基于MaxT模糊Hopfield網絡的車型識別

宋丹++周剛

收稿日期：2013-05-16

基金項目：科技部863計劃項目（2012AA012904） 

作者簡介：宋 丹（19—），男，湖南長沙人，工程師，碩士研究生，研究方向：人工智能，網絡安全。

文章編號：1003-6199(2014)02-0105-03

摘 要：在許多模式識別采樣的過程中,由于環境噪聲和設備誤差,往往導致采集的數據與真實值有一定偏差,這種偏差會影響識別的效果。本文采用MaxT FHNN模型，提出一種應用于智能化交通管理的車型識別方法。并用實驗證實相對于其他車型識別方法，該方法在待測樣本含有噪聲的情況下能得到更好的識別率。



關鍵詞：模糊Hopfield神經網絡；學習算法；MaxT；模式識別

中圖分類號：TP391.4文獻標識碼：A



Vehicle Pattern Recognition Based on MaxT Fuzzy Hopfield Network



SONG Dan，ZHOU Gang

(Wuhan Engineering Science and Technology Institute, Wuhan，Hubei 430000,China)

Abstract:During the time collecting samples in many pattern recognitions, because of the environmental noise and the precision of equipment impacts, the data that have been collected always have some perturbations, the perturbations have disadvantages to the effect of pattern recognition system.The practical applications of the MaxT FHNN model have been studied in this thesis. Using MaxT FHNN and other pattern recognition techniques, a vehicle recognition method for intelligent traffic management is proposed. Experiments prove that compared to other method, the recognition rate is better when the method is used under noise environment.



Key words:fuzzy Hopfield neural network; learning algorithm; MaxT; pattern recognition



1 前 言

隨著中國經濟迅速發展，各種交通車輛的數量越來越多，給我國目前的城市交通帶來巨大壓力，人們希望有一個智能的交通系統，實時監控交通情況，實現自動交通管

理，這就促使了智能交通系統的產生。目前一些大城市已經逐步引入智能交通系統，例如高速公路的聯網收費，停車場信息化管理等。隨著智能化交通管理需求的不斷增加，智能交通系統將有很大發展空間，對車型模式識別系統的要求也越來越高。

2 基于T模的模糊Hopfield網絡簇

由美國物理學家J.J.Hopfield提出的Hopfield神經網絡的模糊形態和離散形態在學習算法設計和系統性能分析等方面得到了豐富的研究［1，2］。例如,對于maxmin模糊Hopfield網絡：

X(t)=X(t－1)°W式1 

以及帶有閾值的Maxmin模糊Hopfield網絡：

X(t)=(X(t－1)∨C)°W式2 

(其中W是連接權矩陣,t為網絡的演化步數,而X(t),X(t－1),C均為模糊向量［3］,“°”是通常的∨－∧型復合運算),我國學者劉普寅教授等指出這兩個系統從初始條件出發,系統的狀態在有限步內趨于其吸引子或形成一個極限環；并在一定條件下證明了系統的吸引子的Lyapunov穩定性；特別是,為保證網絡最優容錯性,通過對吸引域的細膩分析,提出了W的一種解析學習算法。2002年提出了一類更具一般性的基于T模的動態模糊Hopfield網絡(記為MaxT FHNN)［4］：

X(t)=X(t－1)°TW式3

其中T是T模,″°T″是∨T型復合運算,X(0)=(x1(0),x2(0),…,xn(0))∈［0,1］n,W是［0,1］上的n×n階連接權矩陣。等價的逐點表示形式為：

xj(t)=∨ni=1(xi(t－1)Twij) 式4

計算技術與自動化2014年6月

第33卷第2期宋 丹等：基于MaxT模糊Hopfield網絡的車型識別

3 實驗環境

選用微軟Windows 2000操縱系統,Delphi7.0實現了基于MaxT模糊Hopfield網絡的車型識別(以下稱程序)。

4 實驗過程

1)拍攝3類車型(卡車、客車和轎車)的36對樣本的數碼照片運用圖像預處理技術進行處理,然后提取特征值。本文中認為這些特征值是真實的、無偏差的,用這些特征值訓練MaxT FHNN(T取L模)［5，6］,得到該網絡的連接權值矩陣w(見式5)。

