CN110097755A - 基于深度神经网络的高速公路交通流量状态识别方法 - Google Patents
基于深度神经网络的高速公路交通流量状态识别方法 Download PDFInfo
- Publication number
- CN110097755A CN110097755A CN201910353551.9A CN201910353551A CN110097755A CN 110097755 A CN110097755 A CN 110097755A CN 201910353551 A CN201910353551 A CN 201910353551A CN 110097755 A CN110097755 A CN 110097755A
- Authority
- CN
- China
- Prior art keywords
- dnn
- layer
- training
- traffic flow
- flow amount
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度神经网络的高速公路交通流量状态识别方法,涉及智能交通技术领域。该方法对交通流量状态进行分类并定义,对音频信号进行降噪处理和特征提取,使用DNN进行建模,得到对高速公路交通流量状态进行识别的DNN模型,并对DNN模型进行预训练;然后对DNN模型的参数进行调优;利用隐马尔可夫模型HMM对高速公路交通流量状态识别模型进行解码;最后用DNN模型对不同高速公路交通流量状态的音频信号的观测概率进行估计,根据计算出的概率给出高速公路交通流量状态的识别结果。本发明方法可以有效解决目前图像分析技术检测交通信息中存在的图像分析准确率欠佳、动态图像分析的计算量大等问题。
Description
技术领域
本发明属于智能交通技术领域,特别涉及一种基于深度神经网络的高速公路交通流量状态识别方法。
背景技术
交通信息在交通管理中发挥着重要作用,高速公路交通信息的检测不力是导致目前高速公路交通拥堵、事故频发的重要原因。目前获取交通信息的方式大多通过摄像机,摄像机存在着易受外部光线遮挡影响和图像分析的计算成本较高的不足。因此,如何实时获取交通状态信息、不易受外界环境干扰、降低智能交通的计算成本,实现交通信息检测的智能化、高效化、信息化,是目前智能交通系统研究中亟待解决的问题。
目前,随着信息技术的快速发展,交通信息的收集在交通情报管理中发挥着越来越重要的作用。公路数量不断增加,乘车出行的人数不断增加,运输系统面临的问题也越来越多。智能交通系统(ITS)作为交通系统的重大项目之一,在交通诱导、交通信号控制、公路管理、电子收费等领域发挥着重要作用。为了拥有一套运行稳定、性能良好的智能交通系统,最基本的是拥有完善的车流量检测和实时信息采集,它用于车辆识别和速度检测等。交通流量检测技术作为智能交通的重要组成部分,广泛应用于收费系统,交通统计等相关工作中。
任何现代交通管理系统的一个突出特点是实时数据采集和从传感器获取数据的在线处理,此类系统的信息可用于交通流量状态的估计上。到目前为止,有两种主要方法可用于交通测量:埋在路面下的感应环路检测器和道路上基于摄像机安装的视觉分析系统。感应回路探测器是可靠的,可达50年以上,但仍然是相当昂贵的和受约束的,因为它们需要土建和维护。由于基础设施的集成要求和视频处理的复杂性,摄像机价格昂贵。此外,由于遮挡物体,照明和天气条件,视觉数据处理系统可能会失败。
通过对高速公路的声音研究,可以从高速公路上获取各种类型的声音,例如车辆轮胎噪声、发动机噪音、喇叭声等,这些声音的累积可以用于监测高速公路的交通状况,有助于解决高高速公路交通流量状态的识别问题。在传统的视频图像识别方法中,存在一些不足:(1)摄像机易受外界环境影响。当外界环境发生变化时,特别是摄像头出现异物遮挡、视频盲区、自然天气的变化,背景环境的亮度会影响摄像机的性能,雨雪天气也会干扰摄像机的图像识别准确率,视频识别甚至可能被更恶劣的条件导致失效。(2)图像处理计算负荷大。摄像机进行现场图像数据采集,将采集的图像数据通过视频识别技术和数字技术进行分析,分析获得交通信息;然而,系统需要处理大量的图像数据,计算结果的稳定性和准确性仍需很大提高,因此对于计算机和进行图像处理的硬件性能有很高的需求,这也导致了昂贵的设备费用。
为了解决图像分析技术检测交通信息中存在的图像分析准确率欠佳、动态图像分析的计算量大的问题,基于高速公路交通的音频信号的研究,提出一种基于深度神经网络的高速公路交通流量状态识别方法。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种基于深度神经网络的高速公路交通流量状态识别方法,实现对高速公路交通流量状态进行识别。
为解决上述技术问题,本发明所采取的技术方案是:基于深度神经网络的高速公路交通流量状态识别方法,包括以下步骤:
步骤1:对交通流量状态进行分类并定义,对音频信号进行降噪处理和特征提取,使用DNN进行建模,得到对高速公路交通流量状态进行识别的DNN模型;
步骤1.1:对高速公路的交通流量状态进行分类并定义,将高速公路的交通流量状态分为五类:无车道路、快速道路、正常道路、繁忙道路、堵塞道路;其中,无车车道的速度为70Km/h及以上,快速车道的速度为60-70Km/h,正常车道的速度为40-60Km/h,繁忙车道的速度为20-40Km/h,堵塞车道的速度为0-20Km/h;
步骤1.2利用基于小波变化的音频降噪算法,去除背景干扰,增强高速公路交通的音频信号;
步骤1.3:利用基于经典模态分解加权的MFCC特征提取方法,对高速公路交通的音频信号用EMD分解代替,求得高速公路交通的音频信号MFCC的特征参数;
步骤1.4:由受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)叠加构成DNN模型,形成一种由下到上的区分性训练模型,采用有监督训练将各层间的误差由下到上传递;RBM结构包括可见层和隐藏层;可见层中包含随机节点,隐藏层中包含二值随机节点;
步骤1.4.1:将提取出的高速公路交通流量状态的音频信号特征参数作为DNN模型的输入数据,使用高斯模型对RBM结构可见层中的单元建模,隐藏层服从伯努利分布,能量函数如下公式所示:
其中,参数x、y、θ分别代表RBM结构中可见层数目、隐藏层数目、单个RBM的参数集合;参数集合θ包括参数ai,bj,wij,ai代表第i个可见层的偏移量,xi表示可见层向量,yj表示隐藏层向量,bj代表第j个隐藏层的偏移量,wij代表可见层i和隐藏层j的连接权重;
步骤1.4.2:在该DNN模型结构中,RBM的各层之间存在连接,而各层内部无连接,在已知可见层节点的前提下,隐藏层各个节点的状态间是相互独立的,在已知可见层各节点的前提下,隐藏层的第j个节点的激活概率计算如公式2所示;同理,在已知隐藏层各节点的前提下,可见层的第i个节点的激活概率计算如公式3所示;
步骤1.4.3:在RBM的训练过程中,计算训练集上最大化对数似然函数,得到RBM模型最优参数集θ′值,如下公式所示:
其中,N为训练集数目;
步骤1.4.4:采用对比散度算法(Contrastive Divergence,CD)对RBM结构进行估计,使用梯度下降算法进行RBM参数更新;
步骤1.4.4.1:使用训练集初始化RBM结构可见层节点状态,计算各隐藏层节点状态值;
步骤1.4.4.2:再用得到隐藏层节点的状态值反向推导出可见层节点状态,重构可见层节点;
步骤1.4.4.3:训练结束后,得到一层RBM网络结构,将其作为下一层RBM结构的输入,依旧使用对比散度算法迭代训练,得到隐藏层节点状态,以此类推搭建全部的RBM网络结构;
