CN109816992B - 一种基于地磁信号的车型识别方法 - Google Patents
一种基于地磁信号的车型识别方法 Download PDFInfo
- Publication number
- CN109816992B CN109816992B CN201811524795.0A CN201811524795A CN109816992B CN 109816992 B CN109816992 B CN 109816992B CN 201811524795 A CN201811524795 A CN 201811524795A CN 109816992 B CN109816992 B CN 109816992B
- Authority
- CN
- China
- Prior art keywords
- data set
- magnetic field
- value
- max
- maximum value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000013145 classification model Methods 0.000 claims abstract description 7
- 238000010187 selection method Methods 0.000 claims abstract description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 32
- 238000003491 array Methods 0.000 claims description 31
- 238000005457 optimization Methods 0.000 claims description 23
- 239000000126 substance Substances 0.000 claims description 6
- 238000012856 packing Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 23
- 238000002790 cross-validation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- XOOUIPVCVHRTMJ-UHFFFAOYSA-L zinc stearate Chemical compound [Zn+2].CCCCCCCCCCCCCCCCCC([O-])=O.CCCCCCCCCCCCCCCCCC([O-])=O XOOUIPVCVHRTMJ-UHFFFAOYSA-L 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
Abstract
本发明公开了一种基于地磁信号的车型识别方法。现有基于磁场传感器的车型识别方法对于采集到的特征数据并未进一步的筛选。本发明如下：一、在地面下设置磁场传感器。将1赋值给i和j。二、用第i种车型对应的第j辆试验车辆经过三分量磁场传感器的上方。三、对所得数据进行归一化处理。四、获取各车辆对应的64个特征值。五、采用混合式的特征选择方法进行特征筛选，并得到分类模型。六、当被测车辆经过磁场传感器，磁场传感器采集磁场信号。七、根据分类模型判断被测车辆的车型。本发明引入了利用小波变换提取的时频特征，完善了对信号的特征描述。本发明在特征选择的过程中基于提出的配对、配对数的概念优化了对特征集中的冗余特征的过滤。
Description
技术领域
本发明属于数据挖据技术领域，具体涉及一种基于地磁信号的车型识别方法。
背景技术
随着社会结构的不断优化升级，社会对于交通路面的智能化管理需求也越来越高。而要实现交通智能化管理，就必须通过实时监测道路车辆的相关信息得以实现，车辆信息中一个重要的信息量就是车型信息。通过地磁信号来识别车型已经是老生常谈，大多数识别技术是基于对车辆通过三分量地磁传感器时采集到的数据进行时域特征的提取，进而采用分类模型来对车型进行判别。
然而，仅仅对采集到的数据进行时域特征的提取往往不能达到高分类精度。有些方法也对采集到的车辆信号进行频域特征提取，但是频域特征也不能完全地表征信号，有些在时域看来差别很大的信号却有着相同的频域特征。这是因为频域特征反应的仅仅是频域信息，其无法与时域信息相关联。
此外，现有的车型识别方法对于采集到的特征数据并没有进一步的筛选，事实上通过筛选特征集中的最优子集能在一定程度上提高分类精度，并能提升算法效率。
发明内容
本发明的目的在于提供一种基于地磁信号的车型识别方法。
本发明的具体步骤如下：
步骤一、在地面下设置三分量磁场传感器。取m种不同车型的车辆。每个车型均对应W辆试验车辆。将1赋值给i和j。
