CN109543572A - 一种行驶路况评价方法 - Google Patents
一种行驶路况评价方法 Download PDFInfo
- Publication number
- CN109543572A CN109543572A CN201811320148.8A CN201811320148A CN109543572A CN 109543572 A CN109543572 A CN 109543572A CN 201811320148 A CN201811320148 A CN 201811320148A CN 109543572 A CN109543572 A CN 109543572A
- Authority
- CN
- China
- Prior art keywords
- bat
- algorithm
- image
- initial
- traveling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请属于图像处理技术领域,特别是涉及一种行驶路况评价方法。如果BP神经网络初始权值和阈值选择不恰当,将会使得BP神经网络收敛不成功,预测效果差。本申请提供一种行驶路况评价方法,包括如下步骤:获取行驶路况图像;道路图像预处理;提取图像特征;建立初始反向传播神经网络结构,并设定该网络相关参数和函数,基于提取的图像特征利用编码方式产生初始参数,同时利用蝙蝠算法获得最优权值和阈值;通过蝙蝠算法‑反向传播算法得到的最优权值和阈值优化反向传播神经网络,并且经过训练得到满足性能要求的最佳反向传播神经网络结构;建立基于蝙蝠算法‑反向传播神经网络的路况评价模型,对行驶路况进行评价。对非结构化道路路况进行预测。
Description
技术领域
本申请属于图像处理技术领域,特别是涉及一种行驶路况评价方法。
背景技术
环境感知现已成为国内外智能车辆发展的新趋势,通过车载传感***和信息***实现车、路和驾驶者等的信息智能交换,使车辆具备一定的智能环境感知能力,识别路径,分析当前道路状况,结合车辆位置,检测障碍物,提高行驶的安全性。随着智能小车在生活中的普及以及在一些特殊场合如反恐、巡查中的应用越来越多。
目前,对于行车道路状况的信息提取大部分是针对于典型的结构化道路,面对小型的非结构化道路,如城市胡同,交错的小街道等的很少,且关于路况对行车的影响并无过多研究。同时行车道路路况的评价大部分是针对于公路使用性能,如路面强度指数、抗滑指标等的分析,关于路况对行车的影响并没有太多研究。
BP神经网络是目前应用最广泛的神经网络模型之一,但BP算法存在收敛速度慢;局部极小化问题。而且如果BP神经网络初始权值和阈值选择不恰当,将会使得BP神经网络收敛不成功,进而预测效果很差。
发明内容
1.要解决的技术问题
基于目前,对于行车道路状况的信息提取大部分是针对于典型的结构化道路,面对小型的非结构化道路,如城市胡同,交错的小街道等的很少,且关于路况对行车的影响并无过多研究。BP神经网络是目前应用最广泛的神经网络模型之一,但BP算法存在收敛速度慢;局部极小化问题。而且如果BP神经网络初始权值和阈值选择不恰当,将会使得BP神经网络收敛不成功,进而预测效果很差的问题,本申请提供了一种行驶路况评价方法。
2.技术方案
为了达到上述的目的,本申请提供了一种行驶路况评价方法,所述方法包括如下步骤:
步骤1):获取行驶路况图像;
步骤2):道路图像预处理;
步骤3):提取图像特征;
步骤4):建立初始反向传播神经网络结构,并设定该网络相关参数和函数,基于提取的图像特征利用编码方式产生初始参数,同时利用蝙蝠算法获得最优权值和阈值;
步骤5):通过蝙蝠算法-反向传播算法得到的最优权值和阈值优化反向传播神经网络,并且经过训练得到满足性能要求的最佳反向传播神经网络结构;
步骤6):建立基于蝙蝠算法-反向传播神经网络的评价模型,对行驶路况进行评价。
可选地,所述步骤1)中路况图像中疑似障碍物的信息有如下表达式:
