原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
长江大学学报(自科版) 2013年9月号理工上旬刊第10卷第25期
of
Journal Sci No．25
YangtzeUniversity(NatEdit)Sep．2013，V01．10
基于BP神经网络与D—S证据理论
的车辆识别模型设计
樊晓宇 (安徽科技学院机电与车辆工程学院，安徽凤阳233100)
[摘要]为了提高车辆识别的准确性，采用BP神经网络与D-S证据理论的车辆识别模型对多源信息中的
目标车辆进行信息识别。研究结果表明，采用基于BP神经网络与D-S证据理论的车辆识别模型可以使车
辆识别的不确定性基本概率赋值下降到0．001，较好地解决了只用单一传感器进行车辆识别时存在的准确
性和稳定性差的问题。
[关键词]多传感器信息融合技术；车辆识别；BP神经网络；IYS证据理论
[中图分类号]TP212 [文献标志码]A
多传感器信息融合技术是指对多个传感器的信息进行综合处理，从而获得更为精确、可靠的信
息阻引。目前，在车辆识别模型中常利用多传感器信息融合技术将各个传感器提供的信息融合，这样可
等优点，而BP神经网络具有很强的非线性泛化和映射能力嘲，为了提高车辆识别模型识别车辆的准确
性，笔者基于BP神经网络与D-S证据理论对车辆识别模型进行了设计o。
1 D-S证据理论与BP神经网络
I．1 D-S证据理论
D-S证据理论的证据合成规则可以为不确定信息的合成提供依据，其具体内容如下：设BL。和BL：
是同一识别框架缈上的2个信任函数，其基本概率分配分别为m。和优：，相应的焦元分别为A，、A：、…、A。
和B，、B。、…、B，，K为冲突因子，其反映证据间冲突程度的大小，令：
K=：m1(A，)7722(B，)1 (1)
A。画=≠
式中，≯表示空集；i一1，2，…，是，J一1，2，…，r。融合后的基本概率赋值为：
∑m。(A：)优：(B，)
m(C)一 C9 (2)
业巴F厂，C
0，CC击
若K=1，m，和优。完全冲突，无法组合基本概率赋值；若K≠l，优确定一个基本概率赋值。该规则
的合成结果反映了同一识别框架中几个不同证据间的联合支持程度。
设行个传感器，每个传感器有r个测量周期，识别框架中有意义的识别有志个(A。，A：，…，A。)，每个传
示第S个传感器在第J个测量周期对A，的后验可信任度分配。运用多传感器信息融合技术的具体步骤如
下：①计算每一个周期所有传感器的各个融合的后验可信任度分配；②基于可信任度分配计算总的融合
后验可信任度分配；③根据具体应用，用D-S证据理论组合后进行决策。设A。，A。∈9，若满足m(A。)
=max{7n(A，)，A：E9}，771(A2)一F118X{m(A，)，A：∈够，A，≠A1)时：
[收稿日期]2013—06一12
[作者简介]樊晓宇(1981一)，男，助教，博士生，现主要从事通信、传感系统优化设计，信号与信息处理方面的教学与研究工作。
o安徽科技学院青年基金项目(ZRC2013339)。
万方数据
第10卷第25期 樊晓宇：基于BP神经网络与D-S证据理论的车辆识别模型设计 ·95·
fm(A1)一m(A2)E1
．{m(9)E2 (3)
【re(A1)m(9)
则A。为判决结果，其中E。、E：分别为预先设定的阈值。
1．2 BP神经网络
文档评论（0）