步骤2:对高速公路交通流量状态进行识别的DNN模型进行预训练;
步骤2.1:训练多层的RBM,进而实现对DNN的预训练;
步骤2.1.1:给出可见层向量,计算隐藏层节点的激活向量y,RBM的隐藏层向量又被作为训练数据训练另一层的RBM,因此从前一层的输出结果中提取特征得到下一层RBM的权值;
步骤2.1.2:RBM停止训练后,就获得与RBM相同层数的深度信念神经网络(DeepBelief Networks,DBN),每层RBM的权重系数对应为每层DBN的初始值,因此DBN网络中的参数在DBN初始化后进行调优;
步骤2.2:将每层DBN的权值作为以sigmoid函数为激活单元的DNN的初始权值,DNN结构中是有标签的,在DNN的预训练完成后,引入一层随机初始化的softmax作为输出层,通过反向传播算法进行DNN权值参数调整;
对于DNN模型中某一个隐藏层0<l<L,输入数据为上一层可见层的输出结果向量xl-1,隐藏层中各节点相互独立,条件概率的计算公式如公式5所示;其输出层对应的标签h的条件概率的计算公式如公式6所示;
P(yl|xl-1)=σ(xl-1·Wl+bl) (5)
P(h|xl-1)=soft max(xL-1·WL+bL) (6)
其中,bj代表第j个隐藏层的偏移量,Wl表示l层隐藏层与其对应可见层的连接权重;
步骤3:对高速公路交通流量状态识别模型的参数进行调优;
步骤3.1:训练得到DBN和初始权值后,采用反向传播算法进行DNN网络参数调优,在参数调优的过程中,每一帧被标记出所属类别;
步骤3.2:采用了交叉嫡目标函数进行网络参数调整,实现训练目标和假设类之间损失的最小化;
步骤3.2.1:对于观测向量为O={o1,o2,...,on},神经元的输出类别为q∈{1,...,C},C=NL为类别数目,即高速公路交通流量状态类别;观测变量o是类别i的概率为Pdnn(q|o),即输出层的第i个输出的值,输出向量xL通过softmax函数进行归一化处理得到,满足条件目属于多项概率分布,其计算方法如下公式所示:
步骤3.2.2:在确定观测向量O={o1,o2,...,on}后,DNN模型通过前向计算逐层计算得到网络结构的输出,具体由参数θ={Wl,bl|0<l<L}计算得出;在高速公路交通流量识别模型中,网络结构优化的目标函数计算如下公式所示,在对目标函数进行求导后,用反向传播算法调整DNN网络结构参数;
其中,W为可见层与隐藏层的连接权重,M为观测向量的特征参数,为观测序列O是类别i的先验概率,是由公式7计算得出的DNN的后验概率,vi是通过指示函数vi=I(c=i)计算得到,具体计算如下公式所示:
步骤3.3:基于随机数据选择的DNN训练算法,对每次训练使用的mini-batch和学习率进行调整,以减少训练集的总数据量;
基于随机数据选择的DNN训练算法设计三种不同的选择函数,根据选择函数在训练集中随机选择不同数量的训练数据作为训练子集;
所述3种选择函数如公式10、11、12所示:
T1(n)=t1 n∈[0,N],t1∈(0,1] (10)
在公式10、l1、12中,N为整个训练过程中的迭代总次数,Ti(k)表示选择函数i在第k次迭代时所选择的数据量,参数t1、t2、t3表示选择变量,c表示随机选择变量中的最小比例量;
步骤4:利用隐马尔可夫模型HMM对高速公路交通流量状态识别模型进行解码;
步骤4.1:基于DNN-HMM对高速公路交通流量状态识别模型进行训练;
步骤4.1.1:训练一个状态共享的GMM-HMM的高速公路交通流量状态识别模型,共享状态由决策树确定,训练后获得的模型设为gmm-hmm;
步骤4.1.2:使用gmm-hmm对隐马尔可夫模型进行初始化,设定λ=(A,B,N)的参数值,A为HMM的转移概率,B为HMM的观测概率,N为HMM的状态,获得基于DNN-HMM的的高速公路交通流量状态识别模型设为dnn-hmm1;
步骤4.1.3:对dnn-hmm1的深度神经网络进行预训练,训练后获得深度神经网络设为dnnpre;
步骤4.1.4:使用gmm-hmm对训练集进行排列出来,计算训练集数据对应的隐马可夫状态,获得数据设为H;其中需要用到一个稳定的GMM-HMM模型进行训练集数据排序,获得有标签的训练集数据;
步骤4.1.5:通过H对dnnpre的参数进行调整,采用反向传播算法,获得新的深度神经网络设为dnnnew;
步骤4.1.6:通过dnn-hmm1和dnnnew重新估计HMM中的转移概率和观测概率参数,采用最大似然相似算法,获得新的深度神经网络设为dnnsec;
步骤4.1.7:通过dnnnew和dnnsec对训练集数据重新排列,返回步骤4.1.5;直到4.1.6的结果精度不在提高则退出算法;在训练过程没有达到收敛时,继续使用DNN-HMM对训练集数据排序,深度神经网络进行迭代训练直至算法达到收敛;
步骤4.1.8:给出训练集数据,估计概率值p(st);
步骤4.2:进行基于DNN-HMM高速公路交通流量状态识别模型中的HMM解码;
计算在st状态下对应观测向量为ot的概率p(ot|st),通过公式13进行转化计算:
其中,o为观测向量s代表隐马尔可夫模型中不可观测的状态序列,p(s)=Ts/T代表由训练集得出的不同状态的先验概率,Ts代表状态标记为s的帧数值,T代表训练集的总帧数值;
步骤5:用DNN模型对不同高速公路交通流量状态的音频信号的观测概率进行估计,根据计算出的概率给出高速公路交通流量状态的识别结果。
采用上述技术方案所产生的有益效果在于:本发明提供的基于深度神经网络的高速公路交通流量状态识别方法,(1)构建基于音频信号的高速公路交通流量状态识别方法,探讨识别方法中的模型建立问题,对高速公路的交通流量状态进行分类:无人道路,快速道路,正常道路,繁忙道路,堵塞道路。对于交通流量小的情况,车辆倾向于中速到高速行驶。另一方面,对于交通流量大的拥挤道路,声音信号主要由发动机怠速噪音和喇叭声所控制。从模型预训练、模型参数调优、模型识别等进行分析,根据识别结果以及实际应用需求确定选用的模型与相关参数。(2)采用对比散度算法进行DNN预训练,提出基于随机数据选择的DNN训练算法,在反向传播算法调整模型参数时,减少了训练数据数量,缩短了训练时间;提出基于DNN-HMM的高速公路交通流量状态识别模型训练算法进行概率计算,获得识别结果。对比基于随机数据选择的DNN训练算法中不同选择函数的模型识别性能,可确定深度神经网络结构参数优化调节过程中的学习率和衰减因子值;构建不同高速公路流量状态下的DNN-HMM模型,进行基于DNN-HMM的高速公路交通流量状态识别模型的验证。(3)基于音频处理,可以有效解决目前图像分析技术检测交通信息中存在的图像分析准确率欠佳、动态图像分析的计算量大等问题。
附图说明
图1为本发明实施例提供的基于深度神经网络的高速公路交通流量状态识别方法的流程图;
图2为本发明实施例提供的三种不同选择函数在不同数据利用率下性能变化对比图;
图3为本发明实施例提供的在不同初始学习率下,随机数据选择策略(T3)性能变化对比图,其中,(a)为不同的学习率初始值下,随机数据选择策略(T3)性能变化,(b)为学习率为1.5,不同衰减因子下,随机数据选择策略(T3)性能变化;
图4为本发明实施例提供的基于DNN-HMM的高速公路交通流量状态识别模型的准确率曲线图;
图5为本发明实施例提供的基于支持向量机的高速公路交通流量状态的识别率曲线图。
具体实施方式
本实施例中,基于深度神经网络的高速公路交通流量状态识别方法,如图1所示,包括以下步骤:
步骤1:对交通流量状态进行分类并定义,对音频信号进行降噪处理和特征提取,使用DNN进行建模,得到对高速公路交通流量状态进行识别的DNN模型;
