【发明授权】一种基于动态采样机制与RBF神经网络的区域车辆密度估计方法_长安大学_201910064378.0 

申请/专利权人:长安大学

申请日:2019-01-23

发明/设计人:闫茂德;郭耀仁;左磊;朱旭;杨盼盼;刘小敏

公开(公告)日:2020-10-23

代理机构:西安通大专利代理有限责任公司

公开(公告)号:CN109886126B

代理人:高博

主分类号:G06K9/00(20060101)

地址:710064 陕西省西安市碑林区南二环路中段

分类号:G06K9/00(20060101);G08G1/017(20060101);G06K9/62(20060101);G06N3/04(20060101)

优先权:

专利状态码:有效-授权

法律状态:2020.10.23#授权;2019.07.09#实质审查的生效;2019.06.14#公开

摘要:本发明公开了一种基于动态采样机制与RBF神经网络的区域车辆密度估计方法,根据目标区域内车辆密度的采样信息,初步构建车辆密度数据库;对比多次车辆密度的估计值,以存储的采样数据作为RBF神经网络的输入变量,定义一组激活函数并建立基于RBF神经网络的估计模型;将卡尔曼滤波算法应用到基于RBF神经网络估计算法中;根据各个神经元网络的权重系数以及目标区域内车辆密度的相关度函数,估计目标区域内任意一点的车辆密度;最后通过判断估计结果是否满足任务需求,实现对目标区域内车辆密度的动态估计。本发明具有较快的估计效率、较低的运算负荷以及较高的估计精度,能够实时有效地估计目标区域内的时变车辆密度,具有广泛的应用空间与实用范围。

主权项:1.一种基于动态采样机制与RBF神经网络的区域车辆密度估计方法,其特征在于,根据目标区域内车辆密度的采样信息,初步构建车辆密度数据库,并初始化相关参数;对比多次车辆密度的估计值,动态调整采样间隔,更新采样数据;以存储的采样数据作为RBF神经网络的输入变量,定义一组激活函数并建立基于RBF神经网络的估计模型;针对采样数据中的噪声影响,将卡尔曼滤波算法应用到基于RBF神经网络估计算法中,在滤除采样噪声的同时更新RBF神经网络的权值;根据各个神经元网络的权重系数以及目标区域内车辆密度的相关度函数,估计目标区域内任意一点的车辆密度;最后通过比较估计值与采样值之间的误差etk,判断估计结果是否满足任务需求,实现对目标区域内车辆密度的动态估计,令为目标区域内车辆密度的初始采样信息,通过对比当前时刻的估计值与其前一时刻的估计值,求得两次车辆密度估计值的皮尔逊相关性系数如下: 其中,tk与tk-1分别表示估计系统的当前时刻与前一时刻;为车辆密度估计值中第j个元素,为tk时刻车辆密度估计值的平均值,的值域为[0,1],设采样设备的两次采样间隔为Δts,其上限与下限分别表示为和c,将皮尔逊相关性系数分为三段,即[0≤c2<c1≤1],则采样间隔Δts的动态调整机制表示如下: 其中,k为采样周期的时序序号,θ为增加采样间隔的最小步长。

