宋丹++周刚

收稿日期：2013-05-16

基金项目：科技部863计划项目（2012AA012904） 

作者简介：宋 丹（19—），男，湖南长沙人，工程师，硕士研究生，研究方向：人工智能，网络安全。

文章编号：1003-6199(2014)02-0105-03

摘 要：在许多模式识别采样的过程中,由于环境噪声和设备误差,往往导致采集的数据与真实值有一定偏差,这种偏差会影响识别的效果。本文采用MaxT FHNN模型，提出一种应用于智能化交通管理的车型识别方法。并用实验证实相对于其他车型识别方法，该方法在待测样本含有噪声的情况下能得到更好的识别率。



关键词：模糊Hopfield神经网络；学习算法；MaxT；模式识别

中图分类号：TP391.4文献标识码：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

随着中国经济迅速发展，各种交通车辆的数量越来越多，给我国目前的城市交通带来巨大压力，人们希望有一个智能的交通系统，实时监控交通情况，实现自动交通管

理，这就促使了智能交通系统的产生。目前一些大城市已经逐步引入智能交通系统，例如高速公路的联网收费，停车场信息化管理等。随着智能化交通管理需求的不断增加，智能交通系统将有很大发展空间，对车型模式识别系统的要求也越来越高。

2 基于T模的模糊Hopfield网络簇

由美国物理学家J.J.Hopfield提出的Hopfield神经网络的模糊形态和离散形态在学习算法设计和系统性能分析等方面得到了丰富的研究［1，2］。例如,对于maxmin模糊Hopfield网络：

X(t)=X(t－1)°W式1 

以及带有阈值的Maxmin模糊Hopfield网络：

X(t)=(X(t－1)∨C)°W式2 

(其中W是连接权矩阵,t为网络的演化步数,而X(t),X(t－1),C均为模糊向量［3］,“°”是通常的∨－∧型复合运算),我国学者刘普寅教授等指出这两个系统从初始条件出发,系统的状态在有限步内趋于其吸引子或形成一个极限环；并在一定条件下证明了系统的吸引子的Lyapunov稳定性；特别是,为保证网络最优容错性,通过对吸引域的细腻分析,提出了W的一种解析学习算法。2002年提出了一类更具一般性的基于T模的动态模糊Hopfield网络(记为MaxT FHNN)［4］：

X(t)=X(t－1)°TW式3

其中T是T模,″°T″是∨T型复合运算,X(0)=(x1(0),x2(0),…,xn(0))∈［0,1］n,W是［0,1］上的n×n阶连接权矩阵。等价的逐点表示形式为：

xj(t)=∨ni=1(xi(t－1)Twij) 式4

计算技术与自动化2014年6月

第33卷第2期宋 丹等：基于MaxT模糊Hopfield网络的车型识别

3 实验环境

选用微软Windows 2000操纵系统,Delphi7.0实现了基于MaxT模糊Hopfield网络的车型识别(以下称程序)。

4 实验过程

1)拍摄3类车型(卡车、客车和轿车)的36对样本的数码照片运用图像预处理技术进行处理,然后提取特征值。本文中认为这些特征值是真实的、无偏差的,用这些特征值训练MaxT FHNN(T取L模)［5，6］,得到该网络的连接权值矩阵w(见式5)。

2)为了模拟真实的车型识别,假设现实中采集到的36个样本与真实值有偏差,于是让步骤1)中得到的36个样本的标准特征值产生摄动,使得每个样本有且仅有一个特征值发生摄动,得到车型特征值。

3)将步骤2)中含有摄动的特征值输入到步骤1)中训练好的MaxT FHNN中得到该网络稳定状态的输出值。

4)为了对比实验结果,将步骤2)中得到特征值用模糊模式识别法进行识别得到结果。

5)将步骤3)中得到特征值用模糊模式识别法进行识别,得到基于MaxT模糊Hopfield网络的车型识别结果。

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



图1 车型识别程序流程图

5 实验结果与分析

从实验数据可以得出：直接将含有摄动的车型特征值用模糊模式识别法识别,识别率为58.33％,如果我们将同样的特征值输入到程序中,识别率为80.56％,比前者高出22个百分点。实验表明：即使输入的待测样本特征值与真实值之间有偏差,该程序能较好的识别大部分样本,较直接使用模糊模式识别法,有更高的识别率。