步骤1.1:对高速公路的交通流量状态进行分类并定义,将高速公路的交通流量状态分为五类:无车道路、快速道路、正常道路、繁忙道路、堵塞道路;其中,无车车道的速度为70Km/h及以上,快速车道的速度为60-70Km/h,正常车道的速度为40-60Km/h,繁忙车道的速度为20-40Km/h,堵塞车道的速度为0-20Km/h;
步骤1.2利用基于小波变化的音频降噪算法,去除背景干扰,增强高速公路交通的音频信号;
步骤1.3:利用基于经典模态分解加权的MFCC特征提取方法,对高速公路交通的音频信号用EMD分解代替,求得高速公路交通的音频信号MFCC的特征参数;
步骤1.4:由受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)叠加构成DNN模型,形成一种由下到上的区分性训练模型,采用有监督训练将各层间的误差由下到上传递;RBM结构包括可见层和隐藏层;可见层中包含随机节点,隐藏层中包含二值随机节点;
步骤1.4.1:将提取出的高速公路交通流量状态的音频信号特征参数作为DNN模型的输入数据,使用高斯模型对RBM结构可见层中的单元建模,隐藏层服从伯努利分布,能量函数如下公式所示:
其中,参数x、y、θ分别代表RBM结构中可见层数目、隐藏层数目、单个RBM的参数集合;参数集合θ包括参数ai,bj,wij,ai代表第i个可见层的偏移量,xi表示可见层向量,yj表示隐藏层向量,bj代表第j个隐藏层的偏移量,wij代表可见层i和隐藏层j的连接权重;
步骤1.4.2:在该DNN模型结构中,RBM的各层之间存在连接,而各层内部无连接,在已知可见层节点的前提下,隐藏层各个节点的状态间是相互独立的,在已知可见层各节点的前提下,隐藏层的第j个节点的激活概率计算如公式2所示;同理,在已知隐藏层各节点的前提下,可见层的第i个节点的激活概率计算如公式3所示;
步骤1.4.3:在RBM的训练过程中,计算训练集上最大化对数似然函数,得到RBM模型最优参数集θ′值,如下公式所示:
其中,N为训练集数目;
步骤1.4.4:采用对比散度算法(Contrastive Divergence,CD)对RBM结构进行估计,使用梯度下降算法进行RBM参数更新;
步骤1.4.4.1:使用训练集初始化RBM结构可见层节点状态,计算各隐藏层节点状态值;
步骤1.4.4.2:再用得到隐藏层节点的状态值反向推导出可见层节点状态,重构可见层节点;
步骤1.4.4.3:训练结束后,得到一层RBM网络结构,将其作为下一层RBM结构的输入,依旧使用对比散度算法迭代训练,得到隐藏层节点状态,以此类推搭建全部的RBM网络结构;
步骤2:对高速公路交通流量状态进行识别的DNN模型进行预训练;
步骤2.1:训练多层的RBM,进而实现对DNN的预训练;
步骤2.1.1:给出可见层向量,计算隐藏层节点的激活向量y,RBM的隐藏层向量又被作为训练数据训练另一层的RBM,因此从前一层的输出结果中提取特征得到下一层RBM的权值;
步骤2.1.2:RBM停止训练后,就获得与RBM相同层数的深度信念神经网络(DeepBelief Networks,DBN),每层RBM的权重系数对应为每层DBN的初始值,因此DBN网络中的参数在DBN初始化后进行调优;
步骤2.2:将每层DBN的权值作为以sigmoid函数为激活单元的DNN的初始权值,DNN结构中是有标签的,在DNN的预训练完成后,引入一层随机初始化的softmax作为输出层,通过反向传播算法进行DNN权值参数调整;
对于DNN模型中某一个隐藏层0<l<L,输入数据为上一层可见层的输出结果向量xl-1,隐藏层中各节点相互独立,条件概率的计算公式如公式5所示;其输出层对应的标签h的条件概率的计算公式如公式6所示;
P(yl|xl-1)=σ(xl-1·Wl+bl) (5)
P(h|xl-1)=soft max(xL-1·WL+bL) (6)
其中,bj代表第j个隐藏层的偏移量,Wl表示l层隐藏层与其对应可见层的连接权重;
步骤3:对高速公路交通流量状态识别模型的参数进行调优;
步骤3.1:训练得到DBN和初始权值后,采用反向传播算法进行DNN网络参数调优,在参数调优的过程中,每一帧被标记出所属类别;
步骤3.2:采用了交叉嫡目标函数进行网络参数调整,实现训练目标和假设类之间损失的最小化;
步骤3.2.1:对于观测向量为O={o1,o2,...,on},神经元的输出类别为q∈{1,...,C},C=NL为类别数目,即高速公路交通流量状态类别;观测变量o是类别i的概率为Pdnn(q|o),即输出层的第i个输出的值,输出向量xL通过softmax函数进行归一化处理得到,满足条件且属于多项概率分布,其计算方法如下公式所示:
步骤3.2.2:在确定观测向量O={o1,o2,...,on}后,DNN模型通过前向计算逐层计算得到网络结构的输出,具体由参数θ={Wl,bl|0<l<L}计算得出;在高速公路交通流量识别模型中,网络结构优化的目标函数计算如下公式所示,在对目标函数进行求导后,用反向传播算法调整DNN网络结构参数;
其中,W为可见层与隐藏层的连接权重,M为观测向量的特征参数,为观测序列是类别i的先验概率,是由公式7计算得出的DNN的后验概率,vi是通过指示函数vi=I(c=i)计算得到,具体计算如下公式所示:
步骤3.3:基于随机数据选择的DNN训练算法,对每次训练使用的mini-batch和学习率进行调整,以减少训练集的总数据量;
基于随机数据选择的DNN训练算法设计三种不同的选择函数,根据选择函数在训练集中随机选择不同数量的训练数据作为训练子集;
所述3种选择函数如公式10、11、12所示:
T1(n)=t1 n∈[0,N],t1∈(0,1] (10)
在公式10、11、12中,N为整个训练过程中的迭代总次数,Ti(k)表示选择函数i在第k次迭代时所选择的数据量,参数t1、t2、t3表示选择变量,c表示随机选择变量中的最小比例量;
步骤4:利用隐马尔可夫模型HMM对高速公路交通流量状态识别模型进行解码;
步骤4.1:基于DNN-HMM对高速公路交通流量状态识别模型进行训练;
步骤4.1.1:训练一个状态共享的GMM-HMM的高速公路交通流量状态识别模型,共享状态由决策树确定,训练后获得的模型设为gmm-hmm;
步骤4.1.2:使用gmm-hmm对隐马尔可夫模型进行初始化,设定λ=(A,B,N)的参数值,A为HMM的转移概率,B为HMM的观测概率,N为HMM的状态,获得基于DNN-HMM的的高速公路交通流量状态识别模型设为dnn-hmm1;
步骤4.1.3:对dnn-hmm1的深度神经网络进行预训练,训练后获得深度神经网络设为dnnpre;
步骤4.1.4:使用gmm-hmm对训练集进行排列出来,计算训练集数据对应的隐马可夫状态,获得数据设为H;其中需要用到一个稳定的GMM-HMM模型进行训练集数据排序,获得有标签的训练集数据;
步骤4.1.5:通过H对dnnpre的参数进行调整,采用反向传播算法,获得新的深度神经网络设为dnnnew;
步骤4.1.6:通过dnn-hmm1和dnnnew重新估计HMM中的转移概率和观测概率参数,采用最大似然相似算法,获得新的深度神经网络设为dnnsec;
步骤4.1.7:通过dnnnew和dnnsec对训练集数据重新排列,返回步骤4.1.5;直到4.1.6的结果精度不在提高则退出算法;在训练过程没有达到收敛时,继续使用DNN-HMM对训练集数据排序,深度神经网络进行迭代训练直至算法达到收敛;
步骤4.1.8:给出训练集数据,估计概率值p(st);
步骤4.2:进行基于DNN-HMM高速公路交通流量状态识别模型中的HMM解码;
步骤4.2.1:计算在st状态下对应观测向量为ot的概率p(ot|st),通过公式13进行转化计算:
其中,o为观测向量,s代表隐马尔可夫模型中不可观测的状态序列,p(s)=Ts/T代表由训练集得出的不同状态的先验概率,Ts代表状态标记为s的帧数值,T代表训练集的总帧数值;
步骤5:用DNN模型对不同高速公路交通流量状态的音频信号的观测概率进行估计,根据计算出的概率给出高速公路交通流量状态的识别结果。
本实例使用MATLAB软件进行实验仿真,软件运行在HPZ820工作站上,工作站的性能详细参数如表1所示,编程仿真软件为MATLAB2012版本。实验的音频数据是室外道路实况录制,采集环境为正常天气,不包含雨雪天气,采集时间段为08:00到19:00之间,这些音频数据涵盖了无车道路、快速道路、正常道路、繁忙道路、堵塞道路5种交通流量状态,数据标签主要通过人工进行标注交通流量状态。所有的音频数据都先通过音频编辑软件CoolEdit Pro2.0统一转换为采样率为48KHz单声道的wav格式的音频。所有的音频数据分为两个集合,一个为训练集,另一个为测试集;训练集数据进行模型参数的训练,测试集数据进行分类识别。训练集数据共有400个样本,无车道路、快速道路、正常道路、繁忙道路、堵塞道路的音频数据样本个数均为80个;测试集数据共有200个样本,无车道路、快速道路、正常道路、繁忙道路、堵塞道路的音频数据样本个数均为40个。
表1 HPZ820服务器性能参数表
性能指标 | 性能参数 |
CPU类型 | 四核至强E5-2603 |
CPU主频 | 1.8GHz |
|CPU线程数 | 24线程 |
内存类型 | DDR3-1333 ECC |
内存容量 | 8GB |
硬盘类型 | 15000转SAS硬盘 |
硬盘容量 | 300GB |
带宽 | 1000Mbps |
本实施例中,输入一段类型已知的高速公路交通流量状态的音频数据,进行降噪处理,然后提取其特征向量,构造高速公路交通流量状态的音频信号特征向量集,并将其输入到训练好的基于深度神经网络的高速公路交通流量状态识别模型中。识别模型给出待识别的音频数据的识别结果,并且参考已知的类别信息,确定识别模型的识别结果是否正确,并记录结果;最后,统计识别结果的准确度,识别准确度由识别精度测量,识别精度计算如下如公式所示:
其中,P代表分类精度,C代表分类结果正确的样本数,S代表总的样本数。
在本发明中,基于随机数据选择的DNN训练算法通过选择函数确定训练数据的使用率,在不同的数据使用率情况下,三种不同选择函数对应的识别错误率如图2所示,从图中分析得出,当数据使用率低于77%时,T1选择函数使识别性能有很大幅度的下降;T2选择函数也使识别性能下降,但要优于T1选择函数;当数据使用率为56%时,T3选择函数的错误率最低为25.3%,模型识别性能达到最佳,T3选择函数被用于后面的实验中。
在基于深度神经网络的高速公路交通流量状态识别模型的训练过程中,DNN的训练过程不仅每次迭代要经过整个训练数据集,还要不断改变学习率,因此,适当调整学习率对整个训练过程是重要的,合适的学习率调整策略能使模型更快达到收敛。反向传播的训练过程中不同迭代层数的学习率γ通过下公式计算得到。
在此公式中,n为迭代层数,K为总的迭代次数,M为学习率的初始值,l为训练集正确率增加低于预先设定的阈值时的层数值,τ为衰减因子。
下面进行学习率对随机数据选择的影响。选择函数为T3时,不同初始学习率和衰减因子下随机数据选择的性能对比如图3所示。分析图3可知更大的初始学习率以及衰减因子,性能提高相对较小。因为在每层迭代中用到了不同的训练数据,用到的训练数据少于整体的训练数据。为保证整体性能,本实验选择M=1.5和τ=0.7用于后面实验。
本实验使用基于小波变换的高速公路多音频信号降噪算法进行降噪处理,然后使用基于经典模态分解加权的MFCC特征提取算法进行特征参数提取,将13维的MFCC参数、一阶差分参数和二阶差分参数结合形成特征向量,作为基于DNN-HMM的高速公路交通流量状态识别模型的输入参数,神经网络的结构中,输入层数量为1,输入层节点数量为429(39*11=429)个,隐藏数设置为3,每个隐藏层节点数量为1024各个节点,输出层数量为1。
针对不同高速公路交通流量状态的音频信号特征,共选取400个训练样本数据,每种高速公路交通流量状态的音频数据有80个,分别来进行DNN-HMM模型库建立。采用对比散度算法进行DNN的构建,通过反向传播算法进行DNN模型的预训练,并提出基于随机数据选择的DNN训练算法,优化反向传播算法训练DNN模型的参数,减少训练样本数量,缩短迭代时间;对DNN模型进行HMM解码计算,求出观测序列概率值,获得识别结果。
采用200个测试数据用于基于深度神经网络的高速公路交通流量状态识别模型的性能测试,每种交通流量状态音频数据有40个。本实施例中,基于DNN-HMM的高速公路交通流量状态识别准确率结果如图4所示,从图4可知,繁忙道路的识别率偏低一些,因为繁忙道路的音频信号即包含了正常道路的音频信号,也包含了拥堵道路的音频信号;而无车车道和拥堵车道识别准确率偏高一些,主要由于这两种交通流量音频信号的特点更加鲜明。
实验结果表明,本发明提出的方法在识别准确性上表现很好,因此,基于深度神经网络的高速公路交通流量状态识别方法是可行的、有效的。
在目前的交通流量状态的识别研究中,支持向量机是应用较广的一种分类器模型。为研究发明提出的基于深度神经网络的高速公路大型车辆识别方法的优越性,将本发明的基于DNN-HMM的高速公路交通流量状态识别模型与支持向量机模型进行对比实验并分析实验结果。其中,支持向量机的核和核函数如表2所示,分别使用不同核函数的支持向量机模型进行实验,确定支持向量机模型。通过高速公路交通流量状态音频信号训练集数据分别对不同核函数的支持向量机模型进行训练,获得训练好的模型使用测试集数据进行性能验证。
表2支持向量机的核和核函数
针对5种高速公路交通流量状态的音频信号进行分帧加窗和MFCC特征参数的提取,将提取出的5种高速公路交通流量状态的音频信号的特征向量作为支持向量机的输入分别进行训练,得到高速公路交通流量状态的支持向量机模型。接下来进行支持向量机模型性能验证,分别进行了不同核函数的支持向量机模型的性能实验,采用200个测试数据用于支持向量机模型性能测试,测试结果如图5所示。
本发明的基于DNN-HMM的高速公路交通流量状态识别模型和不同核函数的支持向量机的模型的性能信息进行汇总,汇总信息如表3所示。通过对表3内容分析可知,各个模型对于繁忙道路的识别准确率均偏低一些,因为繁忙道路的音频信号即包含了正常道路的音频信号,也包含了拥堵道路的音频信号;对比分析不同核函数的支持向量机模型的综合识别率,核函数为多项式的支持向量机的性能效果最佳,其综合识别率为80.93%;而本发明的基于DNN-HMM的高速公路交通流量状态识别模型的综合识别率为81.058%,对比本文模型的综合识别率与核函数为多项式的支持向量机的性能结果,本发明的模型效果更佳。
表3不同方法的高速公路交通流量状态的识别率
模型 | 无车 | 快速 | 正常 | 繁忙 | 拥堵 | 综合识别率 |
线性-SVM | 81.76 | 81.03 | 79.4 | 78.5 | 82.9 | 80.72 |
二次方-SVM | 78.63 | 82.6 | 81.3 | 79.5 | 80.1 | 80.43 |
多项式-SVM | 81.54 | 80.23 | 81.96 | 79.93 | 81.01 | 80.93 |
RBF-SVM | 80.7 | 81.6 | 78.4 | 79.5 | 83 | 80.64 |
MPL-SVM | 81.86 | 79.5 | 78.34 | 78.98 | 82.9 | 80.32 |