步骤二、用第i种车型对应的第j辆试验车辆经过三分量磁场传感器的上方。三分量磁场传感器进行Nij次磁场采集，得到X方向磁场数据集S1、Y方向磁场数据集S2、Z方向磁场数据集S3。
其中，s1b为三分量磁场传感器在第b次采集中得到的磁场x轴方向分量，s2b为三分量磁场传感器在第b次采集中得到的磁场y轴方向分量，s3b为三分量磁场传感器在第b次采集中得到的磁场z轴方向分量，b＝1,2,…,Nij。
步骤三、对X方向磁场数据集S1、Y方向磁场数据集S2、Z方向磁场数据集S3内的元素分别进行归一化处理，得到X方向归一化数据集S′1、Y方向归一化数据集S′2、Z方向归一化数据集S′3。
其中，
a＝1,2,3，b＝1,2,…,Nij，|sa，max|为sa1、sa2…、
中最大值的绝对值，|sa，min|为sa1、sa2…、
中最小值的绝对值，max(|sa，max|,|sa，min|)等于|sa，max|、|sa，min|中较大的那个数。
步骤四、求取X方向归一化数据集S′1的均值
最大值s′1,max、最小值s′1,min、极差R1、最大值的相对位置E1,max、最小值的相对位置E1,min、正负能量比PG1、极大值个数、极小值个数，Y方向归一化数据集S′2的均值
、最大值s′2，max、最小值s′2,min、极差R2、最大值的相对位置E2,max、最小值的相对位置E2,min、正负能量比PG2、极大值个数、极小值个数，Z方向归一化数据集S′3的均值
、最大值s′3,max、最小值s′3,min、极差R3、最大值的相对位置E3,max、最小值的相对位置E3,min、正负能量比PG3、极大值个数、极小值个数。
计算X方向归一化数据集S′1、Y方向归一化数据集S′2、Z方向归一化数据集S′3的平均能量
步骤五、a＝1,2,3，依次执行步骤六。
步骤六、对归一化数据集S′a进行二尺度小波包变换，得到四个二尺度分解系数集。对四个二尺度分解系数集分别取平均值、最大值、近似熵。并求取所得的第一个二尺度分解系数集的平均能量
其中，da，l为第一个二尺度分解系数集的第l个元素；Ma为第一个二尺度分解系数集的元素个数。
步骤七、将步骤四、五、六所得的X方向归一化数据集S′1的均值、最大值、最小值、极差、最大值的相对位置、最小值的相对位置、正负能量比、极大值个数、极小值个数，Y方向归一化数据集S′2的均值、最大值、最小值、极差、最大值的相对位置、最小值的相对位置、正负能量比、极大值个数、极小值个数，Z方向归一化数据集S′3的均值、最大值、最小值、极差、最大值的相对位置、最小值的相对位置、正负能量比、极大值个数、极小值个数，X方向归一化数据集S′1对应的第一个二尺度分解系数集的平均能量、四个二尺度分解系数集的平均值、最大值、近似熵，Y方向归一化数据集S′2对应的第一个二尺度分解系数集的平均能量、四个二尺度分解系数集的平均值、最大值、近似熵，Z方向归一化数据集S′3对应的第一个二尺度分解系数集的平均能量、四个二尺度分解系数集的平均值、最大值、近似熵，依次排序作为对应第i个车型的第j辆试验车辆的64个特征值。进入步骤八。
步骤八、若j＜W，则将j增大1，并执行步骤二至七；若i＜m，且j＝W，则将i增大1，将1赋值给j增大1，并执行步骤二至七；若i＝m，且j＝W，则进入步骤九。
步骤九、建立初始特征数据集F如下：
其中，fk,i,j为第i个车型的第j辆试验车辆对应的第k个特征值，i＝1,2,…,m，j＝1,2,…,W，k＝1,2,…,64。
步骤十、采用混合式的特征选择方法进行特征筛选，并得到分类模型。
10.1、采用ReliefF算法计算初始特征数据集F内64个二维数组的ReliefF权重。将初始特征数据集F中ReliefF权重低于权重阈值Wt的二维数组删除，得到一级优化特征集合Fs；其中，0.05≤Wt≤0.15。将1赋值给p，将2赋值给q。
10.2、计算一级优化特征集合Fs内第p个二维数组与第q个二维数组的相关系数
其中，
若COR(p,q)＞Wc，则将配对数组(p,q)放入初始为空集的Pos数组；其中，0.7≤Wc≤0.8。进入步骤10.3。
10.3、若q＜r，则将q增大1，并执行步骤10.2；若q＝r，且p＜r-1，则将p增大1后，将p+1赋值给q，并执行步骤10.2；若q＝r，且p＝r-1，则进入步骤10.4。r为一级优化特征集合Fs内二维数组的个数。
10.4、若Pos数组不是空数组，则执行步骤10.5及10.6；否则，进入步骤10.7。
10.5、将Pos数组中重复次数最多的元素作为初始目标序数。若仅存在一个初始目标序数，则将该初始目标序数作为最终目标序数ξ。若同时存在多个初始目标序数，则将各初始目标序数对应的二维数组作为目标二维数组，取各目标二维数组中ReliefF权重最小的那个目标二维数组对应的初始目标序数作为最终目标序数ξ。
