论文部分内容阅读
地震波由于具有受大气条件影响小，可实现非视距探测等特点被广泛用于各种无人值守地面传感器系统中。因为地震波是由机动车辆与地面之间的相互作用而产生的，所以地震波携带了大量关于机动车辆轮胎或者履带结构的信息，因此通过探测机动车辆产生的地震波，使用恰当的模式识别技术，可以识别机动车辆的类型，如轮式车或者履带车。由于地震波的产生与传播严重依赖于土壤介质，而各地土壤介质之间的差异性又非常大，使得设计完成的模式识别算法的泛化性能，或者说鲁棒性相对较差，而这方面的研究又相对较少。因此，本文以提高模式识别算法的鲁棒性，减少地质对算法的干扰为最终目的，开展了一系列研究工作。本文的主要研究内容和创新点如下: 第一，通过总结前人的工作，本文提出了一种基于粒子群优化算法的滤波器组生成方法，LSFCC方法。LSFCC方法获得的最优的滤波器组是一组能够使分类器在各个子样本库上的识别准确率都最大化的滤波器组，滤波器组输出的短时能量即为LSFCC特征。实验结果表明，在样本库相对较小时，LSFCC特征可以实现比较高的识别准确率，但是对复杂样本库则效果不佳。LSFCC方法从实验的角度说明了基于功率谱子带能量的特征的局限性。 第二，本文根据建立的土壤介质模型，指出:(i)地震波信号的功率谱的趋势部分严重依赖于土壤介质模型的各个参数;(ii)功率谱子带能量更多的只是提取了功率谱趋势相关的信息。从理论分析的角度证明了基于功率谱子带能量的特征的局限性。 第三，本文根据建立的四分之一车辆模型，提出:(i)地震波信号的对数功率谱的细节部分包含了大量关于车轮结构的信息;(ii)通过抑制地震波信号的对数功率谱的趋势部分，增强细节部分可以得到地质弱相关，车轮结构强相关的特征。 第四，本文提出了ACSTPSD特征。该特征可视具体需求选择性的舍弃前几维的系数。删除多一些系数以尽可能多的减少地质的干扰，反之则可以保留更多的关于轮胎结构的信息。 第五，为了验证ACSTPSD特征的性能，本文提出了一种基于自组织神经网络的空时信号压缩方法。该算法有效地将由多个ACSTPSD特征组成的空时信号压缩为一个具有固定维度的向量，方便了后续的分类器设计。实验结果表明，基于自组织神经网络的空时信号压缩算法能够在保证泛化能力的同时显著提高基于ACSTPSD特征的分类器的识别率。分类器能够以95.29％的平均识别率准确识别行驶在陌生地质上的陌生车型的类别，说明识别算法已经具有了相对较强的鲁棒性。本文中用于统计平均识别率的样本库包含了作为训练集的一种地质和两种车型以及其他地质和车型。 第六，为了便于工程实践，本文提出了一种结合了极端学习机和神经优化算法的ELM-GA算法。实验表明，ELM-GA算法训练得到的分类器的识别准确率以及识别算法的鲁棒性均有所提升，分类器的平均识别率更是达到了97.41％，且分类器在系统识别分类时的计算复杂度低，能够很容易地移植到嵌入式平台上。