2)為了模擬真實的車型識別,假設現實中采集到的36個樣本與真實值有偏差,于是讓步驟1)中得到的36個樣本的標準特征值產生攝動,使得每個樣本有且僅有一個特征值發生攝動,得到車型特征值。

3)將步驟2)中含有攝動的特征值輸入到步驟1)中訓練好的MaxT FHNN中得到該網絡穩定狀態的輸出值。

4)為了對比實驗結果,將步驟2)中得到特征值用模糊模式識別法進行識別得到結果。

5)將步驟3)中得到特征值用模糊模式識別法進行識別,得到基于MaxT模糊Hopfield網絡的車型識別結果。

w=10.81040.74170.391310.79120.33410.55341式5



圖1 車型識別程序流程圖

5 實驗結果與分析

從實驗數據可以得出：直接將含有攝動的車型特征值用模糊模式識別法識別,識別率為58.33％,如果我們將同樣的特征值輸入到程序中,識別率為80.56％,比前者高出22個百分點。實驗表明：即使輸入的待測樣本特征值與真實值之間有偏差,該程序能較好的識別大部分樣本,較直接使用模糊模式識別法,有更高的識別率。

程序對三種車型的分類結果的程序界面如圖2所示。

6 小 結

在車型模式識別過程中采集的樣本受環境和設備影響很大,采集的數據(特征值)往往與真實數據有一定偏差,如果將這些含有攝動的數據直接送入分類器,識別的結果很難令人滿意,如果將這些含有攝動的數據首先輸入到MaxT FHNN,得到穩定狀態的輸出數據,再將這些數據送入分類器,那么較直接識別有更高的識別率，本文中的實驗證明了這一結論，該研究工作在智能化交通管理中具有重要的理論意義和廣泛的應用前景。



圖2 卡車的識別結果



參考文獻

［1］ MINGSHENG YING. Perturbation of Fuzzy Reasoning［J］.IEEE Transactions on Fuzzy systems,7(1999):625-629.

［2］ KAIYUAN CAI.Rubstness of Fuzzy Reasoning and-δ Eauations of Fuzzy Sets［J］. IEEE Trans. on Fuzzy Systems,9 (2001):738-750.

［3］ 李德毅,杜鹢.不確定性人工智能［J］.軟件學報, 2004,15(11):1583-1594.

［4］ 張義榮,劉普寅.基于一類T-模的模糊Hopfield 網絡的穩定性分析［J］. 電子學報2002,30(1):30-33.

［5］ 袁和軍,李駿.模糊推理的攝動性［J］.模糊系統與數學,2001,15(4):8-13.

［6］ 徐蔚鴻,陳國平,楊靜宇,等.規則攝動時模糊蘊涵算子對模糊推理的魯棒性的影響［J］.計算機學報,2005,28(10):1700- 1707.

收稿日期：2013-05-16

基金項目：科技部863計劃項目（2012AA012904） 

作者簡介：宋 丹（19—），男，湖南長沙人，工程師，碩士研究生，研究方向：人工智能，網絡安全。

文章編號：1003-6199(2014)02-0105-03

摘 要：在許多模式識別采樣的過程中,由于環境噪聲和設備誤差,往往導致采集的數據與真實值有一定偏差,這種偏差會影響識別的效果。本文采用MaxT FHNN模型，提出一種應用于智能化交通管理的車型識別方法。并用實驗證實相對于其他車型識別方法，該方法在待測樣本含有噪聲的情況下能得到更好的識別率。



關鍵詞：模糊Hopfield神經網絡；學習算法；MaxT；模式識別

中圖分類號：TP391.4文獻標識碼：A



Vehicle Pattern Recognition Based on MaxT Fuzzy Hopfield Network



SONG Dan，ZHOU Gang

(Wuhan Engineering Science and Technology Institute, Wuhan，Hubei 430000,China)

Abstract:During the time collecting samples in many pattern recognitions, because of the environmental noise and the precision of equipment impacts, the data that have been collected always have some perturbations, the perturbations have disadvantages to the effect of pattern recognition system.The practical applications of the MaxT FHNN model have been studied in this thesis. Using MaxT FHNN and other pattern recognition techniques, a vehicle recognition method for intelligent traffic management is proposed. Experiments prove that compared to other method, the recognition rate is better when the method is used under noise environment.