全文数据:一种基于动态采样机制与RBF神经网络的区域车辆密度估计方法技术领域本发明属于空间信息分布技术领域,具体涉及一种基于动态采样机制与RBF神经网络的区域车辆密度估计方法。背景技术随着社会经济的高速发展,汽车保有量逐年快速增长。随之带来的交通拥堵问题也越发严重。由于车辆密度信息是反应路面交通情况的最直接的指标,缓解交通拥堵问题的前提是掌握目标区域内的车辆密度信息。在掌握了区域内车辆密度信息后,就能有效及时地对目标区域内的交通进行管控和疏导,缓解拥堵,避免交通事故发生。目前,人们一般采用迭代最小二乘法或高斯估计等传统估计方法预测目标区域内的车辆密度。这些传统估计算法的估计速度相对较慢,无法有效地更新车辆密度信息的变化,且其估计精度普遍较低。面对此类问题,一般方法通过设置大量的采样点来提高精度。但这样又需要耗费大量的数据采样成本和运算成本。而且这些算法往往无法消除噪声的影响,进而影响了估计结果的准确性。此外,由于目标区域内的车辆密度信息变化通常都是非线性的,但在传统的估计算法采样方式中,通常采用固定间隔的采样模式。这样的采样模式在车辆密度信息变化缓慢的时间段内会浪费估计系统的计算资源,提高运算成本。而对车辆密度信息变化较快的情况,其估计结果与跟随效果较差,往往不能及时地反映实时的交通状态。因此,如何提高估计系统的效率是亟需解决的问题。发明内容本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于动态采样机制与RBF神经网络的区域车辆密度估计方法,在同时考虑采样噪声与车辆密度时变的情况下,有效地实现目标区域内车辆密度的高效、准确估计,并能合理地分配估计系统的工作负载,提高估计效率。本发明采用以下技术方案:一种基于动态采样机制与RBF神经网络的区域车辆密度估计方法,根据目标区域内车辆密度的采样信息,初步构建车辆密度数据库,并初始化相关参数;对比多次车辆密度的估计值,动态调整采样间隔,更新采样数据;以存储的采样数据作为RBF神经网络的输入变量,定义一组激活函数并建立基于RBF神经网络的估计模型;针对采样数据中的噪声影响,将卡尔曼滤波算法应用到基于RBF神经网络估计算法中,在滤除采样噪声的同时更新RBF神经网络的权值;根据各个神经元网络的权重系数以及目标区域内车辆密度的相关度函数,估计目标区域内任意一点的车辆密度;最后通过比较估计值与采样值之间的误差etk,判断估计结果是否满足任务需求,实现对目标区域内车辆密度的动态估计。具体的,在目标区域内布置n个高清摄像头,以目标区域内的车辆密度为目标,计算每个摄像头拍摄点处的车辆密度,实时收集当前时刻所有拍摄点处的车辆密度信息,设所有摄像头拍摄点的位置信息为P=[p1,…,pn]T,初步构建目标区域内车辆密度的采样数据库如下:其中,YP,tk表示车辆密度估计系统的采样集合,计算如下:YP,tk=[y1tk,…,yntk]T其中,表示第i摄像头在在tk时刻的采样值。具体的,令为目标区域内车辆密度的初始采样信息,通过对比当前时刻的估计值与其前一时刻的估计值,求得两次车辆密度估计值的皮尔逊相关性系数如下:其中,tk与tk-1分别表示估计系统的当前时刻与前一时刻;为车辆密度估计值中第j个元素,为tk时刻车辆密度估计值的平均值,的值域为[0,1]。进一步的,设采样设备的两次采样间隔为Δts,其上限与下限分别表示为和c,将皮尔逊相关性系数分为三段,即[0≤c1<c2≤1],则采样间隔Δts的动态调整机制表示如下:其中,k为采样周期的时序序号,θ为增加采样间隔的最小步长。