其中,采集的前方物体的初始高宽值分别为h0和w0,车体和疑似障碍物的距离初始值为d0,动态障碍物判定系数为γ;
若采集图像中感兴趣区域内疑似障碍物物体在整幅图像中轮廓大小不变或者越来越小,则d≥d0,即运动体和疑似障碍物距离保持不变或者原来越远,排除障碍物嫌疑,γ=0;反之,轮廓变大,d<d0确定为动态障碍物,此时γ=1。
可选地,所述步骤2)中图像特征包括路面平整度、路面弯曲度、障碍物宽高比、障碍物有效面积比和障碍系数。
可选地,所述反向传播神经网络由3层节点组成:输入节点n个、隐含层节点p个、输出节点q个。
可选地,所述蝙蝠算法-反向传播算法中设定调整因子和
其中,为输入变量的谱值。
可选地,所述蝙蝠算法-反向传播算法为:
将反向传播神经网络的参数作为一个整体参数进行编码;随机生成n个蝙蝠,形成初始的蝙蝠种群,在搜索空间中随机初始化蝙蝠的位置xi,速度vi,响度Ai和脉冲频度ri;将每只蝙蝠个体的位置与适应度f(x)联系起来;判断算法是否达到最大迭代次数,若满足条件,则算法结束,输出最优解,否则,进行下一步;根据飞行速度与位置更新公式fi=fmin+(fmax-fmin)β、和更新蝙蝠的速度和位置;产生一个随机数rand1,若rand1>ri,ri为第i只蝙蝠的脉冲频度,利用式xnew(i)=xold+εAt得到xnew;对位置的好坏进行评估;产生一个随机数rand2,如果rand2<Ai,其中Ai为第i只蝙蝠的脉冲响度。同时有f(xi)<f(x*)则进行蝙蝠个体更新,通过式At+1(i)=αAt(i)减小Ai,通过式rt+1(i)=r0(i)×[1-exp(-γ×t)]增大ri;如果满足终止条件,则输出目标值并终止程序执行,否则转向将每只蝙蝠个体的位置与适应度f(x)联系起来;将蝙蝠算法优化得到的个体解码,结果作为反向传播神经网络的预选初始连接权值和阈值。根据所得的预选值,计算调整因子和若不满足或则转向随机生成n个蝙蝠,形成初始的蝙蝠种群,在搜索空间中随机初始化蝙蝠的位置xi,速度vi,响度Ai和脉冲频度ri重新执行该程序;若同时满足及则预选值即作为反向传播神经网络的初始连接权值和阈值;
其中,β∈[0,1]是一个服从均匀分布随机向量,xold为当前最优解集中随机选择的一个解,At为当前迭代次数下的所有蝙蝠的平均响度,ε为一个D维随机向量,ε∈[-1,1],α为脉冲响度的衰减系数,α为常量,且0<α<1。。
可选地,所述适应度函数如下:
其中l为所训练样本的个数,Tim和分别表示m个训练样本在第i只蝙蝠所确定的权值和阈值下网络实际输出和期望输出。
可选地,所述蝙蝠算法-反向传播神经网络的评价模型为:
其中,连接权值为{Wji},i=1,2,…,n,j=1,2,…,p;中间层至输出层的连接权{Vtj},j=1,2,…,p,t=1,2,…,q;中间层各单元输出阈值为{θj},j=1,2,…,p;ai为输入变量;γ为脉冲频度的增加系数,γ为常量,且γ>0;网络输入层到隐含层的传递函数为tan-sigmoid:隐含层到输出层的传递函数采用对数S型传递函数:Log-sigmoid型函数
3.有益效果
与现有技术相比,本申请提供的一种行驶路况评价方法的有益效果在于:
本申请提供的行驶路况评价方法通过提取图像特征,利用蝙蝠算法弥补反向传播网络连接权值和阈值选择上的随机性缺陷,同时加入调整因子突出障碍物对于行驶路况的主要影响,以达到优势互补的目的,得到基于蝙蝠算法-反向传播算法的行驶路况评价模型,进而对小型非结构化道路路况进行有效预测。
附图说明
图1是本申请的一种行驶路况评价方法的蝙蝠算法-反向传播算法流程示意图;
图2是本申请的蝙蝠算法-反向传播网络的路况评价模型。
具体实施方式
在下文中,将参考附图对本申请的具体实施例进行详细地描述,依照这些详细的描述,所属领域技术人员能够清楚地理解本申请,并能够实施本申请。在不违背本申请原理的情况下,各个不同的实施例中的特征可以进行组合以获得新的实施方式,或者替代某些实施例中的某些特征,获得其它优选的实施方式。