DNN-HMM | 82.1 | 81.37 | 79.74 | 78.84 | 83.24 | 81.058 |
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (8)
1.一种基于深度神经网络的高速公路交通流量状态识别方法,其特征在于:包括以下步骤:
步骤1:对交通流量状态进行分类并定义,对音频信号进行降噪处理和特征提取,使用DNN进行建模,得到对高速公路交通流量状态进行识别的DNN模型;
步骤1.1:对高速公路的交通流量状态进行分类并定义,将高速公路的交通流量状态分为五类:无车道路、快速道路、正常道路、繁忙道路、堵塞道路;其中,无车车道的速度为70Km/h及以上,快速车道的速度为60-70Km/h,正常车道的速度为40-60Km/h,繁忙车道的速度为20-40Km/h,堵塞车道的速度为0-20Km/h;
步骤1.2利用基于小波变化的音频降噪算法,去除背景干扰,增强高速公路交通的音频信号;
步骤1.3:利用基于经典模态分解加权的MFCC特征提取方法,对高速公路交通的音频信号用EMD分解代替,求得高速公路交通的音频信号MFCC的特征参数;
步骤1.4:由受限玻尔兹曼机RBM叠加构成DNN模型,形成一种由下到上的区分性训练模型,采用有监督训练将各层间的误差由下到上传递;RBM结构包括可见层和隐藏层;可见层中包含随机节点,隐藏层中包含二值随机节点;
步骤2:对高速公路交通流量状态进行识别的DNN模型进行预训练;
步骤2.1:训练多层的RBM,进而实现对DNN的预训练;
步骤2.2:将每层DBN的权值作为以sigmoid函数为激活单元的DNN的初始权值,DNN结构中是有标签的,在DNN的预训练完成后,引入一层随机初始化的softmax作为输出层,通过反向传播算法进行DNN权值参数调整;
步骤3:对高速公路交通流量状态识别模型的参数进行调优;
步骤3.1:训练得到DBN和初始权值后,采用反向传播算法进行DNN网络参数调优,在参数调优的过程中,每一帧被标记出所属类别;
步骤3.2:采用了交叉嫡目标函数进行网络参数调整,实现训练目标和假设类之间损失的最小化;
步骤3.3:基于随机数据选择的DNN训练算法,对每次训练使用的mini-batch和学习率进行调整,以减少训练集的总数据量;
步骤4:利用隐马尔可夫模型HMM对高速公路交通流量状态识别模型进行解码;
步骤4.1:基于DNN-HMM对高速公路交通流量状态识别模型进行训练;
步骤4.2:进行基于DNN-HMM高速公路交通流量状态识别模型中的HMM解码;
步骤5:用DNN模型对不同高速公路交通流量状态的音频信号的观测概率进行估计,根据计算出的概率给出高速公路交通流量状态的识别结果。
2.根据权利要求1所述的基于深度神经网络的高速公路交通流量状态识别方法,其特征在于:所述步骤1.4的具体方法为:
步骤1.4.1:将提取出的高速公路交通流量状态的音频信号特征参数作为DNN模型的输入数据,使用高斯模型对RBM结构可见层中的单元建模,隐藏层服从伯努利分布,能量函数如下公式所示:
其中,参数x、y、θ分别代表RBM结构中可见层数目、隐藏层数目、单个RBM的参数集合;参数集合θ包括参数ai,bj,wij,ai代表第i个可见层的偏移量,xi表示可见层向量,yj表示隐藏层向量,bj代表第j个隐藏层的偏移量,wii代表可见层i和隐藏层j的连接权重;
步骤1.4.2:在该DNN模型结构中,RBM的各层之间存在连接,而各层内部无连接,在已知可见层节点的前提下,隐藏层各个节点的状态间是相互独立的,在已知可见层各节点的前提下,隐藏层的第j个节点的激活概率计算如公式2所示;同理,在已知隐藏层各节点的前提下,可见层的第i个节点的激活概率计算如公式3所示;
步骤1.4.3:在RBM的训练过程中,计算训练集上最大化对数似然函数,得到RBM模型最优参数集θ′值,如下公式所示:
其中,N为训练集数目;
步骤1.4.4:采用对比散度算法对RBM结构进行估计,使用梯度下降算法进行RBM参数更新;
步骤1.4.4.1:使用训练集初始化RBM结构可见层节点状态,计算各隐藏层节点状态值;
步骤1.4.4.2:再用得到隐藏层节点的状态值反向推导出可见层节点状态,重构可见层节点;
步骤1.4.4.3:训练结束后,得到一层RBM网络结构,将其作为下一层RBM结构的输入,依旧使用对比散度算法迭代训练,得到隐藏层节点状态,以此类推搭建全部的RBM网络结构。
3.根据权利要求2所述的基于深度神经网络的高速公路交通流量状态识别方法,其特征在于:所述步骤2.1的具体方法为:
步骤2.1.1:给出可见层向量,计算隐藏层节点的激活向量y,RBM的隐藏层向量又被作为训练数据训练另一层的RBM,因此从前一层的输出结果中提取特征得到下一层RBM的权值;
步骤2.1.2:RBM停止训练后,就获得与RBM相同层数的深度信念神经网络DBN,每层RBM的权重系数对应为每层DBN的初始值,因此DBN网络中的参数在DBN初始化后进行调优。
4.根据权利要求3所述的基于深度神经网络的高速公路交通流量状态识别方法,其特征在于:所述步骤2.2的具体方法为:
对于DNN模型中某一个隐藏层0<l<L,输入数据为上一层可见层的输出结果向量xl-1,隐藏层中各节点相互独立,条件概率的计算公式如公式5所示;其输出层对应的标签h的条件概率的计算公式如公式6所示;
P(yl|xl-1)=σ(xl-1·Wl+bl) (5)
P(h|xl-1)=soft max(xL-1·WL+bL) (6)
其中,bj代表第j个隐藏层的偏移量,Wl表示l层隐藏层与其对应可见层的连接权重。
5.根据权利要求4所述的基于深度神经网络的高速公路交通流量状态识别方法,其特征在于:所述步骤3.2的具体方法为:
步骤3.2.1:对于观测向量为o={o1,o2,...,on},神经元的输出类别为q∈{1,...,C},C=NL为类别数目,即高速公路交通流量状态类别;观测变量o是类别i的概率为Pdnn(q|o),即输出层的第i个输出的值,输出向量xL通过softmax函数进行归一化处理得到,满足条件且属于多项概率分布,其计算方法如下公式所示:
步骤3.2.2:在确定观测向量O={o1,o2,...,on}后,DNN模型通过前向计算逐层计算得到网络结构的输出,具体由参数θ={Wl,bl|0<l<L}计算得出;在高速公路交通流量识别模型中,网络结构优化的目标函数计算如下公式所示,在对目标函数进行求导后,用反向传播算法调整DNN网络结构参数;
其中,W为可见层与隐藏层的连接权重,M为观测向量的特征参数,为观测序列O是类别i的先验概率,是由公式7计算得出的DNN的后验概率,vi是通过指示函数vi=I(c=i)计算得到,具体计算如下公式所示:
6.根据权利要求5所述的基于深度神经网络的高速公路交通流量状态识别方法,其特征在于:步骤3.3所述基于随机数据选择的DNN训练算法设计三种不同的选择函数,根据选择函数在训练集中随机选择不同数量的训练数据作为训练子集;
所述3种选择函数如公式10、11、12所示:
T1(n)=t1 n∈[0,N],t1∈(0,1] (10)
在公式10、11、12中,N为整个训练过程中的迭代总次数,Ti(k)表示选择函数i在第k次迭代时所选择的数据量,参数t1、t2、t3表示选择变量,c表示随机选择变量中的最小比例量。
7.根据权利要求6所述的基于深度神经网络的高速公路交通流量状态识别方法,其特征在于:所述步骤4.1的具体方法为:
步骤4.1.1:训练一个状态共享的GMM-HMM的高速公路交通流量状态识别模型,共享状态由决策树确定,训练后获得的模型设为gmm-hmm;
步骤4.1.2:使用gmm-hmm对隐马尔可夫模型进行初始化,设定λ=(A,B,N)的参数值,A为HMM的转移概率,B为HMM的观测概率,N为HMM的状态,获得基于DNN-HMM的的高速公路交通流量状态识别模型设为dnn-hmm1;
