一种自适应停止SOM神经网络和其应用.docVIP

一种自适应停止SOM神经网络和其应用 　　摘 要： RFID采集的车辆信息可以识别营运车辆的运行规律，采用这种方法能找出运行规律类似营运车辆的私家车，并判定为疑似非法营运车辆。应用SOM神经网络聚类时，初始化网络需要设置各种参数。为此，提出一种自适应确定网络训练次数的方法，利用权值导数来判断是否停止训练。利用UCI数据集对传统的和改进后的网络进行测试并对比，发现改进后的网络优于传统网络。最后，将改进后的网络用在车辆运行规律识别中，得到预期的效果。 关键词： SOM神经网络； 网络训练； 自适应； 聚类 中图分类号：TP391.4 文献标志码：A 文章编号：1006-8228（2014）04-09-03 Abstract： The vehicle information collected by RFID could identify laws of the commercial vehicles’ operation. Using this approach can find out private cars which have similar operation laws， and judge them as suspected illegal vehicles. When using SOM neural network to cluster， various parameters need to be set when initializing the network. A self-adaptive method is introduced for determining the network training times， which uses weights derivative to determine whether to stop training. After the test and comparison of the traditional and the improved network by taking advantage of UCI datasets， it turns out that the improved network is better than the traditional network. Finally， when the improved network is used in identification of the vehicle， an expected recognition results can be reached. Key words： SOM neural network； network training； a self-adaptive method； cluster 0 引言 RFID技术作为一种新兴的车辆监控技术，正在被广泛地应用于交通领域，重庆市目前正在建设全球最大规模的以UHF RFID技术为基础的车联网，已建设RFID数据采集点300余处，给利用RFID数据来进行非法营运车辆的识别提供了可能。项目前期已经得到了模拟城市某点的RFID对各种机动车辆仿真的数据，其中包括营运车辆和非营运车辆。营运车辆包括：公交车、长短途客运车辆和出租车；非营运车辆是私家车。识别的任务就是找到非法的营运车辆。在识别过程中采用了SOM神经网络对各种车辆进行聚类，从而识别运行规律与营运车辆类似的私家车，并将其标记为疑似非法营运车辆，提高交通行政执法人员的目的性和执法效率。 所谓自组织映射网络（SOM）是由芬兰学者Kohonen教授在1981年提出的，也称作Kohonen网络[1]。网络通过把复杂、多维的输入数据投射到一维或者二维的输出空间来进行对复杂数据的研究。SOM网络的应用和研究都非常广泛，例如利用模糊概率SOM神经网络来进行人脸识别[2]，利用改进的自组织网络进行概率密度估计与分类[3]，设计自生长的批处理SOM网络以及确定它的停止条件[4]，这里的停止条件是指获胜者的近邻加权平均失真误差发生收敛时停止训练网络等。 项目前期得到RFID点采集到的信息包含：车辆车牌号、车辆经过时间和经过地点，再将数据导入SQL Sever数据库进行数据的预处理，处理后得到的数据包括：车辆车牌号，统计周期内的车辆平均通过时间、通过时间的方差、通过时间间隔、通过时间间隔的方差、通过频次、高峰通过占比等相关信息，而后经过PCA降维处理去掉不同维数据之间的相关性并剩下最终的六维数据，将这六维数据作为网络的输入数据。 使用MATLAB神经网络工具箱[5]对SOM网络进行聚类时发现，对SOM网络的初始参数的确定有很多局限性，这些初始参