反向传播算法(英:Backpropagation algorithm,简称:BP算法)是一种监督学习算法,常被用来训练多层感知机。于1974年,Paul Werbos首次给出了如何训练一般网络的学习算法,而人工神经网络只是其中的特例。不巧的,在当时整个人工神经网络社群中却无人知晓Paul所提出的学习算法。
蝙蝠算法(Bat Algorithm,BA)算法是模拟自然界中蝙蝠利用一种声呐来探测猎物、避免障碍物的随机搜索算法即模拟蝙蝠利用超声波对障碍物或猎物进行最基本的探测、定位能力并将其和优化目标功能相联系。BA算法的仿生原理将种群数量为的蝙蝠个体映射为D维问题空间中的NP个可行解,将优化过程和搜索模拟成种群蝙蝠个体移动过程和搜寻猎物利用求解问题的适应度函数值来衡量蝙蝠所处位置的优劣,将个体的优胜劣汰过程类比为优化和搜索过程中用好的可行解替代较差可行解的迭代过程。在蝙蝠搜索算法中,为了模拟蝙蝠探测猎物、避免障碍物,需假设如下三个近似的或理想化的规则:
1)所有蝙蝠利用回声定位的方法感知距离,并且它们采用一种巧妙的方式来区别猎物和背景障碍物之间的不同。
2)蝙蝠在位置xi以速度vi随机飞行,以固定的频率fmin、可变的波长λ和音量A0来搜索猎物。蝙蝠根据自身与目标的邻近程度来自动调整发射的脉冲波长(或频率)和调整脉冲发射率r属于[0,1]
3)虽然音量的变化方式有多种但在蝙蝠算法中,假定音量A是从一个最大值A0(整数)变化到固定最小值Amin。
蒋红妍等通过物元分析的方法建立了道路多指标性能参数的路况等级评定模型,并成功的将这一新生学科应用到了道路工程实际。
Antti等人提取了公路路面条件的结构因子,粗糙系数和横向不均匀系数三个因素,利用加权和来计算道路状况。
参见图1~2,本申请提供一种行驶路况评价方法,所述方法包括如下步骤:
步骤1):获取行驶路况图像;
步骤2):道路图像预处理;
步骤3):提取图像特征;
步骤4):建立初始反向传播神经网络结构,并设定该网络相关参数和函数,基于提取的图像特征利用编码方式产生初始参数,同时利用蝙蝠算法获得最优权值和阈值;
步骤5):通过蝙蝠算法-反向传播算法得到的最优权值和阈值优化反向传播神经网络,并且经过训练得到满足性能要求的最佳反向传播神经网络结构;
步骤6):建立基于蝙蝠算法-反向传播神经网络的评价模型,对行驶路况进行评价。
可选地,所述步骤1)中路况图像中疑似障碍物的信息有如下表达式:
其中,采集的前方物体的初始高宽值分别为h0和w0,车体和疑似障碍物的距离初始值为d0,动态障碍物判定系数为γ;
若采集图像中感兴趣区域内疑似障碍物物体在整幅图像中轮廓大小不变或者越来越小,则d≥d0,即运动体和疑似障碍物距离保持不变或者原来越远,排除障碍物嫌疑,γ=0;反之,轮廓变大,d<d0确定为动态障碍物,此时γ=1。
可选地,所述步骤2)中图像特征包括路面平整度、路面弯曲度、障碍物宽高比、障碍物有效面积比和障碍系数。
(1)路面平整度
本发明给出了适合路况评价需求的路面平整度分析。路面过于粗糙或者坑坑洼洼等缺陷很多时,会出现车辆难以行驶,安全性偏低的情况;而路面适度平整光滑时则车辆行驶很通顺,路况良好;此外对于路面过度光滑时,如结冰路面,也不适宜于车辆安全行驶。
考虑存在路面过度光滑和过度缺陷的情况,本文描述路面平整度表示如下:
(2)路面弯曲度
正确评价道路弯道对车辆行驶的影响是行驶路况评价的重要条件,本文采取两种方法同时进行的方案识别道路边界。对采集到的图像进行分割,利用Hough变换对道路进行以检测得到纯路面区域,识别出道路边界线,得到道路区域。若由于对阴影、水渍等各种环境因素较为敏感而无法得到有效的道路边界时,采取识别行驶道路的两侧边缘的方法,去除噪声,平滑边缘线。此处边缘表示可行道路轮廓线,地面凸起物与地面交线形成的可行性区域。
曲率是描述曲线弯曲程度的量[8],曲线M对应于弧s,M对应s+Δs,M→M′切线转角为|Δα|。弧段的平均曲率和曲线C在点M处的曲率分别为:
内切圆形越大曲线的弯曲程度就越小,曲率越小,曲率半径也就越大。直线的曲率处处为0,故直线无曲率半径。则本发明所提及的路面弯曲度可由弯曲处的曲率值来表征,对于道路弯曲段,对应弯曲段获取r=1/k。
(3)障碍物宽高比
提取障碍物特征时,首先对感兴趣区域内判定的疑似障碍物进行边缘处理,提取形状特征,障碍物轮廓特征大致分为矩形、椭圆形、圆形(类圆形)、多边形等。其中复杂图像以圆形轮廓检测为例,可利用Hough变换将不连续的边缘像素点连接起来组成区域封闭边界曲线。
在车体前行过程中,感兴趣区域内锁定的疑似障碍物在图像内的高h和宽w值会发生变化,但一物体的整体形态不会在图像采集前后的短暂时间内有所变化,则此时有固定宽高比:
其中,c为一常量。
(4)障碍物有效面积比
感兴趣区域内某物体是否判定为动态障碍物取决于疑似障碍物的有效面积比R,当有效面积比R大于设定的阈值T时,则认为检测到疑似障碍物。本文所设定阈值T为一固定值,根据车辆及摄像机固有参数而定,见于后期具体实验。
有效面积比的表达式为:
上述有效面积比表达式中的分子So为感兴趣区域内经过二值化处理后的图像中疑似障碍物的有效像素数即为最小外接图形中像素值为1的像素个数,本发明中分母Sr定义为感兴趣区域图像中像素值为1和0的像素总数。
(5)障碍系数
本发明研究着重于障碍物特征影响路面行车的程度,因此可通过对障碍物的形状、宽高等特征进行综合考虑,得出该障碍物对行驶路况的一个影响系数,本文定义为障碍系数q。对于本文中特定的实验智能车,车的半径为r,经验证知r/4是智能车可越过凸起的临界点,定义q如下:
式中,ht和wt表示障碍物实际高度和宽度,q∈(0,1)。本文使用的计算障碍物宽高的方法为:参考汽车倒车影像的原理,基于摄像机模型与摄影几何的基本原理,推算出此参数特征。
可选地,所述反向传播神经网络由3层节点组成:输入节点n个、隐含层节点p个、输出节点q个。
设输入模式向量Ak=(a1,a2,…,an),希望输出向量Yk=(y1,y2,…,yq);中间层单元输入向量Sk=(s1,s2,…,sp),输出向量Bk=(b1,b2,…,bp);输出层单元输入向量Lk=(l1,l2,…,lq),输出向量Ck=(c1,c2,…,cq);连接权值为{Wji},i=1,2,…,n,j=1,2,…,p;中间层至输出层的连接权{Vtj},j=1,2,…,p,t=1,2,…,q;中间层各单元输出阈值为{θj},j=1,2,…,p;输出层各单元输出阈值为{γt},t=1,2,…,q。以上k=1,2,…,m。
影响路况评价结果的指标有L、K、c、R以及q五项,各因素对于行驶路况结果的评定影响不一。因此初始权值的分配应该有所偏差,突出各指标的差别,使后期训练过程更合理高效。本文考虑单纯加权法的行驶路况评价模型,代入一定数量的实验样本,得到最接近期望值的一组权系数分别为:wL=0.1156,wK=0.0893,wc=0.1744,wR=0.3915,wq=0.2292。该组系数说明了一定程度上对行驶路况评价结果影响最大的因素是障碍物有效面积比,其次是障碍系数,影响最小的是路面平整度和路面弯曲度,也证实了本文中行驶路况评价是主要基于动态障碍物的。
可选地,所述蝙蝠算法-反向传播算法中设定调整因子和
其中,为输入变量的谱值。依据谱值大小分析输入对输出的影响,为了突出障碍物特征的作用,BP神经网络的部分初始权值还需满足 的条件,该约束条件由加权模型实验得到并证实,以此获取更为理想的搜索空间。
可选地,所述蝙蝠算法-反向传播算法为:
将反向传播神经网络的参数作为一个整体参数进行编码;随机生成n个蝙蝠,形成初始的蝙蝠种群,在搜索空间中随机初始化蝙蝠的位置xi,速度vi,响度Ai和脉冲频度ri;将每只蝙蝠个体的位置与适应度f(x)联系起来;判断算法是否达到最大迭代次数,若满足条件,则算法结束,输出最优解,否则,进行下一步;根据飞行速度与位置更新公式fi=fmin+(fmax-fmin)β、和更新蝙蝠的速度和位置;产生一个随机数rand1,若rand1>ri,ri为第i只蝙蝠的脉冲频度,利用式xnew(i)=xold+εAt得到xnew;对位置的好坏进行评估;产生一个随机数rand2,如果rand2<Ai,其中Ai为第i只蝙蝠的脉冲响度。同时有f(xi)<f(x*)则进行蝙蝠个体更新,通过式At+1(i)=αAt(i)减小Ai,通过式rt+1(i)=r0(i)×[1-exp(-γ×t)]增大ri;如果满足终止条件,则输出目标值并终止程序执行,否则转向将每只蝙蝠个体的位置与适应度f(x)联系起来;将蝙蝠算法优化得到的个体解码,结果作为反向传播神经网络的预选初始连接权值和阈值。根据所得的预选值,计算调整因子和若不满足或则转向随机生成n个蝙蝠,形成初始的蝙蝠种群,在搜索空间中随机初始化蝙蝠的位置xi,速度vi,响度Ai和脉冲频度ri重新执行该程序;若同时满足及则预选值即作为反向传播神经网络的初始连接权值和阈值;
其中,β∈[0,1]是一个服从均匀分布随机向量,xold为当前最优解集中随机选择的一个解,At为当前迭代次数下的所有蝙蝠的平均响度,ε为一个D维随机向量,ε∈[-1,1],α为脉冲响度的衰减系数,α为常量,且0<α<1。
可选地,所述适应度函数如下:
其中l为所训练样本的个数,Tim和分别表示m个训练样本在第i只蝙蝠所确定的权值和阈值下网络实际输出和期望输出。
可选地,所述蝙蝠算法-反向传播神经网络的评价模型为:
其中,连接权值为{Wji},i=1,2,…,n,j=1,2,…,p;中间层至输出层的连接权{Vtj},j=1,2,…,p,t=1,2,…,q;中间层各单元输出阈值为{θj},j=1,2,…,p;ai为输入变量;γ为脉冲频度的增加系数,γ为常量,且γ>0;网络输入层到隐含层的传递函数为tan-sigmoid:隐含层到输出层的传递函数采用对数S型传递函数:Log-sigmoid型函数
结合发明定义和提取的道路特征,本文通过L、K、c、R以及q等5个分项指标最终得到一个总的评价指标E。
网络结构中,输入层中包含5个神经元,其对应5个分指标,隐含层选取16个神经元,关联节点为16个,输出层包含1个神经元。令网络输入层到隐含层的传递函数为tan-sigmoid,隐含层到输出层的传递函数采用对数S型传递函数:Log-sigmoid型函数。也即:
本申请提供的行驶路况评价方法通过提取图像特征,利用蝙蝠算法弥补反向传播网络连接权值和阈值选择上的随机性缺陷,同时加入调整因子突出障碍物对于行驶路况的主要影响,以达到优势互补的目的,得到基于蝙蝠算法-反向传播算法的行驶路况评价模型,进而对小型非结构化道路路况进行有效预测。
尽管在上文中参考特定的实施例对本申请进行了描述,但是所属领域技术人员应当理解,在本申请公开的原理和范围内,可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定,并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。
Claims (8)
1.一种行驶路况评价方法,其特征在于:所述方法包括如下步骤:
步骤1):获取行驶路况图像;
步骤2):道路图像预处理;
步骤3):提取图像特征;
步骤4):建立初始反向传播神经网络结构,并设定该网络相关参数和函数,基于提取的图像特征利用编码方式产生初始参数,同时利用蝙蝠算法获得最优权值和阈值;
步骤5):通过蝙蝠算法-反向传播算法得到的最优权值和阈值优化反向传播神经网络,并且经过训练得到满足性能要求的最佳反向传播神经网络结构;
步骤6):建立基于蝙蝠算法-反向传播神经网络的评价模型,对行驶路况进行评价。
2.如权利要求1所述的行驶路况评价方法,其特征在于:所述步骤1)中路况图像中疑似障碍物的信息有如下表达式:
其中,采集的前方物体的初始高宽值分别为h0和w0,车体和疑似障碍物的距离初始值为d0,动态障碍物判定系数为γ;
若采集图像中感兴趣区域内疑似障碍物物体在整幅图像中轮廓大小不变或者越来越小,则d≥d0,即运动体和疑似障碍物距离保持不变或者原来越远,排除障碍物嫌疑,γ=0;反之,轮廓变大,d<d0确定为动态障碍物,此时γ=1。