具体的,定义RBF神经网络中的激活函数如下:其中,i=1,…,m,ψiq表示激活函数向量组中第i个激活函数;m为激活函数向量组Ψq=[ψ1q,…,ψiq,…,ψmq]T的维数;Ci表示目标区域内各个聚类中心的坐标位置;σi为激活函数ψiq的宽度向量;q∈Q表示目标区域内任意一点。进一步的,获取激活函数中的相关系数以及RBF神经网络相关参数的步骤如下:S301、设置神经网络的精度ξ与最大迭代次数N;S302、通过K-MEANS算法计算得到各个聚类中心的位置坐标Ci;S303、采用KNN算法计算宽度向量σi;隐含层对输入向量的影响程度由σi的取值确定,具体由下式求得:其中,Ch为第h个聚类样本的中心位置坐标,h为聚类总数;激活函数的向量形式Ψq表示如下:其中,为m维的向量空间,则目标区域内车辆密度的采样集合YP,tk表示为YP,tk=ΨTPωtk其中,为一组理想的权重系数;激活函数向量组在采样位置上的激活函数矩阵ΨP表示如下:其中,表示m×n维的向量空间。具体的,根据卡尔曼滤波算法对神经网络中各个权值进行迭代更新的步骤如下:S401、设定卡尔曼滤波算法中相关矩阵的初值,包括误差协方差矩阵Pk0与噪声协方差矩阵R0;S402、根据神经网络中激活函数在采样位置处的激活函数矩阵ΨP,计算卡尔曼增益矩阵Kptk如下:Kptk=Pktk-1ΨTPΨPPktk-1ΨTP+Rtk其中,Kptk为tk时刻所得到的卡尔曼增益矩阵,Pktk-1为第k-1时刻的估计误差协方差矩阵,Rtk为采样噪声协方差矩阵;S403、设初始时刻的权重系数为计算下一时刻激活函数的权值系数其中,与分别为下一时刻与当前时刻的权重系数估计值;S404、更新估计误差协方差矩阵Pktk如下:Pktk=Pktk-1-KptkΨPPktk-1。具体的,以当前时刻车辆密度在q点的估计值作为车辆密度,计算如下:其中,cq,P表示区域内任意点与采样位置之间的空间相关程度,cP,P表示采样位置相互之间的空间相关程度。进一步的,cq,P中第i个元素ci和cP,P中第i,j个元素cij计算如下:其中,σr为该函数的固定增益参数,σs为空间灵敏度系数,σt为时间灵敏度系数,δij为克罗内克函数,tki与tkj分别表示第i个采样值与第j个采样值的采样时间。具体的,判断etk是否满足预设精度,若误差etk满足预设精度,则结束估计算法;否则更新采样数据与相关数据,返回重新初始化相关参数,对比多次车辆密度的估计值,动态调整采样间隔,更新采样数据;估计误差etk计算如下:其中,为当前时刻采样位置处的车辆密度估计值。与现有技术相比,本发明至少具有以下有益效果:本发明一种基于动态采样机制与RBF神经网络的区域车辆密度估计方法,通过采用RBF神经网络将目标区域内的采样值由低维空间映射到高维空间,将原本线性不可分的车辆密度函数转化为高维度的线性可分函数;再通过多次迭代求出符合精度要求的连接权值。根据该连接权值与目标区域的车辆密度的相关性函数,实时估计出目标区域内的车辆密度。相比于现有技术,本方法能大大提高估计精度与估计速度,并能够实时反映目标区域内车辆密度的变化。进一步的,设计的动态采样机制,能够通过判断车辆密度估计值的变化程度,动态调整采样网络的采样周期,更加合理地调配估计系统的计算负载,拓展了本发明的应用范围,并提高了对车辆密度信息估计的准确性与实时性。