基于協(xié)同方法交通狀態(tài)識別-文庫吧
2025-04-17 19:10 本頁面
【正文】 此 時與背景圖像的差值并不能完全濾掉背景信息。另一方面，交通狀態(tài)并不能僅用一個絕對的參數(shù)加DOC 格式 論文 ，方便 您的 復制修改刪減 以識別，必須通過分析車輛密度、排隊長度、道路占有率、車流量、車速等若干個交通參數(shù)在不同的交通狀態(tài)下的變化規(guī)律，從而找出交通參數(shù)與交通狀態(tài)之間的關系，以確定交通狀態(tài)流得特性。由此可見，交通狀態(tài)的特征具有模糊不確定性。 作為模式識別的一種新方法，協(xié)同方法的識別依據(jù)是原型模式，與典型的模式識別方法相比，不必要進行細節(jié)特征提取和選擇的過程，這對于那些分類特征模糊的識別問題，有其獨特的優(yōu)越性，而且協(xié)同式神經(jīng)網(wǎng)絡具有很強的魯棒性。 因此，本文針對交通視頻圖像所存在的實際問題及交通狀態(tài)流的特性，提出了基于協(xié)同模式識別原理的交通狀態(tài)識別分類方法，對交通狀態(tài)的原型模式選擇提出了動態(tài)實時迭加圖像信息的方法，能有效地解決光線變化與抖動等實際問題。實驗結果表明該方法具有較強的魯棒性和自適應性。 1 交通狀態(tài)模式定義 本文將交通狀態(tài)定義為 4個等級： 狀態(tài) 1（長排隊）：等待狀態(tài)，車道有較長的排隊車輛。表現(xiàn)為車隊長、車輛密集，車距短。 狀態(tài) 2（短排隊）：等待狀態(tài)，車道有較短的排隊車輛。表現(xiàn)為車道前段短車距的車隊較短，車道后段沒有車輛或有 長車距的零星車輛。 狀態(tài) 3（滿通行）：通行狀態(tài)，車道有較長的通行車隊。表現(xiàn)為整個車隊較長，車距長。 狀態(tài) 4（暢通行）：通行狀態(tài)，車道只有零星長車距車輛。 DOC 格式 論文 ，方便 您的 復制修改刪減 2 協(xié)同模式識別基本原理 根據(jù)協(xié)同學的基本思想［ 1］ ,模式識別過程可以理解為若干序參量競爭的過程。對于待試驗模式 q，可以構造一個動力學過程，它能夠“拉” q，使它經(jīng)過中間狀態(tài) q(t)進入到諸原型模式中的一個原型模式 vk，即 vk 與 q(0)最為靠近，也就是說拉 q使其處于 vk 的吸引谷底，這個過程可描述為： q(0)→ q(t)→ vk. 在圖像模式識別 中，圖像矩陣先被轉(zhuǎn)換為一維向量，并將其歸一化為具有零均值和單位長度的列向量。設原型模式數(shù)為 M，列向量的維數(shù)為 N，為了滿足原型向量間的線性無關條件，要求 M≤ N。圖像模式識別的動力學方程為：q = kλ kvk(v+kq)－ k′≠ k k≠ k′ Bkk′ (v+k′ q)2(v+kq)vk － c(q+q)q+F(t),(1)其中， q為試驗模式向量，λ k為注意參數(shù)，只有當λ k0 時，模式才能被識別， vk 為原型模式向量， v+k 為 vk 的伴隨向量， 它必須滿足： v+kvk′ =δ kk′ =0， k≠ k′， 1， k=k′， q+與 q也必須滿足同樣的關系。 Bkk′、 C為常系數(shù)，包含 Bkk′的項用于多個模式間的辨別，包含 C的項用于限制 q的指數(shù)增長， F(t)為漲落力，一般情況下可以忽略。 顯然，如果按方程 (1)測試圖像即試驗模式中的每個象素點都占一維。為了降低維數(shù)， Haken 引進了序參量ξ k來重新描述方程 (1)。系統(tǒng)的序參量ξ k 描述為 q 在最小二乘意義下于 vk 上的投影，ω為剩余向量： q= Mk=1ξ kvk+ω ,（ 2） v+kω =0,（ 3）于是得到： ξ k=v+kq.（ 4）根據(jù)式（ 4），方程（ 1）可被重寫為： ξ k=λ k
環(huán)評公示相關推薦
鄂ICP備17016276號-1