3.如权利要求2所述的行驶路况评价方法,其特征在于:所述步骤2)中图像特征包括路面平整度、路面弯曲度、障碍物宽高比、障碍物有效面积比和障碍系数。
4.如权利要求1所述的行驶路况评价方法,其特征在于:所述反向传播神经网络由3层节点组成:输入节点n个、隐含层节点p个、输出节点q个。
5.如权利要求4所述的行驶路况评价方法,其特征在于:所述蝙蝠算法-反向传播算法中设定调整因子和
其中,为输入变量的谱值。
6.如权利要求5所述的行驶路况评价方法,其特征在于:所述蝙蝠算法-反向传播算法为:
将反向传播神经网络的参数作为一个整体参数进行编码;随机生成n个蝙蝠,形成初始的蝙蝠种群,在搜索空间中随机初始化蝙蝠的位置xi,速度vi,响度Ai和脉冲频度ri;将每只蝙蝠个体的位置与适应度f(x)联系起来;判断算法是否达到最大迭代次数,若满足条件,则算法结束,输出最优解,否则,进行下一步;根据飞行速度与位置更新公式fi=fmin+(fmax-fmin)β、和更新蝙蝠的速度和位置;产生一个随机数rand1,若rand1>ri,ri为第i只蝙蝠的脉冲频度,利用式xnew(i)=xold+εAt得到xnew;对位置的好坏进行评估;产生一个随机数rand2,如果rand2<Ai,其中Ai为第i只蝙蝠的脉冲响度。同时有f(xi)<f(x*)则进行蝙蝠个体更新,通过式At+1(i)=αAt(i)减小Ai,通过式rt+1(i)=r0(i)×[1-exp(-γ×t)]增大ri;如果满足终止条件,则输出目标值并终止程序执行,否则转向将每只蝙蝠个体的位置与适应度f(x)联系起来;将蝙蝠算法优化得到的个体解码,结果作为反向传播神经网络的预选初始连接权值和阈值。根据所得的预选值,计算调整因子和若不满足或则转向随机生成n个蝙蝠,形成初始的蝙蝠种群,在搜索空间中随机初始化蝙蝠的位置xi,速度vi,响度Ai和脉冲频度ri重新执行该程序;若同时满足及则预选值即作为反向传播神经网络的初始连接权值和阈值;
其中,β∈[0,1]是一个服从均匀分布随机向量,xold为当前最优解集中随机选择的一个解,At为当前迭代次数下的所有蝙蝠的平均响度,ε为一个D维随机向量,ε∈[-1,1],α为脉冲响度的衰减系数,α为常量,且0<α<1。
7.如权利要求6所述的行驶路况评价方法,其特征在于:
所述适应度函数如下:
其中l为所训练样本的个数,Tim和分别表示m个训练样本在第i只蝙蝠所确定的权值和阈值下网络实际输出和期望输出。
8.如权利要求1所述的行驶路况评价方法,其特征在于:所述蝙蝠算法-反向传播神经网络的评价模型为:
其中,连接权值为{Wji},i=1,2,…,n,j=1,2,…,p;中间层至输出层的连接权{Vtj},j=1,2,…,p,t=1,2,…,q;中间层各单元输出阈值为{θj},j=1,2,…,p;ai为输入变量;γ为脉冲频度的增加系数,γ为常量,且γ>0;网络输入层到隐含层的传递函数为tan-sigmoid:隐含层到输出层的传递函数采用对数S型传递函数:Log-sigmoid型函数
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811320148.8A CN109543572A (zh) | 2018-11-07 | 2018-11-07 | 一种行驶路况评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811320148.8A CN109543572A (zh) | 2018-11-07 | 2018-11-07 | 一种行驶路况评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109543572A true CN109543572A (zh) | 2019-03-29 |
Family
