[发明专利]一种基于地磁信号的车型识别方法

摘要

本发明公开了一种基于地磁信号的车型识别方法。现有基于磁场传感器的车型识别方法对于采集到的特征数据并未进一步的筛选。本发明如下：一、在地面下设置磁场传感器。将1赋值给i和j。二、用第i种车型对应的第j辆试验车辆经过三分量磁场传感器的上方。三、对所得数据进行归一化处理。四、获取各车辆对应的64个特征值。五、采用混合式的特征选择方法进行特征筛选，并得到分类模型。六、当被测车辆经过磁场传感器，磁场传感器采集磁场信号。七、根据分类模型判断被测车辆的车型。本发明引入了利用小波变换提取的时频特征，完善了对信号的特征描述。本发明在特征选择的过程中基于提出的配对、配对数的概念优化了对特征集中的冗余特征的过滤。

主权项

1.一种基于地磁信号的车型识别方法，其特征在于：步骤一、在地面下设置三分量磁场传感器；取m种不同车型的车辆；每个车型均对应W辆试验车辆；将1赋值给i和j；步骤二、用第i种车型对应的第j辆试验车辆经过三分量磁场传感器的上方；三分量磁场传感器进行N_ij次磁场采集，得到X方向磁场数据集S₁、Y方向磁场数据集S₂、Z方向磁场数据集S₃；其中，s_1b为三分量磁场传感器在第b次采集中得到的磁场x轴方向分量，s_2b为三分量磁场传感器在第b次采集中得到的磁场y轴方向分量，s_3b为三分量磁场传感器在第b次采集中得到的磁场z轴方向分量，b＝1,2,…,N_ij；步骤三、对X方向磁场数据集S₁、Y方向磁场数据集S₂、Z方向磁场数据集S₃内的元素分别进行归一化处理，得到X方向归一化数据集S′₁、Y方向归一化数据集S′₂、Z方向归一化数据集S′₃；其中，|s_a，max|为中最大值的绝对值，|s_a，min|为中最小值的绝对值，max(|s_a，max|，|s_a，min|)等于|s_a，max|、|s_a，min|中较大的那个数；步骤四、求取X方向归一化数据集S′₁的均值最大值s′_1，max、最小值s′_1,min、极差R₁、最大值的相对位置E_1,max、最小值的相对位置E_1,min、正负能量比PG₁、极大值个数、极小值个数，Y方向归一化数据集S′₂的均值最大值s′_2，max、最小值s′_2,min、极差R₂、最大值的相对位置E_2,max、最小值的相对位置E_2,min、正负能量比PG₂、极大值个数、极小值个数，Z方向归一化数据集S′₃的均值最大值s′_3,max、最小值s′_3,min、极差R₃、最大值的相对位置E_3,max、最小值的相对位置E_3,min、正负能量比PG₃、极大值个数、极小值个数；s′_a,max为中的最大值；s′_a，min为中的最小值；R_a＝s_a，max‑s_a，min；E_a,max＝σ_a,max/N_ij，σ_a,max为s′_a，max在归一化数据集S′_a中的序数；E_a,min＝σ_a,min/N_ij，σ_a,min为s′_a,min在归一化数据集S′_a中的序数；Pg_a＝A_a/B_a；A_a为归一化数据集S′_a中所有大于0的元素的平方和；B_a为归一化数据集S′_a中所有小于0的元素的平方和，a＝1,2,3；计算X方向归一化数据集S′₁、Y方向归一化数据集S′₂、Z方向归一化数据集S′₃的平均能量步骤五、a＝1,2,3，依次执行步骤六；步骤六、对归一化数据集S′_a进行二尺度小波包变换，得到四个二尺度分解系数集；对四个二尺度分解系数集分别取平均值、最大值、近似熵；并求取所得的第一个二尺度分解系数集的平均能量其中，d_a，l为第一个二尺度分解系数集的第l个元素；M_a为第一个二尺度分解系数集的元素个数；步骤七、将步骤四、五、六所得的X方向归一化数据集S′₁的均值、最大值、最小值、极差、最大值的相对位置、最小值的相对位置、正负能量比、极大值个数、极小值个数，Y方向归一化数据集S′₂的均值、最大值、最小值、极差、最大值的相对位置、最小值的相对位置、正负能量比、极大值个数、极小值个数，Z方向归一化数据集S′₃的均值、最大值、最小值、极差、最大值的相对位置、最小值的相对位置、正负能量比、极大值个数、极小值个数，X方向归一化数据集S′₁对应的第一个二尺度分解系数集的平均