自動車型分類儀-基于神經網絡下的分類識別系統

摘要:該系統主要用于高速公路通行的自動收費。該系統能通過通訊控制口自動控制收費關卡門禁的所有物理設備,從而最大限度的減少了人工干預,提高了收費關卡通行的車輛流量,有效的抑制了收費過程中由于人工干預可能產生的舞弊行為。

汽車識別是模式識別領域中一個困難而又具有重要的理論價值,實際應用價值和廣闊的應用前景的研究課題。在過去的幾十年里對自動汽車識別的研究歷程中,經典法取得了一定的可喜成果,但也遇到了許多困難。本文將人工神經元網絡用于解決汽車識別問題,取得了較為滿意成果。本文討論了適合高速動態情形下汽車特征提取的紅外線檢測分類儀,并設計了BP網絡對提取的特征樣本向量訓練分類識別。對于測量系統提取中的一定范圍中的數據“噪聲”,以Bayes法則進行對大量樣本先驗去除“噪聲”,提高了特征向量的代表性,理論與實際證明這樣得到的BP網絡有強容錯能力,識別沒有看到過的汽車樣本能夠達到高精度識別要求。

關鍵詞:紅外線檢測儀,Bayes法則,BP神經網絡,車型識別緒

論車輛檢測是智能交通系統ITS(IntelligentTransportationSystem)中一個重要的組成部分。所謂智能交通系統,就是在現有的交通狀況下,充分利用現代高新技術進行合理的交通需求分配和管理,通過衛星導航系統、汽車自動引路系統、交通信息通信系統、視頻監控和計算機管理等多種技術手段,將整個路網的通行能力迅速提高,實現安全、快速和便捷運輸的一種交通綜合治理方案。智能交通系統是目前世界交通運輸領域的前沿研究課題,發達國家提出并執行了一系列研究計劃,其核心是針對日益嚴重的交通需求和環境保護壓力,采用信息技術和通信技術、計算機技術、智能控制技術等對傳統交通運輸系統進行深入改造,以提高系統資源的使用效率、系統安全性,減少資源特別是十地咨源的消耗和環境污染。

高速公路交通自動化是ITS中的重要一環,是實現ITS的前提。高速公路交通自動化管理主要由通訊、遠程監控和收費三個部分組成。只有對公路通過車輛信息進行有效、準確的采集分析并進行相應的控制,才能保證收費站收費過程的高效快速及各道口行駛車輛的快速通行,從而實現整個高速公路交通的自動化管理。在實現公路交通自動化的過程中,車輛檢測技術起了至關重要的作用。

我國早在70年代就將電子技術和信息技術應用于交通運輸領域,但直到90年代才引入智能運輸的概念。70年代末、80年代初,我國才開始在交通運輸和管理中應用電子信息技術,進行十字路口信號燈控制的研究工作;到了90年代初,隨著我國經濟的快速發展,交通需求量越來越大,而我國的基礎設施建設速度遠遠低于車輛增長的速度。據統計,目前中國機動車約有5000多萬輛,大城市機動車數量的年增長率約為巧%,而城市道路的建設數量每年僅增長約3%一5%。因此,為了解決道路與車輛的矛盾以及交通安全、環境污染等一系列的問題,我國一方面加緊了道路基礎設施的建設,一方面也開始著手準備ITS的研制工作。通過與發達國家進行廣泛的交流與合作后,我國目前在ITS的理論研究、產品開發和工程應用上都取得了一定的成績。

隨著我國交通基礎設施建設的不斷投入和飛速發展,公路里程快速增長,橋梁數目不斷增多,路橋的交通流量變得越來越大。通暢的交通帶來了經濟的快速增長,許多地方為發展本地區經濟,大力發展交通,修建了高等級公路。由于修建公路采用的是“借貸修路,滾動發展”的策略,為償還貸款,地方政府報經省人民政府批準后,在公路、橋梁上設置收費站,對車輛收取通行費。

公路收費的作用在于:

（1）調動社會各方面投資公路建設的積極性,促進公路事業的發展。修建公路成本高,所需投資大,單靠政府投資,顯然不能滿足需要。為盡快收回投資和獲取投資回報,普遍采用的方式是向過往車輛收取通行費。

（2）“以路養路”,為公路的維護管理提供物質保障,確保公路正常運營。

（3）收集交通流量信息,控制交通流量,延長公路的使用年限,防止公路過早損壞。

我國的公路收費系統主要采用以下三種形式：

（1）均一制系統。收費站建在公路的所有入口,車輛在一個路口交費后,可在該公路全線自由行駛,無需再次交費,收費標準僅因車型不同而不同,與行駛里程無關。

（2）開放式系統。收費站建在公路的主線上,間隔30-50公里不等,各個出口不再設收費站,車輛可自由出入。收費標準除根據車型不同而不同外,還因各站控制的距離不同而不同。

（3）封閉式系統。收費站建在各互通立交匝道上,在入口處發通行卡,在出口處驗卡,按車型和行駛距離收費,車輛進出公路均受到控制。

目前各國發展的重點是以應用為導向,以發展更高性能的混合計算機為目標。這些計劃是以長遠發展目標與近期效果相結合,充分考慮到了與當前發展技術水平相適應。

在我們日常生活中,隨著計算機硬件技術的飛速發展,傳感器性能的不斷提高,以及各類系統軟件和應用軟件的大量開發和推廣,計算機已經從先前單純的數值計算,應用到文字處理、圖形圖像處理、語音處理、人工智能及模式識別等各個領域。但計算機對聲音、圖像等外界信息的直接感知上的局限性,己越來越成為計算機進一步應用發展的障礙,也與其高超的運算能力形成鮮明的對比。因此著眼于拓寬計算機的應用領域,提高計算機感知外部信息能力的新學科—模式識別便應運產生。經過幾代研究人員三十多年的不斷努力,這一學科正不斷發展成熟。在語音識別方面,藍色巨人IBM以及其他公司己經有多種語言版本的語音識別產品問世,連續語音識別已相當成熟,并己開始走向了實用化、商品化。而在圖像處理與識別方面成果也豐富多彩,特別是在軍事、醫學、地質、氣象等領域都取得了可喜的實用成果。汽車識別作為模式識別學科的一個分支,是模式識別領域中一個困難而又十分具有實際應用價值和廣闊應用前景的研究課題。近些年來隨著國家公路建設的飛速發展,為支持國家公路建設迅速回收資金而設立了大大小小的收費站,在收費的過程中產生了這樣或那樣的經濟問題,如收人情費、私設小金庫、道路堵塞等,如何做到對收費的科學管理,堵塞工作人員的經濟漏洞,并獲得各種車輛流量的科學數據,為國家的道路規劃提供合理的理論依據,這就成為當前一個急需解決的問題。近些年來,人們在汽車自動識別上取得了一些研究成果,本章首先簡要指出汽車識別的困難及研究的重要意義,并簡單介紹了汽車識別所涉及的幾個問題,然后介紹了國內外研究汽車識別的現狀、方法、發展方向,最后闡述了本文所要研究的主要內容。目