Key words:fuzzy Hopfield neural network; learning algorithm; MaxT; pattern recognition



1 前 言

隨著中國經濟迅速發展，各種交通車輛的數量越來越多，給我國目前的城市交通帶來巨大壓力，人們希望有一個智能的交通系統，實時監控交通情況，實現自動交通管

理，這就促使了智能交通系統的產生。目前一些大城市已經逐步引入智能交通系統，例如高速公路的聯網收費，停車場信息化管理等。隨著智能化交通管理需求的不斷增加，智能交通系統將有很大發展空間，對車型模式識別系統的要求也越來越高。

2 基于T模的模糊Hopfield網絡簇

由美國物理學家J.J.Hopfield提出的Hopfield神經網絡的模糊形態和離散形態在學習算法設計和系統性能分析等方面得到了豐富的研究［1，2］。例如,對于maxmin模糊Hopfield網絡：

X(t)=X(t－1)°W式1 

以及帶有閾值的Maxmin模糊Hopfield網絡：

X(t)=(X(t－1)∨C)°W式2 

(其中W是連接權矩陣,t為網絡的演化步數,而X(t),X(t－1),C均為模糊向量［3］,“°”是通常的∨－∧型復合運算),我國學者劉普寅教授等指出這兩個系統從初始條件出發,系統的狀態在有限步內趨于其吸引子或形成一個極限環；并在一定條件下證明了系統的吸引子的Lyapunov穩定性；特別是,為保證網絡最優容錯性,通過對吸引域的細膩分析,提出了W的一種解析學習算法。2002年提出了一類更具一般性的基于T模的動態模糊Hopfield網絡(記為MaxT FHNN)［4］：

X(t)=X(t－1)°TW式3

其中T是T模,″°T″是∨T型復合運算,X(0)=(x1(0),x2(0),…,xn(0))∈［0,1］n,W是［0,1］上的n×n階連接權矩陣。等價的逐點表示形式為：

xj(t)=∨ni=1(xi(t－1)Twij) 式4

計算技術與自動化2014年6月

第33卷第2期宋 丹等：基于MaxT模糊Hopfield網絡的車型識別

3 實驗環境

選用微軟Windows 2000操縱系統,Delphi7.0實現了基于MaxT模糊Hopfield網絡的車型識別(以下稱程序)。

4 實驗過程

1)拍攝3類車型(卡車、客車和轎車)的36對樣本的數碼照片運用圖像預處理技術進行處理,然后提取特征值。本文中認為這些特征值是真實的、無偏差的,用這些特征值訓練MaxT FHNN(T取L模)［5，6］,得到該網絡的連接權值矩陣w(見式5)。

2)為了模擬真實的車型識別,假設現實中采集到的36個樣本與真實值有偏差,于是讓步驟1)中得到的36個樣本的標準特征值產生攝動,使得每個樣本有且僅有一個特征值發生攝動,得到車型特征值。

3)將步驟2)中含有攝動的特征值輸入到步驟1)中訓練好的MaxT FHNN中得到該網絡穩定狀態的輸出值。

4)為了對比實驗結果,將步驟2)中得到特征值用模糊模式識別法進行識別得到結果。

5)將步驟3)中得到特征值用模糊模式識別法進行識別,得到基于MaxT模糊Hopfield網絡的車型識別結果。

w=10.81040.74170.391310.79120.33410.55341式5



圖1 車型識別程序流程圖

5 實驗結果與分析

從實驗數據可以得出：直接將含有攝動的車型特征值用模糊模式識別法識別,識別率為58.33％,如果我們將同樣的特征值輸入到程序中,識別率為80.56％,比前者高出22個百分點。實驗表明：即使輸入的待測樣本特征值與真實值之間有偏差,該程序能較好的識別大部分樣本,較直接使用模糊模式識別法,有更高的識別率。

程序對三種車型的分類結果的程序界面如圖2所示。

6 小 結

在車型模式識別過程中采集的樣本受環境和設備影響很大,采集的數據(特征值)往往與真實數據有一定偏差,如果將這些含有攝動的數據直接送入分類器,識別的結果很難令人滿意,如果將這些含有攝動的數據首先輸入到MaxT FHNN,得到穩定狀態的輸出數據,再將這些數據送入分類器,那么較直接識別有更高的識別率，本文中的實驗證明了這一結論，該研究工作在智能化交通管理中具有重要的理論意義和廣泛的應用前景。



圖2 卡車的識別結果



參考文獻

［1］ MINGSHENG YING. Perturbation of Fuzzy Reasoning［J］.IEEE Transactions on Fuzzy systems,7(1999):625-629.