步骤4.1.3:对dnn-hmm1的深度神经网络进行预训练,训练后获得深度神经网络设为dnnpre;
步骤4.1.4:使用gmm-hmm对训练集进行排列出来,计算训练集数据对应的隐马可夫状态,获得数据设为H;其中需要用到一个稳定的GMM-HMM模型进行训练集数据排序,获得有标签的训练集数据;
步骤4.1.5:通过H对dnnpre的参数进行调整,采用反向传播算法,获得新的深度神经网络设为dnnnew;
步骤4.1.6:通过dnn-hmm1和dnnnew重新估计HMM中的转移概率和观测概率参数,采用最大似然相似算法,获得新的深度神经网络设为dnnsec;
步骤4.1.7:通过dnnnew和dnnsec对训练集数据重新排列,返回步骤4.1.5;直到4.1.6的结果精度不在提高则退出算法;在训练过程没有达到收敛时,继续使用DNN-HMM对训练集数据排序,深度神经网络进行迭代训练直至算法达到收敛;
步骤4.1.8:给出训练集数据,估计概率值p(st)。
8.根据权利要求7所述的基于深度神经网络的高速公路交通流量状态识别方法,其特征在于:所述4.2的具体方法为:计算在st状态下对应观测向量为ot的概率p(ot|st),通过公式13进行转化计算:
其中,o为观测向量s代表隐马尔可夫模型中不可观测的状态序列,p(s)=Ts/T代表由训练集得出的不同状态的先验概率,Ts代表状态标记为s的帧数值,T代表训练集的总帧数值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910353551.9A CN110097755B (zh) | 2019-04-29 | 2019-04-29 | 基于深度神经网络的高速公路交通流量状态识别方法 |
PCT/CN2019/090874 WO2020220439A1 (zh) | 2019-04-29 | 2019-06-12 | 基于深度神经网络的高速公路交通流量状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910353551.9A CN110097755B (zh) | 2019-04-29 | 2019-04-29 | 基于深度神经网络的高速公路交通流量状态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110097755A true CN110097755A (zh) | 2019-08-06 |
CN110097755B CN110097755B (zh) | 2021-08-17 |
Family
ID=67446214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910353551.9A Active CN110097755B (zh) | 2019-04-29 | 2019-04-29 | 基于深度神经网络的高速公路交通流量状态识别方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110097755B (zh) |
WO (1) | WO2020220439A1 (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111044285A (zh) * | 2019-11-22 | 2020-04-21 | 军事科学院系统工程研究院军用标准研究中心 | 一种复杂情况下机械设备故障诊断方法 |
CN111179596A (zh) * | 2020-01-06 | 2020-05-19 | 南京邮电大学 | 基于组归一化和网格化协同的交通流预测方法 |
CN111428580A (zh) * | 2020-03-04 | 2020-07-17 | 威海北洋电气集团股份有限公司 | 基于深度学习的个体信号识别算法及系统 |
CN111554089A (zh) * | 2020-04-13 | 2020-08-18 | 广东省智能制造研究所 | 一种基于深度学习的交通状态预测方法及装置 |
CN111800421A (zh) * | 2020-07-06 | 2020-10-20 | 东北大学 | 一种基于隐马尔科夫模型的车联网入侵检测系统 |
CN111950583A (zh) * | 2020-06-05 | 2020-11-17 | 杭州电子科技大学 | 一种基于gmm聚类的多尺度识别交通信号标志的方法 |
CN112750298A (zh) * | 2020-12-17 | 2021-05-04 | 梁宏斌 | 一种基于smdp和drl的货车编队动态资源分配方法 |
CN113177536A (zh) * | 2021-06-28 | 2021-07-27 | 四川九通智路科技有限公司 | 基于深度残差收缩网络的车辆碰撞检测方法及装置 |
CN113192322A (zh) * | 2021-03-19 | 2021-07-30 | 东北大学 | 一种基于云边协同的高速公路交通流量计数方法 |
CN113380026A (zh) * | 2021-05-28 | 2021-09-10 | 南京理工大学 | 基于hmm的高速路交通量预测方法 |
CN115360719A (zh) * | 2022-08-30 | 2022-11-18 | 东北大学秦皇岛分校 | 基于plnn的电力系统短期电压稳定性评估方法 |
CN115512172A (zh) * | 2022-09-30 | 2022-12-23 | 赵营鸽 | 一种用于电阻抗成像技术中多维参数的不确定性量化方法 |
CN116721551A (zh) * | 2023-05-04 | 2023-09-08 | 东南大学 | 基于号牌识别数据的车道级到达曲线历史和实时重构方法 |
CN117648570A (zh) * | 2024-01-30 | 2024-03-05 | 吉林大学 | 一种基于人工智能的心电监测与数据分析系统 |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507624B (zh) * | 2020-12-15 | 2023-11-10 | 交通运输部公路科学研究所 | 一种城际公路出行方式识别模型构建、识别方法及装置 |
CN112836802A (zh) * | 2021-02-03 | 2021-05-25 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种半监督学习方法、岩性预测方法及存储介质 |
CN113096413B (zh) * | 2021-03-23 | 2022-04-29 | 北京交通大学 | 基于高速公路收费数据的省际出行流量估算方法 |
CN113095381B (zh) * | 2021-03-29 | 2024-04-05 | 西安交通大学 | 一种基于改进型dbn的水声目标辨识方法及系统 |
CN112926273B (zh) * | 2021-04-13 | 2023-04-18 | 中国人民解放军火箭军工程大学 | 一种多元退化设备剩余寿命预测方法 |
CN113240029A (zh) * | 2021-05-25 | 2021-08-10 | 哈尔滨工程大学 | 一种gmm-hmm混合模型概率似然得分的svm二次分类方法 |
CN113537580B (zh) * | 2021-06-28 | 2024-04-09 | 中科领航智能科技(苏州)有限公司 | 一种基于自适应图学习的公共交通客流预测方法及系统 |