10.6、将最终目标序数ξ对应的那个二维数组标记为无效数组，并将Pos数组中含有最终目标序数ξ的配对数组均删除。进入步骤10.4。
10.7、将一级优化特征集合Fs中所有被标记为无效数组的二维数组均删除，得到二级优化特征集合Fb。
10.8、用包装算法将对二级优化特征集合Fb进行筛选，得到三级优化特征集合F'。三级优化特征集合F'内二维数组的个数为v。三级优化特征集合F'内v个二维数组对应的特征作为目标特征。
10.9、根据三级优化特征集合F'内的各个元素的大小及其对应的车型，通过C4.5算法获取三级优化特征集合F'内v个二维数组对应的特征的目标阈值。
步骤十一、当被测车辆经过三分量磁场传感器的上方时，三分量磁场传感器根据自身采样频率进行N'次磁场采集，得到X方向被测数据集C1、Y方向被测数据集C2、Z方向被测数据集C3。
步骤十二、根据X方向被测数据集C1、Y方向被测数据集C2、Z方向被测数据集C3求取被测车辆的v个目标特征值。将被测车辆的v个目标特征值与v个目标阈值进行大小比较，进而确定被测车辆的车型。
进一步地，步骤四中，磁场数据集的极大值、极小值的判定方法如下：
若s′ab满足以下两个条件之一，则s′ab为极大值：
(1)s′ab>s′a,b-1，s′ab>s′a,b+1，并且满足s′ab-s′a,b-1>0.2或s′ab-s′a,b+1>0.2。
(2)s′ab-s′a,b-1>0.1，s′a,b-1-s′a,b-2>0.1，s′ab-s′a,b+1>0.1，s′a,b+1-s′a,b+2>0.1。
若s′ab满足以下两个条件之一，则s′ab为极小值：
(1)s′ab<s′a,b-1，s′ab<s′a,b+1，并且满足s′a,b-1-s′ab>0.2或s′a,b+1-s′ab>0.2。
(2)s′a,b-1-s′ab>0.1，s′a,b-2-s′a,b-1>0.1，s′a,b+1-s′ab>0.1，s′a,b+2-s′a,b+1>0.1。
进一步地，所述的二尺度小波包变换采用的小波函数为db4小波。
进一步地，所述的包装算法采用论文《Wrappers for Feature SubsetSelection》中的描述的wrapper算法框架。
本发明具有的有益效果是：
一、本发明利用三分量磁传感器采集车辆信号，并提取了磁传感器三个分量(x,y,z)的信号特征。
二、本发明在提取的磁传感器三分量磁场数据的特征中，引入了利用小波变换提取的时频特征，如小波分解系数的平均能量，近似熵等，完善了对信号的特征描述。完善对信号特征的完整描述能够提高分类模型的准确率。
三、本发明采用了混合式的特征选择算法，从提取的初始特征集中选取了具有不含冗余特征的、更强稳定性的特征子集。其中，混合式特征选择算法先通过ReliefF算法筛选与类标签相关性大的子集；再通过皮尔逊相关系数计算Relief F筛选过后的子集中的每个特征的两两相关性；而后引入了特征配对、特征配对数的概念，并通过统计特征配对数剔除了Relief F筛选过后的子集中的冗余特征。最后将不含冗余特征的子集用wrapper算法筛选出了最优的子集。
具体实施方式
以下对本发明作进一步说明。
一种基于地磁信号的车型识别方法的具体步骤如下：
步骤一、在车辆经过的地面下设置三分量磁场传感器。取m种不同车型的车辆(如卡车、轿车、摩托车等)，并进行排序。每个车型均对应W辆试验车辆。将1赋值给i和j。
步骤二、用第i种车型对应的第j辆试验车辆经过三分量磁场传感器的上方。三分量磁场传感器根据自身采样频率进行Nij次磁场采集，得到X方向磁场数据集S1、Y方向磁场数据集S2、Z方向磁场数据集S3。Nij的大小根据车型(车的长度)及试验车辆行驶的速度变化而变化。
其中，s1b为三分量磁场传感器在第b次采集中得到的磁场x轴方向分量，s2b为三分量磁场传感器在第b次采集中得到的磁场y轴方向分量，s3b为三分量磁场传感器在第b次采集中得到的磁场z轴方向分量，b＝1,2,…,Nij。
步骤三、对X方向磁场数据集S1、Y方向磁场数据集S2、Z方向磁场数据集S3内的元素分别进行归一化处理，得到X方向归一化数据集S′1、Y方向归一化数据集S′2、Z方向归一化数据集S′3。
其中，
a＝1,2,3，b＝1,2,…,Nij，|sa，max|为sa1、sa2…、
中最大值的绝对值，|sa，min|为sa1、sa2…、
中最小值的绝对值，max(|sa，max|,|sa，min|)等于|sa，max|、|sa，min|中较大的那个数。
步骤四、求取X方向归一化数据集S′1的均值
最大值s′1,max、最小值s′1,min、极差R1(最大值与最小值之差)、最大值的相对位置E1,max、最小值的相对位置E1,min、正负能量比PG1、极大值个数、极小值个数，Y方向归一化数据集S′2的均值