ID=65844625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811320148.8A Pending CN109543572A (zh) | 2018-11-07 | 2018-11-07 | 一种行驶路况评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543572A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111060119A (zh) * | 2019-12-27 | 2020-04-24 | 中电海康集团有限公司 | 一种基于街景图视觉要素评分的城市慢行出行导航方法和*** |
CN111860567A (zh) * | 2020-05-09 | 2020-10-30 | 武汉理工大学 | 叶片图像识别模型的构建方法 |
WO2020233063A1 (zh) * | 2019-05-21 | 2020-11-26 | 深圳壹账通智能科技有限公司 | 智能化路径规划方法、装置及计算机可读存储介质 |
CN113221954A (zh) * | 2021-04-15 | 2021-08-06 | 长春工业大学 | 一种基于改进的蝙蝠算法的bp分类算法 |
CN116879866A (zh) * | 2023-09-06 | 2023-10-13 | 四川华腾公路试验检测有限责任公司 | 一种基于激光雷达三维数据的路面平整度评价方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384153A (zh) * | 2016-09-18 | 2017-02-08 | 河海大学常州校区 | 基于ba‑bpnn数据融合的wsan执行器任务分配方法 |
CN108765951A (zh) * | 2018-06-11 | 2018-11-06 | 广东工业大学 | 基于蝙蝠算法支持向量机的高速公路交通状态识别方法 |
-
2018
- 2018-11-07 CN CN201811320148.8A patent/CN109543572A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384153A (zh) * | 2016-09-18 | 2017-02-08 | 河海大学常州校区 | 基于ba‑bpnn数据融合的wsan执行器任务分配方法 |
CN108765951A (zh) * | 2018-06-11 | 2018-11-06 | 广东工业大学 | 基于蝙蝠算法支持向量机的高速公路交通状态识别方法 |
Non-Patent Citations (1)
Title |
---|
吕丹丹: "适用于小型智能车的行驶路况评价及自主避障控制研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020233063A1 (zh) * | 2019-05-21 | 2020-11-26 | 深圳壹账通智能科技有限公司 | 智能化路径规划方法、装置及计算机可读存储介质 |
CN111060119A (zh) * | 2019-12-27 | 2020-04-24 | 中电海康集团有限公司 | 一种基于街景图视觉要素评分的城市慢行出行导航方法和*** |
CN111060119B (zh) * | 2019-12-27 | 2021-08-10 | 中电海康集团有限公司 | 基于街景图视觉要素评分的城市慢行出行导航方法和*** |
CN111860567A (zh) * | 2020-05-09 | 2020-10-30 | 武汉理工大学 | 叶片图像识别模型的构建方法 |
CN111860567B (zh) * | 2020-05-09 | 2024-04-16 | 武汉理工大学 | 叶片图像识别模型的构建方法 |
CN113221954A (zh) * | 2021-04-15 | 2021-08-06 | 长春工业大学 | 一种基于改进的蝙蝠算法的bp分类算法 |
