BNNG算法在车型识别中的应用研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇BNNG算法在车型识别中的应用研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘要：本文根据生态系统模型和多种神经网络模型融合的相似性，提出了仿生态神经网络群（bnng）算法，并将其和AR模型特征提取结合应用到车型识别中，与单个神经网络识别相比提高了车型分类的正确率，降低了近似生态系统车型的误识率，为公路上交通量自动分类统计提供了方法。
关键词：仿生态神经网络群 神经网络集成 车型识别
中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2015）11-0000-00
Abstract： According to the similarity of ecosystem model and multiple neural network model， the paper proposed the model of bionic neural network group （BNNG） algorithm， which combines the feature extraction and AR model to improve the accuracy of the vehicle classification， and reduces the error rate.
Key words： Bionic Neural Network Group； Neural Network Ensemble； Vehicle Recognition
神经网络集成是计算机模式识别及群智能理论的研究主要方向，目前神经网络集成还没有形成统一的理论框架，集成的内部依然是一个黑箱问题，里面权值和结构到底发生了哪些变化，没有形成统一的结论。本文在研究多种神经网络分类识别的实验中，发现了神经网络集成理论同生态系统模型有着一定的相似度，故对其进行模型预测，同时利用交通车型识别来验证本模型的正确性。
1 仿生态神经网络群算法（BNNG）的模型提出
生态系统是自然界的一个完美的动态进化模式，其内部进化靠互助、竞争等规则来完成，神经网络群按照生态系统进化规则进行演变，故称之为仿生态神经网络群。
神经网络集成是用有限个神经网络对同一个问题进行学习，集成在输入示例下的输出由构成神经网络集成的各神经网络在此示例下的输出共同决定。需要经过大量数据的训练和检验才能够达到最终理想的输出，内部各网络之间是交叉相错的，彼此之间的依存、竞争同样使其结构达到最终的平衡。生态系统模型与神经网络集成有一定的相似性，本出简单模型匹配预测，具体如表1。
2 仿生态神经网络群算法（BNNG）数学模型构建
根据生态群落进化规则，本文将BNNG算法分为主体网络和激励网络，具体算法结构如图1。
传统神经网络模型分为输入层（input）、隐层（hide layer）和输出层（output layer），处理信息的基本原理是：输入信号通过中间节点（隐层点）作用于输出节点，经过非线形变换，产生输出信号，网络训练的每个样本包括输入向量X和期望输出量T，网络输出值Y与期望输出值T之间的偏差，通过调整输入节点与隐层节点的联接强度取值和隐层节点与输出节点之间的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息，本次假设训练样本为，学习率为，第个样本的误差为。其中
输出公式： （2-1）
全局误差公式： （2-2）
隐层各神经元的权值调整公式为：？？ （2-3）
输出层各神经元的权值调整公式为： （2-4）
而BNNG的输出公式为： （2-5）
3 仿生态神经网络群（BNNG）模型在车型识别中的应用
车型识别是交通量在线统计中的重要步骤，识别率的高低直接影响着整个系统的好坏，所以选取此类实验来验证具有重要价值，本文选择4种车型，各40个样本进行验证，具体如表2。
本次BNNG网络群的主体网络为BP（Feed-forward backprop）、CBP（Cascade-forward backprop）、EBP（Elman backprop）、TBP（Time-delay backprop）四种，激励网络由最基本的原始神经网络组成，如Perceptron、Radial basis（exact fit）、Radial basis（fewer neurons）、Generalized regression、Linear layer（design），验证方式为先单一网络分类，然后是主体网络分类，最后是将激励网络和主体网络融合形成BNNG网络后进行分类，通过正确识别率验证各种算法的有效性，具体结果如表3。
通过表3可以看出主体网络的识别率要比单一网络或单个网络的识别率要高，适当引入激励网络将大大提高车型的识别率问题，识别率可以提高到95%以上，其恰好是模型匹配进化的重要规则之一，验证了模型的正确性。
4结语
本文提出仿生态神经网络群（BNNG）算法一种新的模型，按照生态演变规则对网络进行建立、进化。通过实验数据分析得出仿生态神经网络群确实和自然界生态平衡模型存在着一定的相似性，比如竞争机制，演变结果的可能性，对单个物种作用低的处理机制等方面运行规则相似。经过实验验证能够为神经网络集成理论统一框架提供理论和实验参考价值，为在复杂情况下的模式识别提供新的方法和依据。
参考文献
[1]宋锐，张静.一种基于BP神经网络群的自适应分类方法及其应用[J].电子学报，2001年第12A期：1950-1953.
[2]王双维，陈强.不同车型的车辆声音与振动信号特征研究[J].声学技术，2007年第3期：460-463
[3]陈强，李江，王双维.基于AR模型的车型自动分类技术[J].吉林大学学报（工学版），2007年第2期：325-328.
[4]余佳，李益华.一种基于数据挖掘的车型自动分类方法的研究[J].现代电子技术，2012年第9期：119-121，124.
[5]闻新.MATLAB神经网络仿真与应用[M].北京：科学出版社，2003年：258.
[6]楼顺天.基于MATLAB的系统分析与设计[M].西安：西安电子科技大学出版社，2000年：114.