、最大值s′2，max、最小值s′2,min、极差R2(最大值与最小值之差)、最大值的相对位置E2,max、最小值的相对位置E2,min、正负能量比PG2、极大值个数、极小值个数，Z方向归一化数据集S′3的均值
最大值s′3,max、最小值s′3,min、极差R3(最大值与最小值之差)、最大值的相对位置E3,max、最小值的相对位置E3,min、正负能量比PG3、极大值个数、极小值个数。
若s′ab满足以下两个条件之一，则s′ab为极大值：
(1)s′ab>s′a,b-1，s′ab>s′a,b+1，并且满足s′ab-s′a,b-1>0.2或s′ab-s′a,b+1>0.2。
(2)s′ab-s′a,b-1>0.1，s′a,b-1-s′a,b-2>0.1，s′ab-s′a,b+1>0.1，s′a,b+1-s′a,b+2>0.1。
若s′ab满足以下两个条件之一，则s′ab为极小值：
(1)s′ab<s′a,b-1，s′ab<s′a,b+1，并且满足s′a,b-1-s′ab>0.2或s′a,b+1-s′ab>0.2。
(2)s′a,b-1-s′ab>0.1，s′a,b-2-s′a,b-1>0.1，s′a,b+1-s′ab>0.1，s′a,b+2-s′a,b+1>0.1。
计算X方向归一化数据集S′1、Y方向归一化数据集S′2、Z方向归一化数据集S′3的平均能量
步骤五、a＝1,2,3，依次执行步骤六。
步骤六、对归一化数据集S′a进行二尺度小波包变换(即两次小波包变换)，得到四个二尺度分解系数集。二尺度小波包变换采用的小波函数为db4小波。对四个二尺度分解系数集分别取平均值、最大值、近似熵。并求取所得的第一个二尺度分解系数集(即原始信号通过两次低通滤波器分解之后得到的近似系数)的平均能量
其中，da，l为此次得到的第一个二尺度分解系数集的第l个元素；Ma为此次得到的第一个二尺度分解系数集的元素个数。
步骤七、将步骤四、五、六所得的X方向归一化数据集S′1的均值、最大值、最小值、极差、最大值的相对位置、最小值的相对位置、正负能量比、极大值个数、极小值个数，Y方向归一化数据集S′2的均值、最大值、最小值、极差、最大值的相对位置、最小值的相对位置、正负能量比、极大值个数、极小值个数，Z方向归一化数据集S′3的均值、最大值、最小值、极差、最大值的相对位置、最小值的相对位置、正负能量比、极大值个数、极小值个数，X方向归一化数据集S′1对应的第一个二尺度分解系数集的平均能量、四个二尺度分解系数集的平均值、最大值、近似熵，Y方向归一化数据集S′2对应的第一个二尺度分解系数集的平均能量、四个二尺度分解系数集的平均值、最大值、近似熵，Z方向归一化数据集S′3对应的第一个二尺度分解系数集的平均能量、四个二尺度分解系数集的平均值、最大值、近似熵，依次排序作为对应第i个车型的第j辆试验车辆的64个特征值。进入步骤八。
步骤八、若j＜W，则将j增大1，并执行步骤二至七；若i＜m，且j＝W，则将i增大1，将1赋值给j增大1，并执行步骤二至七；若i＝m，且j＝W，则进入步骤九。
步骤九、建立初始特征数据集F如下：
其中，fk,i,j为第i个车型的第j辆试验车辆对应的第k个特征值，i＝1,2,…,m，j＝1,2,…,W，k＝1,2,…,64。初始特征数据集F内的64个二维数组与试验车辆的64个特征对应；初始特征数据集F内的第k个二维数组内均包含m·W辆试验车辆各自的第k个特征值。
步骤十、采用混合式的特征选择方法进行特征筛选，并得到分类模型。
10.1、采用ReliefF算法计算初始特征数据集F内64个二维数组的ReliefF权重(即求取试验车辆的64个特征各自的ReliefF权重，从而判断各个特征与类别的相关性)。将初始特征数据集F中ReliefF权重低于权重阈值Wt的二维数组删除，得到相对于初始特征数据集F较小的一级优化特征集合Fs；
其中，Wt＝0.1(参考值，可根据实际实验数据进行调整)。将1赋值给p，将2赋值给q。
10.2、计算一级优化特征集合Fs内第p个二维数组与第q个二维数组的皮尔逊相关系数(Pearson Correlation)
其中，
引入配对、配对数的概念。每个特征对应一个配对数，初始时特征的配对数均为0。每个二维数组(特征)对应一个配对数，初始时各二维数组的配对数均为0，设置阈值Wc。若COR(p,q)＞Wc，则称这两个二维数组(特征)配对，第p个二维数组及第q个二维数组的配对数均增大1，同时将配对数组(p,q)放入初始为空集的Pos数组；其中，Wc＝0.75(参考值，可根据实际实验数据进行调整)。Pos数组是有多个配对数组组成的二维数组。进入步骤10.3。
10.3、若q＜r，则将q增大1，并执行步骤10.2；若q＝r，且p＜r-1，则将p增大1后，将p+1赋值给q，并执行步骤10.2；若q＝r，且p＝r-1，则进入步骤10.4。r为一级优化特征集合Fs内二维数组的个数。
10.4、若Pos数组不是空数组(即Pos数组中存在配对数组)，则执行步骤10.5及10.6；否则，进入步骤10.7。