錄1自動車輛分類儀提出的背景……………7

1.1識別研究的難點及意義…………7

1.2國內外自動車型分類裝置現狀…………………8

1.3現階段國內外車型識別所采用的基本方法……9

2紅外線自動車型分類儀…………………11

2.1自動車型分類系統的構成及工作原理…………11

2.2車輛分離器的設計………………12

3Bayes法則和BP神經網絡的基本原理和應用…………14

3.1Bayes定理及分類方法…………14

3.2BP神經網絡模型

………………15

3.2.1

生物神經理論及推廣…………………15

3.2.2

BP神經網絡的基本思想………………18

3.2.3

BP網絡神經元模型……………………19

3.2.4

BP網絡的學習規則……………………19

3.2.5

BP算法的數學描敘……………………20

3.2.6

BP學習算法步驟………22

3.2.7

BP算法流程圖…………22

3.3BP神經網絡的改進………………23

3.3.1BP算法的缺陷……………23

3.3.2改進的BP算法……………23

4基于Bayes法則和BP神經網絡的自動車型識別方法…………………26

4.1選用基于Bayes法則和BP神經網絡識別的可行性……………26

4.2用Byes法則選取樣本集…………28

4.3本汽車分類識別中神經網絡的結構………………28

4.3.1輸入輸出量的選擇…………28

4.3.2輸入量的提取與表示………28

4.3.3輸出量的表示………………29

4.3.4訓練集的設計………………30

4.3.5初始權值的設計……………33

4.3.6BP神經網絡結構的設計………………34

4.3.7隱層數的設計………………35

4.3.8隱節點數的設計……………35

4.3.9網絡的訓練與測試…………35

5在MATLAB環境下設計的程序及運行結果……………………36

5.1MATLAB神經網絡工具箱簡介………36

5.2運用神經網絡工具箱設計網絡的原則和過程………37

5.3本人設設計的MATLAB程序及運行情況……………37

6結論…………………………40

致謝……………41

參考文獻………………………421自動車輛分類儀提出的背景目前我國已有愈來愈多的道路設施,特別是高速公路采用收取過路費的方式來作為集資或償還貸款的手段,這種“取之于車,用之于路”的方針促進了公路事業的發展。但隨著高速公路發展,高速公路收費過程中作弊行為越來越嚴重。據交通部門有關資料統計,目前公路收費的總額只占應收總額的80％左右,其中有相當一部分流失。給國家和公路經營單位造成極大損失。這些作弊行為一般有三種可能性：①在車的數量上作弊；②在車的類型上作弊,本來過一輛大卡車。而只收小轎車的錢。為此國內有些公路部門曾試圖引進國外的自動分型設備,但價格太貴,分類方法不適應國內車型雜亂、車種繁雜的現狀。而國內研制的自動分型儀精度一般不足97％,經常造成責任不清,而無法實現監督和管理；③在里程上作弊。其中在車型上作弊是最難對付的。

鑒于國情,有必要針對我國車型雜亂、車種繁多的實情,建立一個超高精度自動分類裝置、人工收費及相應的管理制度的收費系統．車型自動分類準確度達到或超過一個熟練的收費員的準確度,徹底杜絕通過在車的數量、類型以及減免車上的作弊行為,對促進我國高速公路發展具有十分重大意義。另自動車型分類裝置也是全自動收費系統的最關鍵設備,是進行交通調查的主要設備之一,它能為公路網的交通量調查、預測、管理與高速公路監控提供可靠的數據。因而本文將詳細討論自動車型分類技術在收費系統中的作用,存在的問題以及怎樣建立一套新型自動車型分類系統。

1.1識別研究的難點及意義

汽車識別是極具挑戰性的任務,其困難主要體現在以下幾方面:

第一汽車背景的復雜性。汽車識別由于其工作的自然條件限制決定了其背景的復雜性。由于汽車識別課題的應用方向主要是收費站等戶外自然環境比較復雜的地區,不同于其他類的模式識別(如人臉識別)是為了特定的目的可以在人為設定的特定的背景環境下進行識別,這對于識別的準確性是至關重要的。因此,如何能在復雜的、變化的背景下準確的分離出汽車成為汽車識別的首要前提條件。

第二汽車特征值的準確提取。特征是事物本身最本質的反映。選取的特征能否準確反映出事物的本質是衡量特征選取好壞的最基本的條件。因此,如何選取特征就成為汽車識別準確程度的首要條件。另外,特征的多少,也是影響識別準確程度的一個條件,增加特征數,固然能提高是別的準確度,但卻會大大的影響識別的速度,而減少特征數又會影響識別的準確度。因此合理的選擇特征的數目也是本文的一個研究問題。