进一步的,将当前时刻与前一时刻车辆密度估计值的皮尔逊相关系数应用到动态采样机制中,能够实时地反应车辆密度估计值的变化率,并有效地将这种变化映射到有限的值域范围内的值域为[0,1]。采用这种方式描述车辆密度估计值的变化率,可以将不同任务需求下的采样周期判别标准,统一在[0,1]范围内,增强了本发明的理论分析效果。此外,权利要求4中设定的皮尔逊相关性系数标准:[0≤c1<c2≤1],可根据不同情况下的任务需求,动态调整相应的分段标准,使得本发明能够应用于不同精度需求下的车辆密度估计情况,提高了本发明的实用性。进一步的,采用指数型函数作为RBF神经网络中的激活函数。相对于传统的以多项式函数为激活函数的神经网络估计算法,本发明以指数型函数为激活函数,其线性组合在二维空间内具有较好的连续性与光滑性,且能够有效地避免非线性项的产生。此外,本发明在激活函数中引入目标区域内各个聚类的中心坐标位置Ci以及宽度向量σi,增加了激活函数在目标区域内的敏感性,能够有效地提高估计算法的精确度。进一步的,将卡尔曼滤波算法应用于RBF神经网络估计模型中,有效地降低了采样噪声对估计结果的影响。相对于传统的神经网络学习算法,该估计算法能有效抑制环境噪声对估计结果的干扰,进而提高对目标区域内车辆密度估计的精准度。进一步的,本发明提出的目标区域内车辆密度的估计方法由两部分组成,第一部分为激活函数与其权重系数的线性组合,第二部分为估计结果与采样值之间的误差补偿项。通过这两项的线性组合,本发明能够高效、准确地估计出目标区域内任意一点的车辆密度。此外,在误差补偿项中,本发明通过设定目标区域内任意两点的空间相关度函数的方式,有效地将采样位置处的估计误差,转化成目标点上车辆密度的估计误差,提高了本发明的准确性。进一步的,采取反馈迭代的方式,根据估计误差与预设精度之间的关系,动态调整迭代次数。采取此类方式,能够有效地对时变情况下的车辆密度进行估计,确保通过本发明计算出的车辆密度,能够实时地反映目标区域内车辆密度的变化情况,拓展了本发明的应用范围,并提高了目标区域内车辆密度估计系统的稳定性。综上所述,本发明公布的基于动态采样机制与RBF神经网络的区域车辆密度估计方法,首先通过设计的动态采样机制,实时调整车辆密度估计系统的采样周期,能够有效地提高本发明所公布算法的运算效率,并降低估计系统的计算负载。在此基础上,以指数函数作为激活函数,构建RBF神经网络,以提高估计算法的精准性。在此过程中,应用卡尔曼滤波算法,设计权重系数的更新算法,有效地降低了采样噪声对估计结果的影响。通过权重系数与激活函数的线性组合,结合车辆密度估计值与采样值的估计误差,估计目标区域内任意一点的车辆密度。最后,对比估计误差与预设精度,以迭代循环的方式,调整车辆密度的估计结果,进而实现对目标区内车辆密度的实时、精确估计。相对于传统的车辆密度估计方法,本发明将卡尔曼滤波算法与RBF神经网络相结合,能够解决噪声影响下的车辆密度估计问题;鉴于本发明提出的动态采样机制,该估计算法具有较快的估计效率、较低的运算负荷以及较高的估计精度。此外,由于本发明采用迭代循环的方式,能够实时有效地估计目标区域内的时变车辆密度,具有广泛的应用空间与实用范围。下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。