程序对三种车型的分类结果的程序界面如图2所示。

6 小 结

在车型模式识别过程中采集的样本受环境和设备影响很大,采集的数据(特征值)往往与真实数据有一定偏差,如果将这些含有摄动的数据直接送入分类器,识别的结果很难令人满意,如果将这些含有摄动的数据首先输入到MaxT FHNN,得到稳定状态的输出数据,再将这些数据送入分类器,那么较直接识别有更高的识别率，本文中的实验证明了这一结论，该研究工作在智能化交通管理中具有重要的理论意义和广泛的应用前景。



图2 卡车的识别结果



参考文献

［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.不确定性人工智能［J］.软件学报, 2004,15(11):1583-1594.

［4］ 张义荣,刘普寅.基于一类T-模的模糊Hopfield 网络的稳定性分析［J］. 电子学报2002,30(1):30-33.

［5］ 袁和军,李骏.模糊推理的摄动性［J］.模糊系统与数学,2001,15(4):8-13.

［6］ 徐蔚鸿,陈国平,杨静宇,等.规则摄动时模糊蕴涵算子对模糊推理的鲁棒性的影响［J］.计算机学报,2005,28(10):1700- 1707.

收稿日期：2013-05-16

基金项目：科技部863计划项目（2012AA012904） 

作者简介：宋 丹（19—），男，湖南长沙人，工程师，硕士研究生，研究方向：人工智能，网络安全。

文章编号：1003-6199(2014)02-0105-03

摘 要：在许多模式识别采样的过程中,由于环境噪声和设备误差,往往导致采集的数据与真实值有一定偏差,这种偏差会影响识别的效果。本文采用MaxT FHNN模型，提出一种应用于智能化交通管理的车型识别方法。并用实验证实相对于其他车型识别方法，该方法在待测样本含有噪声的情况下能得到更好的识别率。



关键词：模糊Hopfield神经网络；学习算法；MaxT；模式识别

中图分类号：TP391.4文献标识码：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

随着中国经济迅速发展，各种交通车辆的数量越来越多，给我国目前的城市交通带来巨大压力，人们希望有一个智能的交通系统，实时监控交通情况，实现自动交通管

理，这就促使了智能交通系统的产生。目前一些大城市已经逐步引入智能交通系统，例如高速公路的联网收费，停车场信息化管理等。随着智能化交通管理需求的不断增加，智能交通系统将有很大发展空间，对车型模式识别系统的要求也越来越高。

2 基于T模的模糊Hopfield网络簇

由美国物理学家J.J.Hopfield提出的Hopfield神经网络的模糊形态和离散形态在学习算法设计和系统性能分析等方面得到了丰富的研究［1，2］。例如,对于maxmin模糊Hopfield网络：

X(t)=X(t－1)°W式1 

以及带有阈值的Maxmin模糊Hopfield网络：

X(t)=(X(t－1)∨C)°W式2 

(其中W是连接权矩阵,t为网络的演化步数,而X(t),X(t－1),C均为模糊向量［3］,“°”是通常的∨－∧型复合运算),我国学者刘普寅教授等指出这两个系统从初始条件出发,系统的状态在有限步内趋于其吸引子或形成一个极限环；并在一定条件下证明了系统的吸引子的Lyapunov稳定性；特别是,为保证网络最优容错性,通过对吸引域的细腻分析,提出了W的一种解析学习算法。2002年提出了一类更具一般性的基于T模的动态模糊Hopfield网络(记为MaxT FHNN)［4］：

