图像分类结合经验模分解和径向基函数网络在车辆动态称重中的应用

摘要：

在车辆动态称重系统中,称重数据的处理是很复杂的.针对车辆运动参数对轴重信号的影响,本文采用径向基函数(RBF)网络,考虑到网络的泛化能力与拟合精度的矛盾,将车辆按照重量分为大、中、小3种类型,进行整车建模和网络训练.实际测试过程中,利用汽车俯视图像先提取类型特征,为了减小汽车运行过程中的振动对测试精度的影响,对汽车完全驶上称重台的信号进行经验模分解(empirical mode decomposition,EMD)求得剩余分量的平均值,并以前、后轴的剩余分量的平均值、平均速度、上台信号上升斜率、下台信号下降斜率为径向基函数网络的输入,然后根据汽车的类型将测试参数输入不同的神经网络进行处理,以静态测量结果为相对真值.结果表明,采用台上信号EMD分解的剩余分量的平均值作为输入的分类建模比直接采用台上信号的平均值作为输入的单一建模测试精度更高.

关键词：汽车动态称重、径向基函数(RBF)网络、经验模分解、图像处理

所属期刊栏目：26

分类号：U46(汽车工程)

在线出版日期：2007-07-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：701-704