［2］ KAIYUAN CAI.Rubstness of Fuzzy Reasoning and-δ Eauations of Fuzzy Sets［J］. IEEE Trans. on Fuzzy Systems,9 (2001):738-750.

［3］ 李德毅,杜鹢.不確定性人工智能［J］.軟件學報, 2004,15(11):1583-1594.

［4］ 張義榮,劉普寅.基于一類T-模的模糊Hopfield 網絡的穩定性分析［J］. 電子學報2002,30(1):30-33.

［5］ 袁和軍,李駿.模糊推理的攝動性［J］.模糊系統與數學,2001,15(4):8-13.

［6］ 徐蔚鴻,陳國平,楊靜宇,等.規則攝動時模糊蘊涵算子對模糊推理的魯棒性的影響［J］.計算機學報,2005,28(10):1700- 1707.

收稿日期：2013-05-16

基金項目：科技部863計劃項目（2012AA012904） 

作者簡介：宋 丹（19—），男，湖南長沙人，工程師，碩士研究生，研究方向：人工智能，網絡安全。

文章編號：1003-6199(2014)02-0105-03

摘 要：在許多模式識別采樣的過程中,由于環境噪聲和設備誤差,往往導致采集的數據與真實值有一定偏差,這種偏差會影響識別的效果。本文采用MaxT FHNN模型，提出一種應用于智能化交通管理的車型識別方法。并用實驗證實相對于其他車型識別方法，該方法在待測樣本含有噪聲的情況下能得到更好的識別率。



關鍵詞：模糊Hopfield神經網絡；學習算法；MaxT；模式識別

中圖分類號：TP391.4文獻標識碼：A



Vehicle Pattern Recognition Based on MaxT Fuzzy Hopfield Network



SONG Dan，ZHOU Gang

(Wuhan Engineering Science and Technology Institute, Wuhan，Hubei 430000,China)

Abstract:During the time collecting samples in many pattern recognitions, because of the environmental noise and the precision of equipment impacts, the data that have been collected always have some perturbations, the perturbations have disadvantages to the effect of pattern recognition system.The practical applications of the MaxT FHNN model have been studied in this thesis. Using MaxT FHNN and other pattern recognition techniques, a vehicle recognition method for intelligent traffic management is proposed. Experiments prove that compared to other method, the recognition rate is better when the method is used under noise environment.



Key words:fuzzy Hopfield neural network; learning algorithm; MaxT; pattern recognition



1 前 言

隨著中國經濟迅速發展，各種交通車輛的數量越來越多，給我國目前的城市交通帶來巨大壓力，人們希望有一個智能的交通系統，實時監控交通情況，實現自動交通管

理，這就促使了智能交通系統的產生。目前一些大城市已經逐步引入智能交通系統，例如高速公路的聯網收費，停車場信息化管理等。隨著智能化交通管理需求的不斷增加，智能交通系統將有很大發展空間，對車型模式識別系統的要求也越來越高。

2 基于T模的模糊Hopfield網絡簇

由美國物理學家J.J.Hopfield提出的Hopfield神經網絡的模糊形態和離散形態在學習算法設計和系統性能分析等方面得到了豐富的研究［1，2］。例如,對于maxmin模糊Hopfield網絡：