X(t)=X(t－1)°TW式3

其中T是T模,″°T″是∨T型复合运算,X(0)=(x1(0),x2(0),…,xn(0))∈［0,1］n,W是［0,1］上的n×n阶连接权矩阵。等价的逐点表示形式为：

xj(t)=∨ni=1(xi(t－1)Twij) 式4

计算技术与自动化2014年6月

第33卷第2期宋 丹等：基于MaxT模糊Hopfield网络的车型识别

3 实验环境

选用微软Windows 2000操纵系统,Delphi7.0实现了基于MaxT模糊Hopfield网络的车型识别(以下称程序)。

4 实验过程

1)拍摄3类车型(卡车、客车和轿车)的36对样本的数码照片运用图像预处理技术进行处理,然后提取特征值。本文中认为这些特征值是真实的、无偏差的,用这些特征值训练MaxT FHNN(T取L模)［5，6］,得到该网络的连接权值矩阵w(见式5)。

2)为了模拟真实的车型识别,假设现实中采集到的36个样本与真实值有偏差,于是让步骤1)中得到的36个样本的标准特征值产生摄动,使得每个样本有且仅有一个特征值发生摄动,得到车型特征值。

3)将步骤2)中含有摄动的特征值输入到步骤1)中训练好的MaxT FHNN中得到该网络稳定状态的输出值。

4)为了对比实验结果,将步骤2)中得到特征值用模糊模式识别法进行识别得到结果。

5)将步骤3)中得到特征值用模糊模式识别法进行识别,得到基于MaxT模糊Hopfield网络的车型识别结果。

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



图1 车型识别程序流程图

5 实验结果与分析

从实验数据可以得出：直接将含有摄动的车型特征值用模糊模式识别法识别,识别率为58.33％,如果我们将同样的特征值输入到程序中,识别率为80.56％,比前者高出22个百分点。实验表明：即使输入的待测样本特征值与真实值之间有偏差,该程序能较好的识别大部分样本,较直接使用模糊模式识别法,有更高的识别率。

程序对三种车型的分类结果的程序界面如图2所示。

6 小 结

在车型模式识别过程中采集的样本受环境和设备影响很大,采集的数据(特征值)往往与真实数据有一定偏差,如果将这些含有摄动的数据直接送入分类器,识别的结果很难令人满意,如果将这些含有摄动的数据首先输入到MaxT FHNN,得到稳定状态的输出数据,再将这些数据送入分类器,那么较直接识别有更高的识别率，本文中的实验证明了这一结论，该研究工作在智能化交通管理中具有重要的理论意义和广泛的应用前景。



图2 卡车的识别结果



参考文献

［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.不确定性人工智能［J］.软件学报, 2004,15(11):1583-1594.

［4］ 张义荣,刘普寅.基于一类T-模的模糊Hopfield 网络的稳定性分析［J］. 电子学报2002,30(1):30-33.

［5］ 袁和军,李骏.模糊推理的摄动性［J］.模糊系统与数学,2001,15(4):8-13.

［6］ 徐蔚鸿,陈国平,杨静宇,等.规则摄动时模糊蕴涵算子对模糊推理的鲁棒性的影响［J］.计算机学报,2005,28(10):1700- 1707.

收稿日期：2013-05-16

基金项目：科技部863计划项目（2012AA012904） 

作者简介：宋 丹（19—），男，湖南长沙人，工程师，硕士研究生，研究方向：人工智能，网络安全。

文章编号：1003-6199(2014)02-0105-03

摘 要：在许多模式识别采样的过程中,由于环境噪声和设备误差,往往导致采集的数据与真实值有一定偏差,这种偏差会影响识别的效果。本文采用MaxT FHNN模型，提出一种应用于智能化交通管理的车型识别方法。并用实验证实相对于其他车型识别方法，该方法在待测样本含有噪声的情况下能得到更好的识别率。



关键词：模糊Hopfield神经网络；学习算法；MaxT；模式识别

中图分类号：TP391.4文献标识码：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

随着中国经济迅速发展，各种交通车辆的数量越来越多，给我国目前的城市交通带来巨大压力，人们希望有一个智能的交通系统，实时监控交通情况，实现自动交通管

理，这就促使了智能交通系统的产生。目前一些大城市已经逐步引入智能交通系统，例如高速公路的联网收费，停车场信息化管理等。随着智能化交通管理需求的不断增加，智能交通系统将有很大发展空间，对车型模式识别系统的要求也越来越高。