附图说明图1为本发明的流程图;图2为动态采样机制流程图;图3为本发明的时变车辆密度估计分布仿真图,其中,a为t=1s时刻下目标区域内车辆密度的估计分布仿真图,b为t=5s时刻下目标区域内车辆密度的估计分布仿真图,c为t=10s时刻下目标区域内车辆密度的估计分布仿真图。具体实施方式本发明提供了一种基于动态采样机制与RBF神经网络的区域车辆密度估计方法,首先,根据目标区域内采样点的车辆密度采样信息,初步构建车辆密度数据库,并初始化相关参数;其次,对比多次车辆密度的估计值,动态调整采样间隔,更新采样数据;以存储的采样数据作为RBF神经网络的输入变量,定义一组激活函数并设计基于RBF神经网络的估计模型;针对采样数据中的噪声影响,利用卡尔曼滤波算法作为神经网络的学习算法,在滤除采样噪声的同时更新RBF神经网络的权值;接着,根据各个神经元网络的权重系数以及目标区域内车辆密度的相关度函数,估计目标区域内任意一点的车辆密度;最后,通过比较估计值与采样值之间的误差,判断估计误差是否满足任务需求,进而实现对目标区域内车辆密度的动态估计。请参阅图1,本发明一种基于动态采样机制与RBF神经网络的区域车辆密度估计方法,包括以下步骤:S1、在目标区域内布置n个高清摄像头,以目标区域内的车辆密度为目标,通过将摄像头中拍摄的图片进行图像处理等技术手段,计算每个拍摄点的车辆密度,再通过无线通讯的方式,实时收集当前时刻该点的车辆密度信息。连同采样设备的位置信息,初步构建目标区域内车辆密度的采样数据库。目标区域内车辆密度的采样信息可表示为YP,tk=[y1tk,…,yntk]T其中,YP,tk表示估计网络的采样集合;P=[p1,…,pn]T为采样设备的位置信息,表示该设备在tk时刻的采样值;在此基础上,车辆密度估计算法的数据集合为其中,表示包含采样位置信息的采样数据集合。S2、令为目标区域内车辆密度的初始采样信息。通过对比当前时刻的估计值与其前一时刻的估计值,求得这两次车辆密度估计值的皮尔逊相关性系数。具体的计算方法为:其中,为估计车辆密度的皮尔逊相关性系数,tk与tk-1分别表示估计系统的当前时刻与前一时刻,为车辆密度估计值中第j个元素,为tk时刻车辆密度估计值的平均值,由的计算方法可知,的值域为[0,1]。设采样设备的两次采样间隔为Δts,其间隔上限与下限分别表示为和c,将皮尔逊相关性系数分为三段,即[0≤c1<c2≤1],则采样间隔Δts的动态调整机制可表示如下:其中,k为Δts采样周期的时序序号,θ为增加采样间隔的最小步长。假设采样设备的初始采样间隔为Δts=5s,其间隔上限与下限分别表示为10s和1s。由于的值域为[0,1],根据相关任务需求,将皮尔逊相关性系数分为三段,即[0≤0.8<0.9≤1]。采样间隔Δts的动态调整机制可表示为其中,θ=1s为增加采样间隔的最小步长。根据当前时刻的采样间隔Δtsk,计算估计系统下一周期的采样时刻tk=tk-1+Δtsk,并更新估计系统的采样数据YP,tk。详细的动态采样机制流程如图2所示。由图2可知,假设当前tk时刻的采样间隔为5s。通过对比当前时刻tk与上一时刻tk-1的估计车辆密度,计算当前时刻的若下次采样间隔增加1s。若下次采样间隔减少1s。若直接令下次采样间隔为其最小值。这一流程通过对比目标区域内车辆密度估计值的变化率,动态调整估计网络的采样周期,能够有效地提高估计算法的计算效率。S3、定义RBF神经网络中的一层激活函数如下:其中,i=1,…,m,ψiq表示激活函数向量组中第i个激活函数;m为激活函数向量组Ψq=[ψ1q,…,ψiq,…,ψmq]T的维数;Ci表示目标区域内各个聚类中心的坐标位置;σi为激活函数ψiq的宽度向量;q∈Q表示目标区域内任意一点。