10.5、将Pos数组中重复次数最多的元素(即配对数最大的二维数组的配对数)作为初始目标序数。若仅存在一个初始目标序数，则将该初始目标序数作为最终目标序数ξ。若同时存在多个初始目标序数(各初始目标序数在Pos数组中的重复次数相同)，则将各初始目标序数对应的二维数组作为目标二维数组，取各目标二维数组中ReliefF权重(步骤10.1中计算得到)最小的那个目标二维数组对应的初始目标序数作为最终目标序数ξ。
10.6、将最终目标序数ξ对应的那个二维数组(一级优化特征集合Fs内的第ξ个二维数组)标记为无效数组，并将Pos数组中含有最终目标序数ξ的配对数组均删除。进入步骤10.4。
10.7、将一级优化特征集合Fs中所有被标记为无效数组的二维数组均删除，得到二级优化特征集合Fb。
10.8、用包装算法将对二级优化特征集合Fb进行筛选(删除二级优化特征集合Fb中的部分二维数组)，得到三级优化特征集合F'。包装算法采用论文《Wrappers for FeatureSubset Selection》中的描述的Wrapper算法框架；其中，Wrapper方法中使用C4.5算法作为分类器，并用5折交叉验证评估子集的分类精度(若精度估计的标准误差低于1％，则停止交叉验证，否则持续执行交叉验证至五次)。采用BestFirst搜索策略进行特征子集的搜索，搜索方向采用向后搜索。三级优化特征集合F'内二维数组的个数为v。三级优化特征集合F'内v个二维数组对应的特征作为目标特征(如目标特征为X方向归一化数据集S′1的均值、正负能量比、极大值个数，Y方向归一化数据集的极差，Z方向归一化数据集S′3的极小值个数，则步骤十一进行试验车辆识别时仅对该五个特征值进行计算)。
10.9、根据三级优化特征集合F'内的各个元素的大小及其对应的车型，通过C4.5算法获取三级优化特征集合F'内v个二维数组对应的特征的目标阈值。通过分别对比未知车型的被测车辆的v个目标特征值与v个目标阈值，能够确定未知车型的被测车辆的车型信息。
步骤十一、当被测车辆经过三分量磁场传感器的上方时，三分量磁场传感器根据自身采样频率进行N'次磁场采集，得到X方向被测数据集C1、Y方向被测数据集C2、Z方向被测数据集C3。
步骤十二、根据X方向被测数据集C1、Y方向被测数据集C2、Z方向被测数据集C3求取被测车辆的v个目标特征值。将被测车辆的v个目标特征值与v个目标阈值进行大小比较，进而确定被测车辆的车型。
Claims (2)
1.一种基于地磁信号的车型识别方法，其特征在于：步骤一、在地面下设置三分量磁场传感器；取m种不同车型的车辆；每个车型均对应W辆试验车辆；将1赋值给i和j；
步骤二、用第i种车型对应的第j辆试验车辆经过三分量磁场传感器的上方；三分量磁场传感器进行Nij次磁场采集，得到X方向磁场数据集S1、Y方向磁场数据集S2、Z方向磁场数据集S3；
其中，s1b为三分量磁场传感器在第b次采集中得到的磁场x轴方向分量，s2b为三分量磁场传感器在第b次采集中得到的磁场y轴方向分量，s3b为三分量磁场传感器在第b次采集中得到的磁场z轴方向分量，b＝1,2,…,Nij；
步骤三、对X方向磁场数据集S1、Y方向磁场数据集S2、Z方向磁场数据集S3内的元素分别进行归一化处理，得到X方向归一化数据集S′1、Y方向归一化数据集S′2、Z方向归一化数据集S′3；
其中，
a＝1,2,3，b＝1,2,…,Nij，|sa，max|为
中最大值的绝对值，|sa，min|为
中最小值的绝对值，max(|sa，max|,|sa，min|)等于|sa，max|、|sa，min|中较大的那个数；
步骤四、求取X方向归一化数据集S′1的均值
最大值s′1,max、最小值s′1,min、极差R1、最大值的相对位置E1,max、最小值的相对位置E1,min、正负能量比PG1、极大值个数、极小值个数，Y方向归一化数据集S′2的均值
最大值s′2，max、最小值s′2,min、极差R2、最大值的相对位置E2,max、最小值的相对位置E2,min、正负能量比PG2、极大值个数、极小值个数，Z方向归一化数据集S3′的均值
最大值s′3,max、最小值s′3,min、极差R3、最大值的相对位置E3,max、最小值的相对位置E3,min、正负能量比PG3、极大值个数、极小值个数；
计算X方向归一化数据集S′1、Y方向归一化数据集S′2、Z方向归一化数据集S′3的平均能量
步骤五、a＝1,2,3，依次执行步骤六；
步骤六、对归一化数据集S′a进行二尺度小波包变换，得到四个二尺度分解系数集；对四个二尺度分解系数集分别取平均值、最大值、近似熵；并求取所得的第一个二尺度分解系数集的平均能量
其中，da，l为第一个二尺度分解系数集的第l个元素；Ma为第一个二尺度分解系数集的元素个数；