第三汽車識別的方法。目前一般的模式分類方法很多。常見的模式分類方法根據所選的特征不同和判決決策方法的不同大致有模板匹配法、統計特征法、句法結構法、邏輯特征法、模糊識別法、神經網絡法,由于各人所用的圖像質量不盡相同,拍攝的約束條件也不相同,所以很難嚴格區分何種特征,何種方法更好,但與課題的實踐相結合,神經網絡識別法可能較有前途,因為神經網絡的并行處理機制可以大大的提高系統的識別速度,并且神經網絡所具有的容錯性可以大大提高系統的識別率,神經網絡的分布存儲能力使得所提取的特征具有可恢復的特點。然而,汽車識別的復雜性與挑戰性并沒有影響人們對這一課題的研究熱情,這與汽車識別的應用價值和重要理論的意義分不開的。

從應用的角度講,汽車識別系統的研究和開發具有以下應用價值:

第一道路收費。根據實際需要,可以在高速公路、大橋、等收費站處進行無人計費,可大大的節約人力、財力,并且可以微機存檔,有效的避免人情費及工作人員的經濟問題。

第二車輛監測。國家由于資金的問題,道路建設要分輕重緩急,因此對道路車輛流的監測成為國家,地方道路建設的主要參考依據,通過對所監測道路上的車輛類型,數量的監測對公路建設的級別,優先權給出了理論的保障。

汽車識別系統研究的重要理論價值主要體現在以下幾點:

第一識別的研究成果能為交通部門在收費站的使用和管理上提供新的手段方法。

第二汽車識別作為一種典型的對于三維自然物體的識別,具有重要的理論價值,它的研究思想和實現方法為其他三維自然物體的識別提供了很好的參考,有的學者認為汽車識別的解決將具有里程碑似的意義。

第三汽車識別研究的一個重要問題就是如何用少量的特征提取向量對汽車進行準確的描述,這個問題的解決將對于信息的傳輸具有重要價值。

1.2國內外自動車型分類裝置現狀

收費系統的車輛分類有兩種方法：一種是按軸重收費,另一種按車型收費。鑒于目前動態稱重系統設備安裝復雜,維修因難,價格昂貴,使用壽命較短,用于收費還有待于完善,以及我國有關部門的具體規定和實際收費的經驗．國內收費都是按車型來收取通行費。

國內外車型分類檢測裝置多種多樣,基本上是根據車輛本身的參數對車輛進行分類。車輛本身的幾何參數有：車長、車高、車寬、輪胎直徑、輪距、輪數、軸距、軸數、底盤高度及車身幾何形狀特征等。如日本立石公司采用環型線圈及超聲波檢測器相結合的方法,依據車長、車高與底盤高度將車型分三類；英國TRRL采用環形線圈與紅外傳感器結合的辦法將車輛分10類．判別依據為軸數、軸距；意大利利用紅外傳感器以及軸數、軸距檢測踏板等技術,對車輛軸數、軸距、第一軸的車體垂直高度進行測量,把車型分五類；法國ELSYDEL公司利用車軸檢測器進行分類,也用通過汽車剪影,用數字圖象處理的方法進行車型分類；還有日本三菱公司、美國CMN公司、法國西碼公司和西班牙ARCE公司,且產品價格昂貴,分類模式不同我國目前現狀,且分類方法不適應于我國車型雜亂、復雜等特點。

國內從80年代初起開始對車輛自動分類裝置進行研究．最早的有丹東電于研究所采用紅外傳感器測量車型參數以進行分類。西安公路學院用紅外傳感器進行車高、軸數、軸距、輪胎直徑進行檢測,將車分成四類。西安公路所根據力的平衡原理,用四只壓力傳感器測量軸距、輪距及軸數進行分類,分類方。北京公路局與航天部103所用紅外傳感器,采用車輛側面幾何特征及輪距底盤高度信息進行分類。福建交通科研所利用超聲波、紅外傳感器相結合的方式測量車高、車長、車寬、軸數、軸距等參數進行分類。還有廣東機械學院、北京公路所等單位研制的車型分類器,但這些裝置多半在路上試用幾個月就被拆除,未能推廣使用,究其原因為：

