基于視覺傳感器的自主車輛地面自動辨識技術(shù)研究
加入技術(shù)交流群
3 神經(jīng)網(wǎng)絡(luò)模式識別模塊
應(yīng)用Matlab中BP神經(jīng)網(wǎng)絡(luò)模塊進行分類與識別。人工神經(jīng)網(wǎng)絡(luò)簡稱為神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)元k表示為：
式中：xi為輸入信號；wik為神經(jīng)元k的突觸權(quán)值；m為輸入信號數(shù)目；uk為線性組合器的輸出；bk為神經(jīng)元單元的閾值；f(·)為激活函數(shù)；yk為輸出信號。神經(jīng)元的輸入／輸出狀態(tài)表示為：
式中：τij為突觸時延；Tj為j的閾值；wij為i到j(luò)的突觸連接系數(shù)；f(·)為變換函數(shù)。
該設(shè)計在分析多種數(shù)據(jù)分類方法和理論之后，以石子路面、水泥路面、土壤路面、草地路面、磚地路面5種常見行車路面為研究對象，采集了6組路面圖像特征信息作為備選庫，其中以質(zhì)量最優(yōu)的一組路面圖像特征信息作為訓練樣本，把其他5組路面圖像特征信息作為測試樣本進行BP神經(jīng)網(wǎng)絡(luò)的建立、訓練、測試。
3．1 BP神經(jīng)網(wǎng)絡(luò)的建立
該設(shè)計在BP神經(jīng)網(wǎng)絡(luò)的建立過程中應(yīng)用newff()函數(shù)對各個參數(shù)進行了相關(guān)設(shè)置。其訓練樣本、目標樣本如下所示：
3．2 BP神經(jīng)網(wǎng)絡(luò)的訓練
該設(shè)計在BP神經(jīng)網(wǎng)絡(luò)的訓練過程中應(yīng)用train()函數(shù)對各個參數(shù)進行了相關(guān)設(shè)置，其顯示周期、學習速度、最大訓練輪回數(shù)、目標函數(shù)誤差如下所示：
3．3 BP神經(jīng)網(wǎng)絡(luò)的測試
該設(shè)計在BP神經(jīng)網(wǎng)絡(luò)的測試過程中應(yīng)用sire()函數(shù)對各個參數(shù)進行了相關(guān)設(shè)置，其測試樣本如下所示：
該設(shè)計中5種路面圖像的BP神經(jīng)網(wǎng)絡(luò)模式識別訓練目標函數(shù)誤差為20％，實現(xiàn)了方便快捷的模式識別分類功能，結(jié)果如圖8所示。
4 結(jié)語
文中研究的自主車輛地面自動辨識技術(shù)基于視覺傳感器的地面圖像信息自主識別技術(shù)，在諸多領(lǐng)域具有廣泛的應(yīng)用前景。通過對模式識別結(jié)果分析可知，訓練目標函數(shù)誤差為20％，該系統(tǒng)路面識別率達到預(yù)定要求，可以在智能車輛或移動機器人等相關(guān)領(lǐng)域普及使用。
評論