范围，其中每类数量为100，α 取0.05。不同类别车辆特征的取值范围如表1所示。

表1 不同车辆特征范围

3 识别算法设计

首先通过数据提取特征输入量和分类输出量确定BP 网络的拓扑结构，然后运用遗传算法优化BP网络起始权值及阈值，最后利用BP 网络对车辆数据仿真分类，得到结果。

3.1 BP神经网络模型构建

BP神经网络车辆分类模型由输入层、输出层和一个隐层组成，根据车辆特征选取的个数和车辆分类类别个数，分别确定输入层神经元个数是4和输出层神经元个数是3。本文分类模型中只设置一个隐层，隐层节点数计算如下:

隐层神经元个数为4。式中，Nhidden、Nclass、Nin、Nout分别表示隐层神经元、目标分类数、输入层神经元、输出层神经元数量。同时设定网络训练目标误差ε ＜1e-5，训练步长为100。因此，网络的拓扑结构如图3所示。图3中Xn、Vif、Wjk、Ym分别为输入层输入量、连接输入层和隐含层的权值、连接隐含层和输出层的权值、输出层输出量。

图3 BP神经网络拓扑结构图

3.2 BP 网络权值和阈值优化

3.2.1 种群初始化

产生20个初始串结构数据，每个串结构数据即为一个个体。设定最大进化代数G=100，即算法最多经过100次遗传操作就终止进化。个体编码方法采用实数编码，每个个体包括输入层与隐含层连接权值、隐含层阈值、隐含层与输出层链接权值和输出层阈值4部分。编码长度l 由BP 网络结构决定，即l =i×j+j×k+j+k。其中，i，j，k分别为输入层节点、隐含层节点、输出层节点。因此，本文中l为35。

3.2.2 适应度函数设计

适应度值反映群体中个体性能的优劣。本文选取数据误差平方和的倒数作为适应度函数:

式中，T'={t1' t2' … ti'}为训练数据的预测值，为输出的类别标签;T={t1t2… ti}为训练数据的真实值，为实际的类别标签;i为训练数据的样本数目。

3.2.3 遗传操作

遗传操作包括选择操作、交叉操作和变异操作3部分。根据每个个体适应度值进行选择、交叉和变异操作后，得到下一代个体。再计算新个体的适应度值，如进化次数未达到要求或未找到最优适应度值。继续选择、交叉和变异操作，直到训练目标达到要求为止。

最后，将获得的优化权值和阈值赋予BP神经网络进行训练。

4 实验结果分析

参考中国汽车分类标准(GB9417-87)，选取斯柯达三厢轿车、奥迪Q5 SUV、长城皮卡为实验对象，每种车辆各采集100组数据，共300组数据。取150组车辆数据为训练数据，另150组车辆数据作为测试数据。分别利用BP神经网络算法和遗传BP神经网络算法进行仿真。各种车辆分类准确率如表2所示。

由表2可知，与BP算法相比，GA-BP算法的车辆分类准确率大幅提高。BP算法平均准确率为77.3%，GA-BP算法平均准确率为92.0%。同时，得到BP算法和GA-BP算法收敛曲线如图4所示。在取相同的训练步长100时，GA-BP算法比BP算法更快的达到目标效果，收敛性更好，获得的全局误差更小，也进一步验证GA-BP算法较BP算法具有更高的分类准确率。

图4 BP与GA-BP误差收敛曲线

表2 车辆识别准确率

5 结束语

本文设计了GA-BP 车辆分类算法。分析了BP神经网络算法的缺点，并在其基础上结合GA算法的优势，提出GA-BP 车辆分类算法。实验仿真结果表明，利用GA算法优化后的BP神经网络车辆分类算法的分类准确性和收敛性都得到了一定的提高，具有很好的应用价值。

[1]樊海泉，董德存.基于模式匹配算法的车型识别研究[J].微型电脑应用，2002，18(4):20-21.

[2]周丰，王明哲，倪枫.基于传感器的行驶车辆检测分类算法[J].计算机应用研究，2010，27(7):2533-2535.

[3]吴皓.基于地磁的车辆检测系统与识别算法研究[D].武汉:华中科技大学，2007:32-36.

[4]张伟，谭国真，丁男，等.基于邻接传感器及神经网络的车辆分类算法[J].通信学报，2008，29(11):139-144.

[5]Zheng X，Fu J.Performance Compensation of GMR-based Magnetic Azimuth Measurement[C]//Control and Decision Conference (CCDC)，2012 24th Chinese.Taiyuan:IEEE，2012:3273-3276.

[6]杨波，尼文斌.基于异向性磁阻传感器的车辆检测与车型分类[J].仪器仪表学报，2013，34(3):537-544.

[7]吕华，刘明峰，曹江伟，等.隧道磁电阻(TMR)磁传感器的特性与应用[J].磁性材料及器件，2012，43(3):1-4.

[8]Wang X F，Wang H K.Heavy Metal Pollution Analysis in Topsoil Based on BP and GA[J].Applied Mechanics and Materials，2012，246:571-575.

[9]Kang R Q，Li X S，Wang H J.Vehicle Type Recognition Using in Geomagnetic Data Based on Neural Network[J].Applied Mechanics and Materials，2013，313:1380-1384.

[10]王路，吴国平.基于遗传神经网络的油气识别[J].工程地球物理学报，2008，5(2):169-172.