步骤七、将步骤四、五、六所得的X方向归一化数据集S′1的均值、最大值、最小值、极差、最大值的相对位置、最小值的相对位置、正负能量比、极大值个数、极小值个数，Y方向归一化数据集S′2的均值、最大值、最小值、极差、最大值的相对位置、最小值的相对位置、正负能量比、极大值个数、极小值个数，Z方向归一化数据集S′3的均值、最大值、最小值、极差、最大值的相对位置、最小值的相对位置、正负能量比、极大值个数、极小值个数，X方向归一化数据集S′1对应的第一个二尺度分解系数集的平均能量、四个二尺度分解系数集的平均值、最大值、近似熵，Y方向归一化数据集S′2对应的第一个二尺度分解系数集的平均能量、四个二尺度分解系数集的平均值、最大值、近似熵，Z方向归一化数据集S′3对应的第一个二尺度分解系数集的平均能量、四个二尺度分解系数集的平均值、最大值、近似熵，依次排序作为对应第i个车型的第j辆试验车辆的64个特征值；进入步骤八；
步骤八、若j＜W，则将j增大1，并执行步骤二至七；若i＜m，且j＝W，则将i增大1，将1赋值给j增大1，并执行步骤二至七；若i＝m，且j＝W，则进入步骤九；
步骤九、建立初始特征数据集F如下：
其中，fk,i,j为第i个车型的第j辆试验车辆对应的第k个特征值，i＝1,2,…,m，j＝1,2,…,W，k＝1,2,…,64；
步骤十、采用混合式的特征选择方法进行特征筛选，并得到分类模型；
10.1、采用ReliefF算法计算初始特征数据集F内64个二维数组的ReliefF权重；将初始特征数据集F中ReliefF权重低于权重阈值Wt的二维数组删除，得到一级优化特征集合Fs；其中，0.05≤Wt≤0.15；将1赋值给p，将2赋值给q；
10.2、计算一级优化特征集合Fs内第p个二维数组与第q个二维数组的相关系数
其中，
若COR(p,q)＞Wc，则将配对数组(p,q)放入初始为空集的Pos数组；其中，0.7≤Wc≤0.8；进入步骤10.3；
10.3、若q＜r，则将q增大1，并执行步骤10.2；若q＝r，且p＜r-1，则将p增大1后，将p+1赋值给q，并执行步骤10.2；若q＝r，且p＝r-1，则进入步骤10.4；r为一级优化特征集合Fs内二维数组的个数；
10.4、若Pos数组不是空数组，则执行步骤10.5及10.6；否则，进入步骤10.7；
10.5、将Pos数组中重复次数最多的元素作为初始目标序数；若仅存在一个初始目标序数，则将该初始目标序数作为最终目标序数ξ；若同时存在多个初始目标序数，则将各初始目标序数对应的二维数组作为目标二维数组，取各目标二维数组中ReliefF权重最小的那个目标二维数组对应的初始目标序数作为最终目标序数ξ；
10.6、将最终目标序数ξ对应的那个二维数组标记为无效数组，并将Pos数组中含有最终目标序数ξ的配对数组均删除；进入步骤10.4；
10.7、将一级优化特征集合Fs中所有被标记为无效数组的二维数组均删除，得到二级优化特征集合Fb；
10.8、用包装算法将对二级优化特征集合Fb进行筛选，得到三级优化特征集合F'；三级优化特征集合F'内二维数组的个数为v；三级优化特征集合F'内v个二维数组对应的特征作为目标特征；
10.9、根据三级优化特征集合F'内的各个元素的大小及其对应的车型，通过C4.5算法获取三级优化特征集合F'内v个二维数组对应的特征的目标阈值；
步骤十一、当被测车辆经过三分量磁场传感器的上方时，三分量磁场传感器根据自身采样频率进行N'次磁场采集，得到X方向被测数据集C1、Y方向被测数据集C2、Z方向被测数据集C3；
步骤十二、根据X方向被测数据集C1、Y方向被测数据集C2、Z方向被测数据集C3求取被测车辆的v个目标特征值；将被测车辆的v个目标特征值与v个目标阈值进行大小比较，进而确定被测车辆的车型；
进一步地，步骤四中，磁场数据集的极大值、极小值的判定方法如下：
若s′ab满足以下两个条件之一，则s′ab为极大值：
(1)s′ab>s′a,b-1，s′ab>s′a,b+1，并且满足s′ab-s′a,b-1>0.2或s′ab-s′a,b+1>0.2；
(2)s′ab-s′a,b-1>0.1，s′a,b-1-s′a,b-2>0.1，s′ab-s′a,b+1>0.1，s′a,b+1-s′a,b+2>0.1；
若s′ab满足以下两个条件之一，则s′ab为极小值：
(1)s′ab<s′a,b-1，s′ab<s′a,b+1，并且满足s′a,b-1-s′ab>0.2或s′a,b+1-s′ab>0.2；
(2)s′a,b-1-s′ab>0.1，s′a,b-2-s′a,b-1>0.1，s′a,b+1-s′ab>0.1，s′a,b+2-s′a,b+1>0.1。