2 基于T模的模糊Hopfield网络簇

由美国物理学家J.J.Hopfield提出的Hopfield神经网络的模糊形态和离散形态在学习算法设计和系统性能分析等方面得到了丰富的研究［1，2］。例如,对于maxmin模糊Hopfield网络：

X(t)=X(t－1)°W式1 

以及带有阈值的Maxmin模糊Hopfield网络：

X(t)=(X(t－1)∨C)°W式2 

(其中W是连接权矩阵,t为网络的演化步数,而X(t),X(t－1),C均为模糊向量［3］,“°”是通常的∨－∧型复合运算),我国学者刘普寅教授等指出这两个系统从初始条件出发,系统的状态在有限步内趋于其吸引子或形成一个极限环；并在一定条件下证明了系统的吸引子的Lyapunov稳定性；特别是,为保证网络最优容错性,通过对吸引域的细腻分析,提出了W的一种解析学习算法。2002年提出了一类更具一般性的基于T模的动态模糊Hopfield网络(记为MaxT FHNN)［4］：

X(t)=X(t－1)°TW式3

其中T是T模,″°T″是∨T型复合运算,X(0)=(x1(0),x2(0),…,xn(0))∈［0,1］n,W是［0,1］上的n×n阶连接权矩阵。等价的逐点表示形式为：

xj(t)=∨ni=1(xi(t－1)Twij) 式4

计算技术与自动化2014年6月

第33卷第2期宋 丹等：基于MaxT模糊Hopfield网络的车型识别

3 实验环境

选用微软Windows 2000操纵系统,Delphi7.0实现了基于MaxT模糊Hopfield网络的车型识别(以下称程序)。

4 实验过程

1)拍摄3类车型(卡车、客车和轿车)的36对样本的数码照片运用图像预处理技术进行处理,然后提取特征值。本文中认为这些特征值是真实的、无偏差的,用这些特征值训练MaxT FHNN(T取L模)［5，6］,得到该网络的连接权值矩阵w(见式5)。

2)为了模拟真实的车型识别,假设现实中采集到的36个样本与真实值有偏差,于是让步骤1)中得到的36个样本的标准特征值产生摄动,使得每个样本有且仅有一个特征值发生摄动,得到车型特征值。

3)将步骤2)中含有摄动的特征值输入到步骤1)中训练好的MaxT FHNN中得到该网络稳定状态的输出值。

4)为了对比实验结果,将步骤2)中得到特征值用模糊模式识别法进行识别得到结果。

5)将步骤3)中得到特征值用模糊模式识别法进行识别,得到基于MaxT模糊Hopfield网络的车型识别结果。

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



图1 车型识别程序流程图

5 实验结果与分析

从实验数据可以得出：直接将含有摄动的车型特征值用模糊模式识别法识别,识别率为58.33％,如果我们将同样的特征值输入到程序中,识别率为80.56％,比前者高出22个百分点。实验表明：即使输入的待测样本特征值与真实值之间有偏差,该程序能较好的识别大部分样本,较直接使用模糊模式识别法,有更高的识别率。

程序对三种车型的分类结果的程序界面如图2所示。

6 小 结

在车型模式识别过程中采集的样本受环境和设备影响很大,采集的数据(特征值)往往与真实数据有一定偏差,如果将这些含有摄动的数据直接送入分类器,识别的结果很难令人满意,如果将这些含有摄动的数据首先输入到MaxT FHNN,得到稳定状态的输出数据,再将这些数据送入分类器,那么较直接识别有更高的识别率，本文中的实验证明了这一结论，该研究工作在智能化交通管理中具有重要的理论意义和广泛的应用前景。



图2 卡车的识别结果



参考文献

［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.不确定性人工智能［J］.软件学报, 2004,15(11):1583-1594.

［4］ 张义荣,刘普寅.基于一类T-模的模糊Hopfield 网络的稳定性分析［J］. 电子学报2002,30(1):30-33.

［5］ 袁和军,李骏.模糊推理的摄动性［J］.模糊系统与数学,2001,15(4):8-13.

［6］ 徐蔚鸿,陈国平,杨静宇,等.规则摄动时模糊蕴涵算子对模糊推理的鲁棒性的影响［J］.计算机学报,2005,28(10):1700- 1707.