激活函数中的相关系数以及RBF神经网络的相关参数的步骤如下:S301、设置神经网络的精度ξ与最大迭代次数N;其中,ξ=0.0001,N=1000;S302、通过K-MEANS算法计算得到各个聚类中心的位置坐标Ci;计算聚类中心位置Ci,首先确定第i个聚类Wi的样本个数Ni,再根据下式计算Ci:其中,x为聚类中的样本,h为聚类总数。S303、采用KNN算法计算宽度向量σi;隐含层对输入向量的影响程度由σi的取值大小决定。σi可由下式求得:其中,Ch为第h个聚类样本的中心位置坐标。激活函数的向量形式可表示为其中表示m维的向量空间。则目标区域内车辆密度的采样集合可表示为YP,tk=ΨTPωtk其中,为一组理想的权重系数;ΨP为激活函数向量组在采样位置上的激活函数矩阵,具体表示如下:其中,表示m×n维的向量空间。S4、根据卡尔曼滤波算法对神经网络中各个权值进行迭代更新,包括以下步骤:S401、设定卡尔曼滤波算法中相关矩阵的初值,包括误差协方差矩阵Pk0与噪声协方差矩阵R0;其中,Pk0=I,R0=I;S402、根据神经网络中激活函数在采样位置处的激活函数矩阵ΨP,计算卡尔曼增益矩阵Kptk;具体的计算方法如下:Kptk=Pktk-1ΨTPΨPPktk-1ΨTP+Rtk其中,Kptk为tk时刻所得到的卡尔曼增益矩阵,Pktk-1为第k-1时刻的估计误差协方差矩阵,Rtk为采样噪声协方差矩阵;S403、设初始时刻的权重系数为计算下一时刻激活函数的权值系数其中,与分别为下一时刻与当前时刻的权重系数估计值。S404、更新估计误差协方差矩阵;Pktk=Pktk-1-KptkΨPPktk-1;S5、车辆密度的具体计算方法如下:其中,为当前时刻车辆密度在q点的估计值,cq,P表示区域内任意点与采样位置之间的空间相关程度,cP,P表示采样位置相互之间的空间相关程度。两式的具体形式如下:其中,ci为cq,P中第i个元素,cij为cP,P中第i,j个元素,tki与tkj分别表示第i个采样值与第j个采样值的采样时间。σr为该函数的固定增益参数,σs为空间灵敏度系数,σt为时间灵敏度系数,其中,σr=5,σs=2,σt=8。δij为克罗内克函数,其形式如下:S6、计算估计误差etk,判断etk是否满足预设精度,若误差etk满足预设精度,则结束估计算法;否则更新采样数据与相关数据,返回步骤S2。其中,为当前时刻采样位置处的车辆密度估计值。为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。请参阅图3,车辆密度在10km×1km的矩形目标区域内的估计仿真结果。目标区域内的车辆密度分布由该图的灰度背景表示,其中每种灰度所对应的车辆密度值由其旁边的灰度幅值对应表显示,如浅色区域即表示该区域内的车辆密度较高。由该仿真结果可知,在目标区域内车辆密度较高的区域集中在其左侧。随着时间的推移,目标区域内车辆密度较高的区域逐渐向该区域的右侧移动。而图3b与图3c同时表明,本发明的基于动态采样机制与RBF神经网络的车辆密度估计方法能够实时地估计时变情况下的车辆密度分布。因此,本发明的车辆密度分布估计方法可以有效地实现对给定区域车辆密度信息分布的动态估计。以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。