CN113612786B (zh) * | 2021-08-09 | 2023-04-07 | 上海交通大学宁波人工智能研究院 | 一种车辆总线的入侵检测系统及方法 |
CN113807404B (zh) * | 2021-08-24 | 2024-02-27 | 中通服咨询设计研究院有限公司 | 面向多源信息融合的智慧交通网络智能化监控与应急系统 |
CN114743379B (zh) * | 2022-06-13 | 2022-09-06 | 广东邦盛北斗科技股份公司 | 基于北斗的城市大面积路网交通感知方法、系统及云平台 |
CN115754010B (zh) * | 2022-11-10 | 2024-04-09 | 四川科力特硬质合金股份有限公司 | 机械密封环密封端面质量控制方法 |
CN116016065B (zh) * | 2023-03-24 | 2023-08-04 | 南京大学 | 基于神经网络的抗串扰高速互联信号接收方法及系统 |
CN116050672B (zh) * | 2023-03-31 | 2023-06-20 | 山东银河建筑科技有限公司 | 基于人工智能的城市管理方法及系统 |
CN116761179B (zh) * | 2023-07-14 | 2024-04-30 | 青岛科技大学 | 基于轻量化MS-Net的移动发射天线选择和能量收集TAS-EH系统安全通信性能智能预测方法 |
CN116996960B (zh) * | 2023-09-26 | 2024-01-30 | 江苏星湖科技有限公司 | 一种电力巡检设备的辅助链路网络接入方法及装置 |
CN117041133A (zh) * | 2023-10-10 | 2023-11-10 | 华中科技大学 | SRv6网络中流量调度优化方法、系统及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1776739A (zh) * | 2004-11-16 | 2006-05-24 | 微软公司 | 使用对概率相关性和环境数据的建模与分析的交通预报 |
CN101751782A (zh) * | 2009-12-30 | 2010-06-23 | 北京大学深圳研究生院 | 一种基于多源信息融合的十字路口交通事件自动检测系统 |
CN107564313A (zh) * | 2017-08-16 | 2018-01-09 | 齐鲁交通信息有限公司 | 高速公路交通拥堵预告系统及预告方法 |
CN109035779A (zh) * | 2018-08-30 | 2018-12-18 | 南京邮电大学 | 基于DenseNet的高速公路交通流预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408924B (zh) * | 2014-12-04 | 2016-06-01 | 深圳北航新兴产业技术研究院 | 一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法 |
CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
CN106846816B (zh) * | 2017-04-12 | 2019-09-17 | 山东理工大学 | 一种基于深度学习的离散化交通状态判别方法 |
US10747231B2 (en) * | 2017-11-17 | 2020-08-18 | Intel Corporation | Identification of audio signals in surrounding sounds and guidance of an autonomous vehicle in response to the same |
US10836379B2 (en) * | 2018-03-23 | 2020-11-17 | Sf Motors, Inc. | Multi-network-based path generation for vehicle parking |
CN109492814B (zh) * | 2018-11-15 | 2021-04-20 | 中国科学院深圳先进技术研究院 | 一种城市交通流量预测方法、系统及电子设备 |
-
2019
- 2019-04-29 CN CN201910353551.9A patent/CN110097755B/zh active Active
- 2019-06-12 WO PCT/CN2019/090874 patent/WO2020220439A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1776739A (zh) * | 2004-11-16 | 2006-05-24 | 微软公司 | 使用对概率相关性和环境数据的建模与分析的交通预报 |
CN101751782A (zh) * | 2009-12-30 | 2010-06-23 | 北京大学深圳研究生院 | 一种基于多源信息融合的十字路口交通事件自动检测系统 |
CN107564313A (zh) * | 2017-08-16 | 2018-01-09 | 齐鲁交通信息有限公司 | 高速公路交通拥堵预告系统及预告方法 |
CN109035779A (zh) * | 2018-08-30 | 2018-12-18 | 南京邮电大学 | 基于DenseNet的高速公路交通流预测方法 |
Non-Patent Citations (8)
Title |
---|
JINYU LI: "Improving wideband speech recognition using mixed-bandwidth training data in CD-DNN-HMM", 《2012 IEEE SPOKEN LANGUAGE TECHNOLOGY WORKSHOP (SLT)》 * |
LEFEBVRE N: "Traffic flow estimation using acoustic signal", 《ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE》 * |
LIN LI: "Classification between normal and adventitious lung sounds using deep neural network", 《2016 10TH INTERNATIONAL SYMPOSIUM ON CHINESE SPOKEN LANGUAGE PROCESSING (ISCSLP)》 * |
吴延占: "基于HMM与遗传神经网络的改进语音识别系统", 《计算机系统应用》 * |
张仕良: "基于深度神经网络的语音识别模型研究", 《中国博士学位论文全文数据库信息科技辑》 * |
张文涛: "基于卷积神经网络的交通声音事件识别方法", 《现代电子技术》 * |
张良春: "基于视频的高速公路事件检测", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
陈晓敏: "基于时序深度学习模型的语音情感识别方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111044285A (zh) * | 2019-11-22 | 2020-04-21 | 军事科学院系统工程研究院军用标准研究中心 | 一种复杂情况下机械设备故障诊断方法 |
