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計，在車輛識別中有著重要的意義。對數據進行有效的特征提取并運用神經網絡分類是實現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據的提取，研究了最小距離分類法和人工神經網絡在車輛識別方面的應用，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換為個數較少的綜合變量，使這些綜合指標盡可能地反

2、映原來指標的信息量，而且彼止之間不相關，從而達到簡化的目的。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用核技巧提取出車輛數據的成分。
　　 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性分類器來進行分類的，這種系統(tǒng)對于輸入樣本帶有噪聲、類別數量比較大的問題很難取得好的分類結果。自適應共振網絡ART網絡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)定快速地識別已經學習過的對象，同時也能夠快速地學習沒有學習過的對象。因此可以利用它穩(wěn)定機制和競爭學習的優(yōu)點來進行車輛的分類識別。本文中對傳統(tǒng)的ART網絡進行了兩點改進，實際上就是結合其優(yōu)點的基礎上引進了兩個準則，其一就是引進最小余弦夾角作為輸入模式計算準則，其二就是引進模式相似度作為檢驗識別準則，建立了一個學習算法簡單化的ART網絡，其比較適合于高維特征值目標的分類。并且基于該網絡設計了一個新的分類器。