2.根据权利要求1所述的一种基于地磁信号的车型识别方法，其特征在于：所述的二尺度小波包变换采用的小波函数为db4小波。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811524795.0A CN109816992B (zh) | 2018-12-13 | 2018-12-13 | 一种基于地磁信号的车型识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811524795.0A CN109816992B (zh) | 2018-12-13 | 2018-12-13 | 一种基于地磁信号的车型识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109816992A CN109816992A (zh) | 2019-05-28 |
| CN109816992B true CN109816992B (zh) | 2020-08-18 |
Family
ID=66601620
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811524795.0A Active CN109816992B (zh) | 2018-12-13 | 2018-12-13 | 一种基于地磁信号的车型识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109816992B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101014244B1 (ko) * | 2010-07-28 | 2011-02-16 | 주식회사 제이캐스트 | 축거 및 축수 기반 차종 인식 시스템 |
| KR20120126739A (ko) * | 2011-05-12 | 2012-11-21 | 정철호 | 레이더가 형성된 센서노드 및 센서노드를 이용한 차량 검지방법 |
| CN106373407A (zh) * | 2016-11-22 | 2017-02-01 | 广西大学 | 一种基于地磁传感的车辆检测器 |
| CN106408947A (zh) * | 2016-08-29 | 2017-02-15 | 迈锐数据（北京）有限公司 | 车辆识别方法、装置及地埋式车辆检测器 |
| CN107730916A (zh) * | 2017-11-10 | 2018-02-23 | 杭州朗米科技有限公司 | 一种地磁停车位检测方法 |
| CN107886727A (zh) * | 2017-11-13 | 2018-04-06 | 深圳先进技术研究院 | 一种基于地磁传感器的汽车分类方法、系统及电子设备 |
| CN108961774A (zh) * | 2018-07-23 | 2018-12-07 | 广州运星科技有限公司 | 一种基于地磁线圈的交通数据采集设备、方法和系统 |
-
2018
- 2018-12-13 CN CN201811524795.0A patent/CN109816992B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101014244B1 (ko) * | 2010-07-28 | 2011-02-16 | 주식회사 제이캐스트 | 축거 및 축수 기반 차종 인식 시스템 |
| KR20120126739A (ko) * | 2011-05-12 | 2012-11-21 | 정철호 | 레이더가 형성된 센서노드 및 센서노드를 이용한 차량 검지방법 |
| CN106408947A (zh) * | 2016-08-29 | 2017-02-15 | 迈锐数据（北京）有限公司 | 车辆识别方法、装置及地埋式车辆检测器 |
| CN106373407A (zh) * | 2016-11-22 | 2017-02-01 | 广西大学 | 一种基于地磁传感的车辆检测器 |
| CN107730916A (zh) * | 2017-11-10 | 2018-02-23 | 杭州朗米科技有限公司 | 一种地磁停车位检测方法 |
| CN107886727A (zh) * | 2017-11-13 | 2018-04-06 | 深圳先进技术研究院 | 一种基于地磁传感器的汽车分类方法、系统及电子设备 |
| CN108961774A (zh) * | 2018-07-23 | 2018-12-07 | 广州运星科技有限公司 | 一种基于地磁线圈的交通数据采集设备、方法和系统 |
Non-Patent Citations (4)
| Title |
|---|
| Vehicle classification based on magnetic sensor signal;Saowaluck Kaewkamnerd Et al.;《The 2010 IEEE International Conference on Information and Automation》;20100731;第935-939页 * |