CN111179596A (zh) * | 2020-01-06 | 2020-05-19 | 南京邮电大学 | 基于组归一化和网格化协同的交通流预测方法 |
CN111179596B (zh) * | 2020-01-06 | 2021-09-21 | 南京邮电大学 | 基于组归一化和网格化协同的交通流预测方法 |
CN111428580A (zh) * | 2020-03-04 | 2020-07-17 | 威海北洋电气集团股份有限公司 | 基于深度学习的个体信号识别算法及系统 |
CN111554089A (zh) * | 2020-04-13 | 2020-08-18 | 广东省智能制造研究所 | 一种基于深度学习的交通状态预测方法及装置 |
CN111950583A (zh) * | 2020-06-05 | 2020-11-17 | 杭州电子科技大学 | 一种基于gmm聚类的多尺度识别交通信号标志的方法 |
CN111950583B (zh) * | 2020-06-05 | 2023-09-26 | 杭州电子科技大学 | 一种基于gmm聚类的多尺度识别交通信号标志的方法 |
CN111800421A (zh) * | 2020-07-06 | 2020-10-20 | 东北大学 | 一种基于隐马尔科夫模型的车联网入侵检测系统 |
CN112750298B (zh) * | 2020-12-17 | 2022-10-28 | 华路易云科技有限公司 | 一种基于smdp和drl的货车编队动态资源分配方法 |
CN112750298A (zh) * | 2020-12-17 | 2021-05-04 | 梁宏斌 | 一种基于smdp和drl的货车编队动态资源分配方法 |
CN113192322A (zh) * | 2021-03-19 | 2021-07-30 | 东北大学 | 一种基于云边协同的高速公路交通流量计数方法 |
CN113380026A (zh) * | 2021-05-28 | 2021-09-10 | 南京理工大学 | 基于hmm的高速路交通量预测方法 |
CN113380026B (zh) * | 2021-05-28 | 2022-07-22 | 南京理工大学 | 基于hmm的高速路交通量预测方法 |
CN113177536A (zh) * | 2021-06-28 | 2021-07-27 | 四川九通智路科技有限公司 | 基于深度残差收缩网络的车辆碰撞检测方法及装置 |
CN115360719A (zh) * | 2022-08-30 | 2022-11-18 | 东北大学秦皇岛分校 | 基于plnn的电力系统短期电压稳定性评估方法 |
CN115360719B (zh) * | 2022-08-30 | 2024-04-12 | 东北大学秦皇岛分校 | 基于plnn的电力系统短期电压稳定性评估方法 |
CN115512172A (zh) * | 2022-09-30 | 2022-12-23 | 赵营鸽 | 一种用于电阻抗成像技术中多维参数的不确定性量化方法 |
CN115512172B (zh) * | 2022-09-30 | 2023-09-15 | 赵营鸽 | 一种用于电阻抗成像技术中多维参数的不确定性量化方法 |
CN116721551A (zh) * | 2023-05-04 | 2023-09-08 | 东南大学 | 基于号牌识别数据的车道级到达曲线历史和实时重构方法 |
CN116721551B (zh) * | 2023-05-04 | 2024-05-14 | 东南大学 | 基于号牌识别数据的车道级到达曲线历史和实时重构方法 |
CN117648570A (zh) * | 2024-01-30 | 2024-03-05 | 吉林大学 | 一种基于人工智能的心电监测与数据分析系统 |
CN117648570B (zh) * | 2024-01-30 | 2024-04-12 | 吉林大学 | 一种基于人工智能的心电监测与数据分析系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2020220439A1 (zh) | 2020-11-05 |
CN110097755B (zh) | 2021-08-17 |
WO2020220439A9 (zh) | 2021-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097755A (zh) | 基于深度神经网络的高速公路交通流量状态识别方法 | |
CN108629978B (zh) | 一种基于高维路网和循环神经网络的交通轨迹预测方法 | |
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN106778854B (zh) | 基于轨迹和卷积神经网络特征提取的行为识别方法 | |
CN105787458B (zh) | 基于人工设计特征和深度学习特征自适应融合的红外行为识别方法 | |
CN110120218A (zh) | 基于gmm-hmm的高速公路大型车辆识别方法 | |
CN108984745A (zh) | 一种融合多知识图谱的神经网络文本分类方法 | |
CN109785618B (zh) | 一种基于组合逻辑的短时交通流预测方法 | |
CN107644057B (zh) | 一种基于迁移学习的绝对不平衡文本分类方法 | |
CN112215487B (zh) | 一种基于神经网络模型的车辆行驶风险预测方法 | |
CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN111598325A (zh) | 基于层次聚类和分层注意力机制的交通速度预测方法 | |
CN109378014A (zh) | 一种基于卷积神经网络的移动设备源识别方法及系统 | |
CN111047078A (zh) | 交通特征预测方法、系统及存储介质 | |
CN112732905A (zh) | 一种基于知识图谱的交通事故分析与防控方法及系统 | |
CN111144462B (zh) | 一种雷达信号的未知个体识别方法及装置 | |
CN117237559A (zh) | 面向数字孪生城市的三维模型数据智能分析方法及系统 | |
CN112417890B (zh) | 一种基于多样化语义注意力模型的细粒度实体分类方法 | |
CN105335763A (zh) | 一种基于改进型极速学习机的织物疵点分类方法 | |
CN117034060A (zh) | 基于ae-rcnn的洪水分级智能预报方法 | |
CN117116048A (zh) | 基于知识表示模型和图神经网络的知识驱动交通预测方法 | |
CN115643153A (zh) | 基于图神经网络的报警关联分析方法 | |
Segarceanu et al. | Environmental acoustics modelling techniques for forest monitoring | |
Chen et al. | A bidirectional context-aware and multi-scale fusion hybrid network for short-term traffic flow prediction | |
CN110097173A (zh) | 一种提高网络性能和泛化能力的卷积神经网络拓扑结构 |
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 |