权利要求:1.一种基于动态采样机制与RBF神经网络的区域车辆密度估计方法,其特征在于,根据目标区域内车辆密度的采样信息,初步构建车辆密度数据库,并初始化相关参数;对比多次车辆密度的估计值,动态调整采样间隔,更新采样数据;以存储的采样数据作为RBF神经网络的输入变量,定义一组激活函数并建立基于RBF神经网络的估计模型;针对采样数据中的噪声影响,将卡尔曼滤波算法应用到基于RBF神经网络估计算法中,在滤除采样噪声的同时更新RBF神经网络的权值;根据各个神经元网络的权重系数以及目标区域内车辆密度的相关度函数,估计目标区域内任意一点的车辆密度;最后通过比较估计值与采样值之间的误差etk,判断估计结果是否满足任务需求,实现对目标区域内车辆密度的动态估计。2.根据权利要求1所述的基于动态采样机制与RBF神经网络的区域车辆密度估计方法,其特征在于,在目标区域内布置n个高清摄像头,以目标区域内的车辆密度为目标,计算每个摄像头拍摄点处的车辆密度,实时收集当前时刻所有拍摄点处的车辆密度信息,设所有摄像头拍摄点的位置信息为P=[p1,…,pn]T,初步构建目标区域内车辆密度的采样数据库如下:其中,YP,tk表示车辆密度估计系统的采样集合,计算如下:YP,tk=[y1tk,…,yntk]T其中,表示第i摄像头在在tk时刻的采样值。3.根据权利要求1所述的基于动态采样机制与RBF神经网络的区域车辆密度估计方法,其特征在于,令为目标区域内车辆密度的初始采样信息,通过对比当前时刻的估计值与其前一时刻的估计值,求得两次车辆密度估计值的皮尔逊相关性系数如下:其中,tk与tk-1分别表示估计系统的当前时刻与前一时刻;为车辆密度估计值中第j个元素,为tk时刻车辆密度估计值的平均值,的值域为[0,1]。4.根据权利要求3所述的基于动态采样机制与RBF神经网络的区域车辆密度估计方法,其特征在于,设采样设备的两次采样间隔为Δts,其上限与下限分别表示为和c,将皮尔逊相关性系数分为三段,即[0≤c1<c2≤1],则采样间隔Δts的动态调整机制表示如下:其中,k为采样周期的时序序号,θ为增加采样间隔的最小步长。5.根据权利要求1所述的基于动态采样机制与RBF神经网络的区域车辆密度估计方法,其特征在于,定义RBF神经网络中的激活函数如下:其中,i=1,…,m,ψiq表示激活函数向量组中第i个激活函数;m为激活函数向量组Ψq=[ψ1q,…,ψiq,…,ψmq]T的维数;Ci表示目标区域内各个聚类中心的坐标位置;σi为激活函数ψiq的宽度向量;q∈Q表示目标区域内任意一点。6.根据权利要求5所述的基于动态采样机制与RBF神经网络的区域车辆密度估计方法,其特征在于,获取激活函数中的相关系数以及RBF神经网络相关参数的步骤如下:S301、设置神经网络的精度ξ与最大迭代次数N;S302、通过K-MEANS算法计算得到各个聚类中心的位置坐标Ci;S303、采用KNN算法计算宽度向量σi;隐含层对输入向量的影响程度由σi的取值确定,具体由下式求得:其中,Ch为第h个聚类样本的中心位置坐标,h为聚类总数;激活函数的向量形式Ψq表示如下:其中,为m维的向量空间,则目标区域内车辆密度的采样集合YP,tk表示为YP,tk=ΨTPωtk其中,为一组理想的权重系数;激活函数向量组在采样位置上的激活函数矩阵ΨP表示如下:其中,表示m×n维的向量空间。7.根据权利要求1所述的基于动态采样机制与RBF神经网络的区域车辆密度估计方法,其特征在于,根据卡尔曼滤波算法对神经网络中各个权值进行迭代更新的步骤如下:S401、设定卡尔曼滤波算法中相关矩阵的初值,包括误差协方差矩阵Pk0与噪声协方差矩阵R0;S402、根据神经网络中激活函数在采样位置处的激活函数矩阵ΨP,计算卡尔曼增益矩阵Kptk如下:Kptk=Pktk-1ΨTPΨPPktk-1ΨTP+Rtk其中,Kptk为tk时刻所得到的卡尔曼增益矩阵,Pktk-1为第k-1时刻的估计误差协方差矩阵,Rtk为采样噪声协方差矩阵;S403、设初始时刻的权重系数为计算下一时刻激活函数的权值系数其中,与分别为下一时刻与当前时刻的权重系数估计值;S404、更新估计误差协方差矩阵Pktk如下:Pktk=Pktk-1-KptkΨPPktk-1。8.根据权利要求1所述的基于动态采样机制与RBF神经网络的区域车辆密度估计方法,其特征在于,以当前时刻车辆密度在q点的估计值作为车辆密度,计算如下:其中,cq,P表示区域内任意点与采样位置之间的空间相关程度,cP,P表示采样位置相互之间的空间相关程度。9.根据权利要求8所述的基于动态采样机制与RBF神经网络的区域车辆密度估计方法,其特征在于,cq,P中第i个元素ci和cP,P中第i,j个元素cij计算如下:其中,σr为该函数的固定增益参数,σs为空间灵敏度系数,σt为时间灵敏度系数,δij为克罗内克函数,tki与tkj分别表示第i个采样值与第j个采样值的采样时间。10.根据权利要求1所述的基于动态采样机制与RBF神经网络的区域车辆密度估计方法,其特征在于,判断etk是否满足预设精度,若误差etk满足预设精度,则结束估计算法;否则更新采样数据与相关数据,返回重新初始化相关参数,对比多次车辆密度的估计值,动态调整采样间隔,更新采样数据;估计误差etk计算如下:其中,为当前时刻采样位置处的车辆密度估计值。

百度查询: 长安大学 一种基于动态采样机制与RBF神经网络的区域车辆密度估计方法