基于视觉传感器的自主车辆地面自动辨识技术研究
3 神经网络模式识别模块
应用Matlab中BP神经网络模块进行分类与识别。人工神经网络简称为神经网络。人工神经元k表示为:
![u.JPG](http://m.amcfsurvey.com/editerupload/fetch/20130823/161959_4_0.jpg)
式中:xi为输入信号;wik为神经元k的突触权值;m为输入信号数目;uk为线性组合器的输出;bk为神经元单元的阈值;f(·)为激活函数;yk为输出信号。神经元的输入/输出状态表示为:
![v.JPG](http://m.amcfsurvey.com/editerupload/fetch/20130823/161959_4_1.jpg)
式中:τij为突触时延;Tj为j的阈值;wij为i到j的突触连接系数;f(·)为变换函数。
该设计在分析多种数据分类方法和理论之后,以石子路面、水泥路面、土壤路面、草地路面、砖地路面5种常见行车路面为研究对象,采集了6组路面图像特征信息作为备选库,其中以质量最优的一组路面图像特征信息作为训练样本,把其他5组路面图像特征信息作为测试样本进行BP神经网络的建立、训练、测试。
3.1 BP神经网络的建立
该设计在BP神经网络的建立过程中应用newff()函数对各个参数进行了相关设置。其训练样本、目标样本如下所示:
![w.JPG](http://m.amcfsurvey.com/editerupload/fetch/20130823/161959_4_2.jpg)
3.2 BP神经网络的训练
该设计在BP神经网络的训练过程中应用train()函数对各个参数进行了相关设置,其显示周期、学习速度、最大训练轮回数、目标函数误差如下所示:
![x.JPG](http://m.amcfsurvey.com/editerupload/fetch/20130823/161959_4_3.jpg)
3.3 BP神经网络的测试
该设计在BP神经网络的测试过程中应用sire()函数对各个参数进行了相关设置,其测试样本如下所示:
![y.JPG](http://m.amcfsurvey.com/editerupload/fetch/20130823/161959_4_4.jpg)
该设计中5种路面图像的BP神经网络模式识别训练目标函数误差为20%,实现了方便快捷的模式识别分类功能,结果如图8所示。
![z.JPG](http://m.amcfsurvey.com/editerupload/fetch/20130823/161959_4_5.jpg)
4 结语
文中 研究的 自主 车辆 地面 自动 辨识 技术 基于 视觉 传感器的 地面图像信息 自主识别 技术,在诸多领域具有广泛的应用前景。通过对模式识别结果分析可知,训练目标函数误差为20%,该系统路面识别率达到预定要求,可以在智能 车辆或移动机器人等相关领域普及使用。
评论