（1）這些分類裝置正確分類率已高達97％,對于模式識別來說精度已經很了不起了,但對收費系統這種直接與收錢有關的裝置,其車型分類精度還遠遠達不到實用要求,一般要求不能出錯,例如每天流量為l萬輛的收費站,用這種裝置判車型就有200-300輛不正確,對于開放式收費系統就有幾千元至上萬元差別,如對收費公路較長的封閉式收費系統就有可能有幾萬元差別,由于測量誤差與各種干擾的作用,對于誤識率高達2％一3％的分類器,經常會出現一些車今天判為這類車,下次可能判為另一類車,引起司機與收費員口角,造成交通堵塞,因而司機與收費員都抵制此種系統的使用。

（2）分類裝置可靠性較差,不能長期穩定可靠工作,環境適應能力差。

（3）采用此種裝置后,不能區分免費車輛,造成機器記錄結果與收費員收取的通行費總額不一致。

1.3現階段國內外車型識別所采用的基本方法

車型分類的準確性與采用的設備有關,也與車型的分類方法和標準有關。國外車型分類方法是按宜于自動檢測的原則制定的,分類的依據主要是車頭高度、軸數、后軸輪數、軸距、車長、車重等參數。目前不停車分類系統的自動車型分類大都采用壓力傳感器、紅外探測、射線探測、地感線圈等組成。分類的準確率在87％—99％。有些收費站用圖像識別的方法進行車型分類的,即研究利用攝像機攝取的車輛圖像,并利用各種方法對之進行分析處理,從而確定車輛類型,但是由于對車輛清晰攝像受照度和氣候條件影響很大,這類系統的車型識別準確率也難以達到實用化的程度；有研究利用無源線圈檢測車輛底盤特征來確定車輛類型,其識別率有很大程度的提高,而且車輛在檢測區的變速運動、停車等現象又影響了其準確識別,使得這一系統實用化遇到困難。就目前來說,在國內的實踐運用中缺少一種適應我國國情的、真正行之有效的自動分類系統。

現有的車型識別方法

（1）邊緣檢測：車輛的邊緣是車型的基本特征．但由于車輛的復雜性以及噪聲(背景與車輛的對比度、光照等)的影響．為了可靠地檢測出車輛邊緣,常采用改進的算法,如Rosenfield的非線形邊緣檢測;邊緣松弛；GFO邊緣提取算法等。

（2）光學車牌識別法：對于CCD攝取的車牌進行數字化,產生數字圖像,OCR對數字圖像的數據進行定位,一旦發現字符區,立即將字符圖像從數據塊中分割出來,將其轉換為二值矩陣,經過預處理、平滑處理,消除隨機誤差、空隙點以及其他一些和信號混在一起的虛假部分(如車牌上的污點)．凈化后,提取字符特征,在數據庫個查找與之對應的信息,從而實現識別車型。

（3）人工神經網絡法：將ccD攝像機采集到的視頻信號先進行數寧化處理,再將其圖像由M×M縮小成NXN個像素點,用于車型識別其基本信息不會丟失．同時可以縮小網絡規模。將N×N的每個像素點作為一個輸入．中間單元為P,對于常見的30余種車型進行編碼,輸出神經元為m,選揮適當的神經元作用函數和算法,就可構成完整的神經網絡。經過多次學習和訓練,便可用于車型識別。

（4）模糊模式識別方法：主要是針對如何用一種新的傳感技術應用于車輛檢測領域進行車型識別、車流計算的。利用磁阻效應研制成的AMR磁阻傳感器能同時檢測出小到地球磁場的磁場變化。利用車輛通過地球磁場時對地磁的影響可以檢測出車輛的存在和行駛方向。還可以根據不同車輛對地磁的不同影響可以識別出車輛的類型。具體思路如下:不同車型通過地球磁場對地球磁場的擾動不同,地磁傳感器HMR2300可以把地磁的擾動情況數字化后傳給計算機。計算機將各種車型通過地磁傳感器時傳感器的輸出信號存入數據庫作為識別樣本,利用模式識別匹配算法可以識別出通過傳感器的車輛類型。