| Vehicle detection and classification by measuring and processing magnetic signal;Jinhui Lan Et al.;《Measurement》;20101025;第44卷(第1期);第174-180页 * |
| 基于地磁信息的车型识别技术的研究;李盼;《中国优秀硕士学位论文全文数据库信息科技辑》;20151015(第10期);I138-370 * |
| 基于地磁的车型识别模糊数据融合方法研究;王明哲等;《公路交通科技》;20080131;第25卷(第1期);第155-158页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109816992A (zh) | 2019-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
| CN105426842B (zh) | 基于支持向量机和表面肌电信号的多类手部动作识别方法 | |
| CN103955702B (zh) | 基于深度rbf网络的sar图像地物分类方法 | |
| CN110826630A (zh) | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 | |
| CN105718532B (zh) | 一种基于多深度网络结构的跨媒体排序方法 | |
| CN101833671A (zh) | 一种基于支持向量机的表面肌电信号多类别模式识别方法 | |
| CN106443379A (zh) | 变压器局部放电故障类型的识别方法和装置 | |
| CN109934269A (zh) | 一种电磁信号的开集识别方法和装置 | |
| CN102279358B (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
| CN103245907A (zh) | 一种模拟电路故障诊断方法 | |
| CN103440471B (zh) | 基于低秩表示的人体行为识别方法 | |
| CN110298085A (zh) | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 | |
| CN110047506B (zh) | 一种基于卷积神经网络和多核学习svm的关键音频检测方法 | |
| CN103310235B (zh) | 一种基于参数识别与估计的隐写分析方法 | |
| CN103558519A (zh) | 一种gis局部放电超声波信号识别方法 | |
| CN104849650A (zh) | 一种基于改进的模拟电路故障诊断方法 | |
| CN114564982A (zh) | 雷达信号调制类型的自动识别方法 | |
| CN111079283B (zh) | 对信息饱和度不均衡数据的处理方法 | |
| CN103440501A (zh) | 基于非参数空间判决隐狄利克雷模型的场景分类方法 | |
| CN112557826A (zh) | 一种船舶电力系统故障诊断方法 | |
| CN104091181A (zh) | 基于深度受限玻尔兹曼机的害虫图像自动识别方法及系统 | |
| CN114897023B (zh) | 一种基于水声目标敏感差异特征提取的水声目标辨识方法 | |
| CN105654122A (zh) | 基于核函数匹配的空间金字塔物体识别方法 | |
| CN115762533A (zh) | 一种鸟鸣声分类识别方法及装置 | |
| CN114237046B (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231228 Address after: 313000 east of floor 1, building 1, No. 926, Changhong East Street, KangQian street, Deqing County, Huzhou City, Zhejiang Province Patentee after: Deqing dark blue Environmental Technology Co.,Ltd. Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang Patentee before: HANGZHOU DIANZI University |
|
| TR01 | Transfer of patent right |