CN116879866A (zh) * | 2023-09-06 | 2023-10-13 | 四川华腾公路试验检测有限责任公司 | 一种基于激光雷达三维数据的路面平整度评价方法 |
CN116879866B (zh) * | 2023-09-06 | 2023-11-14 | 四川华腾公路试验检测有限责任公司 | 一种基于激光雷达三维数据的路面平整度评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543572A (zh) | 一种行驶路况评价方法 | |
CN103778432B (zh) | 一种基于深信度网络的人车分类方法 | |
CN106650913B (zh) | 一种基于深度卷积神经网络的车流密度估计方法 | |
Alhussan et al. | Pothole and plain road classification using adaptive mutation dipper throated optimization and transfer learning for self driving cars | |
CN105279966B (zh) | 一种校园交通的拥堵识别方法 | |
Collado et al. | Model based vehicle detection for intelligent vehicles | |
CN112561796B (zh) | 基于自注意生成对抗网络的激光点云超分辨率重建方法 | |
CN108909624A (zh) | 一种基于单目视觉的实时障碍物检测和定位方法 | |
CN107609522A (zh) | 一种基于激光雷达和机器视觉的信息融合车辆检测*** | |
Akgüngör et al. | An artificial intelligent approach to traffic accident estimation: Model development and application | |
CN104408481B (zh) | 基于深度小波神经网络的极化sar图像分类方法 | |
CN106599827A (zh) | 一种基于深度卷积神经网络的小目标快速检测方法 | |
CN110309732A (zh) | 基于骨架视频的行为识别方法 | |
CN108416783A (zh) | 基于全卷积神经网路的道路场景分割方法 | |
CN103440495A (zh) | 一种复合绝缘子憎水等级自动识别方法 | |
CN113345237A (zh) | 一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法、***、设备及存储介质 | |
CN104504395A (zh) | 基于神经网络实现人车分类的方法和*** | |
CN102306301A (zh) | 模拟初级视皮层脉冲神经元的动作识别*** | |
CN109800773B (zh) | 基于三维激光雷达的越野路面提取方法 | |
CN109919026A (zh) | 一种水面无人艇局部路径规划方法 | |
CN110525428A (zh) | 一种基于模糊深度强化学习的自动泊车方法 | |
CN114155270A (zh) | 行人轨迹预测方法、装置、设备及存储介质 | |
CN105678275A (zh) | 车辆识别方法 | |
CN112308005A (zh) | 基于gan的交通视频显著性预测方法 | |
CN114299607A (zh) | 一种基于自动驾驶汽车的人车碰撞危险度分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190329 |
|
RJ01 | Rejection of invention patent application after publication |