（5）基于小波、分形與神經網絡的汽車車型識別方法：利用小波分析、分形理論和神經網絡技術進行車型圖像的識別方法,主要包括用小波理論進行汽車圖像的消噪和邊緣檢測、分形編碼和神經網絡分類等3個部分.本方法的基本原理是：用小波理論進行汽車圖像的消噪和邊緣檢測,然后對邊緣檢測結果進行分形編碼,再用Kohonen神經網絡進行車形的識別。

（6）BAM網絡識別方法：這是一種一種采用雙向聯想記憶網絡(BAM),僅以車型的輪廓曲線序列作為特征參數,能在高速公路不停車收費系統中,按照高速公路收費標準對不同車型進行分類的系統.訓練時,選擇合適的權矩陣,把相應的參數訓練成網絡的穩定狀態;識別時,輸入用于區分車型的曲線序列,通過對車輛圖像進行預處理及圖像分析即可利用BAM神經網絡識別出車輛的類型.

（7）遙感技術與紅外技術相結合的自動收費系統：其工作原理是感應線圈探測到車輛經過時,開始探測車輛的外型參數。此時,車輛會橫跨反射器,前輪胎將先后擋住兩束平行的紅外線,測出這個時間間隔,除光束間的距離,可得車速。測出同一光束前后兩次被擋住的時間間隔乘以速度,可得軸距。測出同一光束先后被擋住的次數,可得軸數。通過調整兩束平行的紅外線之間的距離,可以使雙輪胎能同時擋住兩束平行的紅外線,而單輪胎卻不能,由此可以區分單／雙輪胎。最后對車輛進行分類。

其主要問題是：要求車速基本不變,否則誤差太大；不能識別帶掛車的車輛；不能區分靠的比較近的不同車輛；對沒有跨越反射線的車輛無法進行探測;對單／雙輪胎的誤判嚴重。

（8）基于地衡的自動收費系統：系統采用地衡對過往的車輛測量重量,并根據所獲取的車輛載重直接對車輛進行收費。該方法可直接獲取車輛的載重,方法快捷、準確。但采用該方法測量車重,需要破壞路面,鋪設地衡,而且地衡價格昂貴、使用壽命較短,所以該方法應用范圍較小。

2紅外線自動車型分類儀

2.1自動車型分類系統的構成及工作原理

車型自動分類儀有壓電傳感器、輪距檢測平臺、軸距檢測平臺、二次儀表、紅外發射與接受裝置等部分組成,如下圖所示。

車輛分離檢測器是本裝置的附屬設備,該設備利用紅外檢測原理將行駛中的托掛車與后繼車輛區分開來,起分辨物體的能力直徑為大于40mm的桿件,適應環境溫度,起相對濕度95%,具有防雨、防沙能力。車輛自動分類儀歷經功能和按電子產品例行實驗的規程進行的性能檢測,表明該設備滿足使用要求,輪距檢測平臺工作在惡劣的環境條件下要求具有長期工作的高可靠性和穩定性,并具有抗沖擊、抗側向力的功能。

對上圖中部分功能作如下介紹：

（1）系統電源為整個系統提供電能,確保系統的正常供電。

（2）軸距檢測傳感器由兩個壓電軸傳感器組成,通過兩個傳感器就可以確定軸距的范圍。

（3）軸數檢測器是通過檢測器輸出的信號來確定軸數的。

（4）輪數檢測傳感器由兩個斜埋的傳感器組成,它可以識別是不是雙輪。

（5）車高檢測傳感器用來判別車高是不是大于1.3m。

（6）傳感器接口電路的功能是把輪距傳感器、軸數傳感器、輪數傳感器所測的模擬信號轉換為數字脈沖。

（7）計算機處理電路是整個系統的核心部分。

（8）鍵盤用來查詢經過收費站車輛的類別、經過收費站時間及通過車輛的車輛總數。顯示裝置是由8位動態LED顯示器組成。

（9）環型線圈車檢器用來檢測是否有車。當有車進入收費島的入口處時,判斷來車的環形線圈便會向系統給出一個信號,系統檢測到這個信號后,車輛分離器開始工作,系統開始檢測車型。只要車輛分離器仍然給出的是一輛車的信號,系統就不停地檢測,直至車輛分離器給出車已過去的信號,那么系統就停止動作,等待下一輛車的到來,如此循環下去。

