作者：江苏宝应扬州电视大学宝应分校（225800） 乔维德 来源：《电子技术应用》

摘要：介绍了基于多层前馈神经网络的学习训练方法、运用噪声测量原理和方法判别汽车类型的识别系统，为汽车交通管理和监测统计提供了有力的依据和手段。 关键词：汽车 神经网络 噪声 识别 随着我国高速公路和汽车技术的迅猛发展，汽车行驶速度越来越高，极需一种更有效交通管理系统。这种系统应能自动识别汽车，并能准确判断出汽车类型。20世纪50年代以来，点测试设备如环形成圈检测器，主要用于十字路口的交通控制和交通数据收集。这种探测系统通常利用埋置于路面下的电感线圈，通过电磁感应识别汽车，但这种系统存在着铺设费用昂贵、维护困难、不能将汽车分类等缺陷。利用声测地，并将此经过神经网络的训练，能够有效地识别路面上通过的汽车的类型。 1 声测法汽车类型识别系统 声测法汽车类型识别系统工作原理框图如图1所示。 声测法汽车类型识别系统的工作原理是：当汽车通过时，麦克风将其产生的声波的声压信号通过连接器传列分类系统，通过a/d转换器将声压信号转化为一系列离散的数字信号，并在频谱分析仪中进行频谱转换（fft转换）。 神经网络为衰减器接受到的每个矢量提供一个分类指示器。每个矢量显示一个预定的间歇时间，即允许产生声音的物体有一个短暂的时间间隔（0.1秒）。这样，神经网络每隔0.1秒为每种声音产生一个分类指示器，独立地为每个矢量分类。时间积算器是经神经网络分析后的一种分类指示器流量的处理器，即时间积算器经多次与运算结果结合，产生整个系统输出的最后分类结果。 基于神经网络的声测法汽车类型识别系统采用低廉的传感器材，对汽车的类型识别有很好的效果，而且应用的覆盖范围更广，不受天气和光线的影响。 2 神经网络学习训练算法 对原始噪声进行预处理之后，余于的识别工作就由神经网络来实现。本文所设计的网络是三层前馈网络，其结构为：输入层有n个节点，n=np×n；隐含层有p个节点，输出层有q个节点。q个输出节点分别对应q种车型，输入层采用的输入值为傅立叶变换后的值，隐含层和输出层的活化函数为sigmoid函数。训练完毕后，当输出层第i个节点输出值大于0.99而其它节点的输出值小于0.11时，就认为本次识别的车型为第i号车。网络结构如图2所示。 采用的训练算法是bp算法，该算法中的误差函数是： 其中，dk和rk分别是网络的希望输出适量和实际输出矢量，m为训练样本对。 bp算法的一个突出缺点是学习速度慢，原因是多方面的，如与网络的结构有关，与学习算法本身存在的缺点有关。当利用上述误差函数来调整权重时，从推导知道权重调整量总包含下面的因子： 从上式可以看出，当输出层单元i的实际输出ri接近于0或1时，误差信号中的因子式ri(1-ri)使得误差信号变得很小，这时如果输出层单元i的实际输出ri与期望输出值di相差很大时，没有产生强的误差来修正权重，从而延长了学习过程。另外由于激励函数f(x)=(1+e -x)-1是一个饱和函数，当它趋于饱和状态时，导数就接近于零，从而造成收敛速度减慢。由此可以考虑将因子ri(1-ri)从误差函数对权重偏微分的结果中去除，于是可把bp算法的误差函数改进为： 因为0<ri=f(sumi)<1且di的取值为0或1，从而。下面对这种误差修正方法的收敛性作简的分析。 利用链式微分规则得： 右端第一项表示输出矢量中第i个分量对偏差的影响，第二项则表示权系数对输出分量的影响。根据式（4）计算第一项的偏微分： 计算式（5）的第二项偏微分： 其中，bj