X(t)=X(t－1)°W式1 

以及帶有閾值的Maxmin模糊Hopfield網絡：

X(t)=(X(t－1)∨C)°W式2 

(其中W是連接權矩陣,t為網絡的演化步數,而X(t),X(t－1),C均為模糊向量［3］,“°”是通常的∨－∧型復合運算),我國學者劉普寅教授等指出這兩個系統從初始條件出發,系統的狀態在有限步內趨于其吸引子或形成一個極限環；并在一定條件下證明了系統的吸引子的Lyapunov穩定性；特別是,為保證網絡最優容錯性,通過對吸引域的細膩分析,提出了W的一種解析學習算法。2002年提出了一類更具一般性的基于T模的動態模糊Hopfield網絡(記為MaxT FHNN)［4］：

X(t)=X(t－1)°TW式3

其中T是T模,″°T″是∨T型復合運算,X(0)=(x1(0),x2(0),…,xn(0))∈［0,1］n,W是［0,1］上的n×n階連接權矩陣。等價的逐點表示形式為：

xj(t)=∨ni=1(xi(t－1)Twij) 式4

計算技術與自動化2014年6月

第33卷第2期宋 丹等：基于MaxT模糊Hopfield網絡的車型識別

3 實驗環境

選用微軟Windows 2000操縱系統,Delphi7.0實現了基于MaxT模糊Hopfield網絡的車型識別(以下稱程序)。

4 實驗過程

1)拍攝3類車型(卡車、客車和轎車)的36對樣本的數碼照片運用圖像預處理技術進行處理,然后提取特征值。本文中認為這些特征值是真實的、無偏差的,用這些特征值訓練MaxT FHNN(T取L模)［5，6］,得到該網絡的連接權值矩陣w(見式5)。

2)為了模擬真實的車型識別,假設現實中采集到的36個樣本與真實值有偏差,于是讓步驟1)中得到的36個樣本的標準特征值產生攝動,使得每個樣本有且僅有一個特征值發生攝動,得到車型特征值。

3)將步驟2)中含有攝動的特征值輸入到步驟1)中訓練好的MaxT FHNN中得到該網絡穩定狀態的輸出值。

4)為了對比實驗結果,將步驟2)中得到特征值用模糊模式識別法進行識別得到結果。

5)將步驟3)中得到特征值用模糊模式識別法進行識別,得到基于MaxT模糊Hopfield網絡的車型識別結果。

w=10.81040.74170.391310.79120.33410.55341式5



圖1 車型識別程序流程圖

5 實驗結果與分析

從實驗數據可以得出：直接將含有攝動的車型特征值用模糊模式識別法識別,識別率為58.33％,如果我們將同樣的特征值輸入到程序中,識別率為80.56％,比前者高出22個百分點。實驗表明：即使輸入的待測樣本特征值與真實值之間有偏差,該程序能較好的識別大部分樣本,較直接使用模糊模式識別法,有更高的識別率。

程序對三種車型的分類結果的程序界面如圖2所示。

6 小 結

在車型模式識別過程中采集的樣本受環境和設備影響很大,采集的數據(特征值)往往與真實數據有一定偏差,如果將這些含有攝動的數據直接送入分類器,識別的結果很難令人滿意,如果將這些含有攝動的數據首先輸入到MaxT FHNN,得到穩定狀態的輸出數據,再將這些數據送入分類器,那么較直接識別有更高的識別率，本文中的實驗證明了這一結論，該研究工作在智能化交通管理中具有重要的理論意義和廣泛的應用前景。



圖2 卡車的識別結果



參考文獻

［1］ MINGSHENG YING. Perturbation of Fuzzy Reasoning［J］.IEEE Transactions on Fuzzy systems,7(1999):625-629.

［2］ KAIYUAN CAI.Rubstness of Fuzzy Reasoning and-δ Eauations of Fuzzy Sets［J］. IEEE Trans. on Fuzzy Systems,9 (2001):738-750.

［3］ 李德毅,杜鹢.不確定性人工智能［J］.軟件學報, 2004,15(11):1583-1594.

［4］ 張義榮,劉普寅.基于一類T-模的模糊Hopfield 網絡的穩定性分析［J］. 電子學報2002,30(1):30-33.

［5］ 袁和軍,李駿.模糊推理的攝動性［J］.模糊系統與數學,2001,15(4):8-13.

［6］ 徐蔚鴻,陳國平,楊靜宇,等.規則攝動時模糊蘊涵算子對模糊推理的魯棒性的影響［J］.計算機學報,2005,28(10):1700- 1707.