能量、四个二尺度分解系数集的平均值、最大值、近似熵，Y方向归一化数据集S′₂对应的第一个二尺度分解系数集的平均能量、四个二尺度分解系数集的平均值、最大值、近似熵，Z方向归一化数据集S′₃对应的第一个二尺度分解系数集的平均能量、四个二尺度分解系数集的平均值、最大值、近似熵，依次排序作为对应第i个车型的第j辆试验车辆的64个特征值；进入步骤八；步骤八、若j＜W，则将j增大1，并执行步骤二至七；若i＜m，且j＝W，则将i增大1，将1赋值给j增大1，并执行步骤二至七；若i＝m，且j＝W，则进入步骤九；步骤九、建立初始特征数据集F如下：其中，f_k,i,j为第i个车型的第j辆试验车辆对应的第k个特征值，i＝1,2,…,m，j＝1,2,…,W，k＝1,2,…,64；步骤十、采用混合式的特征选择方法进行特征筛选，并得到分类模型；10.1、采用ReliefF算法计算初始特征数据集F内64个二维数组的ReliefF权重；将初始特征数据集F中ReliefF权重低于权重阈值Wt的二维数组删除，得到一级优化特征集合F_s；其中，0.05≤Wt≤0.15；将1赋值给p，将2赋值给q；10.2、计算一级优化特征集合F_s内第p个二维数组与第q个二维数组的相关系数其中，若COR(p,q)＞W_c，则将配对数组(p,q)放入初始为空集的Pos数组；其中，0.7≤W_c≤0.8；进入步骤10.3；10.3、若q＜r，则将q增大1，并执行步骤10.2；若q＝r，且p＜r‑1，则将p增大1后，将p+1赋值给q，并执行步骤10.2；若q＝r，且p＝r‑1，则进入步骤10.4；r为一级优化特征集合F_s内二维数组的个数；10.4、若Pos数组不是空数组，则执行步骤10.5及10.6；否则，进入步骤10.7；10.5、将Pos数组中重复次数最多的元素作为初始目标序数；若仅存在一个初始目标序数，则将该初始目标序数作为最终目标序数ξ；若同时存在多个初始目标序数，则将各初始目标序数对应的二维数组作为目标二维数组，取各目标二维数组中ReliefF权重最小的那个目标二维数组对应的初始目标序数作为最终目标序数ξ；10.6、将最终目标序数ξ对应的那个二维数组标记为无效数组，并将Pos数组中含有最终目标序数ξ的配对数组均删除；进入步骤10.4；10.7、将一级优化特征集合F_s中所有被标记为无效数组的二维数组均删除，得到二级优化特征集合F_b；10.8、用包装算法将对二级优化特征集合F_b进行筛选，得到三级优化特征集合F'；三级优化特征集合F'内二维数组的个数为v；三级优化特征集合F'内v个二维数组对应的特征作为目标特征；10.9、根据三级优化特征集合F'内的各个元素的大小及其对应的车型，通过C4.5算法获取三级优化特征集合F'内v个二维数组对应的特征的目标阈值；步骤十一、当被测车辆经过三分量磁场传感器的上方时，三分量磁场传感器根据自身采样频率进行N'次磁场采集，得到X方向被测数据集C₁、Y方向被测数据集C₂、Z方向被测数据集C₃；步骤十二、根据X方向被测数据集C₁、Y方向被测数据集C₂、Z方向被测数据集C₃求取被测车辆的v个目标特征值；将被测车辆的v个目标特征值与v个目标阈值进行大小比较，进而确定被测车辆的车型；进一步地，步骤四中，磁场数据集的极大值、极小值的判定方法如下：若s′_ab满足以下两个条件之一，则s′_ab为极大值：(1)s′_ab＞s′_a,b‑1，s′_ab＞s′_a,b+1，并且满足s′_ab‑s′_a,b‑1＞0.2或s′_ab‑s′_a,b+1＞0.2；(2)s′_ab‑s′_a,b‑1＞0.1，s′_a,b‑1‑s′_a,b‑2＞0.1，s′_ab‑s′_a,b+1＞0.1，s′_a,b+1‑s′_a,b+2＞0.1；若s′_ab满足以下两个条件之一，则s′_ab为极小值：(1)s′_ab＜s′_a,b‑1，s′_ab＜s′_a,b+1，并且满足s′_a,b‑1‑s′_ab＞0.2或s′_a,b+1‑s′_ab＞0.2；(2)s′_a,b‑1‑s′_ab＞0.1，s′_a,b‑2‑s′_a,b‑1＞0.1，s′_a,b+1‑s′_ab＞0.1，s′_a,b+2‑s′_a,b+1＞0.1。