基于壓力傳感器的乘員體征識別(編輯修改稿)

　

【文章內容簡介】 0年代中期，Vapnik和他的Atamp。T Bell實驗室小組在SL的基礎上提出了SVM算法，在解決小樣本、非線性、局部最小及高維模式識別問題中取得很好的效果[17]。 最優分類超平面 支持向量機的研究最初針對模式識別中的兩類線性可分問題。分割線（平面）1和分割線（平面2）都能正確地將兩類樣本分開，即都能夠保證使經驗風險最小（為0），這樣的分類線（平面）有無限多個，但分割線（平面）1離兩類樣本的間隙最大，稱之為最優分類平面。最優分類線（平面）的置信范圍最小。. 推廣到高維空間，假設訓練數據 (21) 可以被一個超平面 (22)分開，如果這個向量被超平面沒有錯誤地分開，并且離超平面最近的向量與超平面之間的距離是最大的，則這個超平面為最優超平面。 分割線1 分割線2 最優分類平面示意圖為了表示這個分類超平面，使用以下的形式表達： (23) 容易驗證，最優超平面就是滿足條件式（23）并且使得 (24） 最小，為此，可以定義如下的Lagrange函數： (25)其中，≥0為Lagrange系數，我們的問題是對ω和b求Lagrange函數的最小值。把式（25）分別對ω、b、求偏微分并令它們等于0，得： (26) (27) (28)以上三式加上原約束條件以及kuhn－Tucker條件可以把原問題轉化為如下對偶問題： (29)文獻[21]提供了解決該問題的特殊方法[21]。這是一個不等式約束下二次數機制問題，存在唯一最優解。若 為最優解，則 (210) 不為零的樣本即為支持向量，因此，最優分類面的權系數向量是支持向量的線性組合。 可由約束條件求解，由此求得的最優分類函數是: (211) sgn()為符號函數。 （≥0）是Lagrange系數，是域值。 如果數據線性不可分需要引入一個非負的松弛變量（≥0)將約束條件變為： (212) 將目標函數改為最小化： (213)此時的最優分類超平面被稱為廣義最優分類超面，其求解過程與線性可分情況下幾乎相同，只是對拉格朗日系數 的取值范圍變為:0≤≤C,i=1,2,…,n 其中C是一個給定的值，它控制對錯分樣本懲罰的程度，實現在錯分樣本的比例和算法復雜度之間的折中。 核函數的概念及支持向量機模型 通過非線性映射amp。將輸入空間變換到一個高維空間D，然后在這個新空間中求取最優線性分類面，而這種非線性變換是通過定義適當的核函數（內積函數）實現的，令： (214)用核函數代替最優分類平面中的點積,就相當于把原特征空間變換到了某一新的特征空間，此時優化函數變為： (215)而相應的判別函數式則為： (216) 其中是支持向量，為未知量，（216）式就是支持向量機（SVM）模型。 由于最終的判別函數中實際只包含未知向量與支持向量的內積的線性組合，因此識別時的計算復雜度取決于支持向量的個數。 目前常用的核函數形式主要有Linear核函數、RBF(Radial Basis Function)核函數、Sigmoid核函數、Polynomial核函數四大類。 3 基于體壓分布的乘員體征識別算法前面介紹了各種乘員體征識別技術及方法及乘員體征識別技術的理論基礎和支持向量機方法，本文在綜合分析以上研究方法的基礎上，提出了通過分析座椅體壓分布的方法對乘員類型體征信息進行識別的技術路線。其中，采用了智能模式識別中在解決小樣本、非線性、局部最小及高維模式識別問題時具有優秀性能的支持向量機算法，并通過分析壓力分布敏感點，將壓力分布的圖中的敏感點壓力直接作為乘員體征主特征，最終將獲得的主特征作為支持向量機訓練樣本實施學習訓練，將訓練后的分類模型直接作為乘員體征分類器。 總體技術路線 本文開發的算法包括乘員測量空間的生成、乘員特征空間的提取和乘員體征空間的劃分三個部分。 敏感點特乘員測量空間乘員體征空間乘員特征空間乘員體壓分布數據 預處理 征提取 模式 分類 特征選擇 乘員類型識別系統識別過程 試驗數據樣本是使用Tekscan公司的汽車座椅體壓測量系統，采集不同體征的乘員高維體壓分布的數據,形成乘員測量空間。通過對于壓力分布敏感點的分析，找到乘員體壓分布敏感點，將敏感點壓力值作為乘員識別特征，建立乘員特征空間，然后通過模式識別中支持向量機的方法對乘員特征空間進行分類，對乘員體征空間進行劃分，最后建立乘員體征識別器。人工在敏感區域布置敏感點 高密度坐墊式壓力傳感器 乘員體壓分布測試系統 壓力敏感點位置不同類型乘員體壓分布數據壓力分布敏感度分析 乘員體壓信息的后處理平均值濾波實際體征數據讀取 測量空間的生成壓力敏感點壓力值讀取 壓力分布測量數據處理系 特征空間的提取 不同類型成員特征數據庫 類型空間的劃分 乘員類型特征數據 歸一化間隔點法求最優化參數值 檢驗數據 調查數據 檢驗分類器分類效果訓練分類器 支持向量機最優參數 類型分類 器模型最優類型分類器 乘員體征識別算法技術路線圖 乘員測量空間的生成 乘員測量空間是經過數據處理后原始乘員體壓分布信息所在的空間。 膜片式壓力分布傳感器測量的壓力分布測量類似于攝像機的光感應元件，容易受到外部或內部的干擾，單位測量點的敏感測壓元件的靈敏度的不均勻性，數字化過程中的量化噪聲、傳輸過程中的誤差以及人為因素，均會使壓力分布測量的質量變差。因此去除噪聲、恢復原始的壓力分布是數據處理的一個重要內容[22]。 本文借助圖像處理的方法對壓力分布數據進行預處理。圖像的平滑處理方法根據噪聲本身的特性而定，可在空間域或頻率域采用不同的措施，大多在空間域內進行?？臻g平滑濾波是在圖像空間內利用模板進行鄰域操作實現的，一般可分為線性和非線性兩類。線性平滑濾波器因為完善的理論基礎、相對簡單的數學處理，一直是圖像處理的主要工具[23]。本文使用的預處理算法是局部平均法，即以某個像素為中心，在圖像上開一個小窗口，把這個窗口內的所有測量點的壓力值加權求平均值，并以這個值來代替這個測量點的壓力值。計算公式如下： (31)其中，M是鄰域N內的測量點總和，是鄰域N內位置處的壓力值，表示加權系數且有： （32）這種平滑處理算法可表示成線性算子的形式。由于加權系數選擇的不同，形成多種平滑算子。 體壓分布數據處理就是將對