系統應該實現的主要功能是：

（1）

測到環形線圈送來的車輛到來的信號；

（2）

定的采樣頻率檢測車輛分離器信號,以判斷車輛是否已經過去；

（3）

在車還沒有過去的短時間內,能夠對車輛進行正確的車型判別,并給出車型信息,并將車型數據存入系統的數據存儲器里；

（4）

當檢測到車輛分離器給出的整車信號后,能停止系統動作；

（5）

能在顯示屏上顯示車型、通過時間等資料。

2.2車輛分離器的設計

車輛分離器是將行駛于收費道路上的拖掛車與相鄰兩輛車區分開來,為車型判別提供基準信息的檢測裝置。其工作原理如(圖2-3)所示。當車輛進入收費島時,首先要通過車輛分離器,車輛分離器內的傳感器采集到該車輛的存在信息,便送給車型檢測器,車型檢測器在這個信息的基礎上,結合車型傳感器送來的各種信息進行邏輯處理,對車型進行判別、分類、計數,并由收費顯示器顯示出車輛的類型、收費標準等數據,提供給駕駛員,使其有所準備。同時通過車道控制器與中央計算機的通訊,將有關信息存入計算機內,進行計算統計,打印報表。由此可看出,車輛分離器是收費系統的一項關鍵設備。它需要給出車輛存在的完整信息,這個信息是車輛計數、車型分類的基礎。另外,車輛分離器完全工作在室外,工作環境差,要求全天候工作,所以車輛分離器必須工作穩定性好,可靠性高,否則整個收費系統將無法正常工作。

3.1

Bayes定理及分類方法

貝葉斯分類器是一個統計分類器。它們能夠預測類別所屬的概率,如一個數據對象屬于某個類別的概率。貝葉斯分類器是基于貝葉斯定理（以下將會介紹）而構造出來的。對分類方法進行比較的有關研究結果表明：簡單貝葉斯分類器（稱為基本貝葉斯分類器）在分類性能上與決策樹和神經網絡都是可比的。在處理大規模數據庫時,貝葉斯分類器已表現出較高的分類準確性和運算性能。

基本貝葉斯分類器假設一個指定類別中各屬性的取值是相互獨立的這一假設也稱為：類別條件獨立（classconditionalindependence）,它可以幫助有效減少在構造貝葉斯分類器時所需要運行的計算量。

貝葉斯定理：設X為一個類別未知的數據樣本,H為某個假設,若數據樣本X屬于一個特定的類別C,那么分類問題就是決策P（H|X）,即在獲得數據樣本X時,H假設成立的概率。

P（H|X）是事后概率,或為建立在X（條件）之上的H概率。例如：我們假設數據樣本是水果,描敘水果的屬性有顏色和形狀。假設X為紅色和圓狀,H為X是一個蘋果的假設,因此P（H|X）就表示在已知X是紅色和圓狀時,確定X為一個蘋果的H假設成立的概率；相反P（H）為事前概率,在上述例子中,P（H）就表示任意一個數據對象,它是一個蘋果的概率。無論它是何種顏色和形狀。與P（H）相比,P（H|X）是建立在更多信息基礎之上的；而前者則與X無關。

類似的,P（H|X）是建立在H基礎之上的X成立概率,也就是說：若已知X是一個蘋果,那它是紅色和圓狀的概率可表示為P（H|X）。

由于P（X）,P（H）和P（H|X）的概率值可以從（供學習使用的）數據集合中得到,貝葉斯定理則描敘了如何根據P（X）,P（H）和P（X|H）計算獲得的P（H|X）,有關的具體公式定義描述如下：

P（H|X）=P（X|H）P（H）/P（X）

(公式3-1)

基