论文研究-铁路扣件图像检测中的RBF-SVM模型优化.pdf

所需积分/C币:50 2019-09-13 12:12:30 527KB .PDF
9
收藏 收藏
举报

在开发的铁路扣件检测系统中,RBF-SVM被作为扣件图像分类识别的分类器。核参数的选择是RBF-SVM模型优化研究中的重要问题,将量子粒子群算法应用于参数的优化选择,在[(c,γ)]参数可调范围内产生初始种群,将种群中的个体作为RBF-SVM的参数进行学习;经过多次迭代获得最佳参数对[(c,γ)],并将该参数对作为RBF-SVM的核参数训练支持向量机。实验表明,QPSO的性能优于传统的 PSO算法,该方法在解决支持向量机优化方面表现出了高效的收敛性和稳定性,并且在该方法的基础上形成的铁路扣件检测算法是切实可行的。
2014,50(15) Computer Engineering and Applications计算机工程与应用 应度评估。如满足跳出条件,则转步骤8,否则转步骤3。 步骤3种群适应度评估。用适应度评价函数对 P)中每个个体进行评价,取P=∑(y-10)2作为目标 函数,F=1P为适应度函数。适应度越高,该染色体保 存的机会趑大,记下当前最优解并与当前的目标值比 较,如果大于当前口标值,则以当前最优解替代当前口标 值,迭代次数加1,否则转步骤4 (a)部分扣件图像正样本 步骤4根据B的值更新粒子相位的变化量,并 运用公式(5)来更新粒子 步骤5根据自适应概率计算方式判断是否需要对 粒子的相位进行跳变;是则计算该值并转步骤6;否则直 接转步骤6 步骤6根据预设的粒子状态观测概率选择粒子的 状念,使粒子坍塌;并通过映射关系P的计算将粒子 映射到预设的空间范围内 b)部分扣件图像负样本 步骤7对坍塌好的粒子进行适应度评价;如满足跳 图1部分铁路扣件样本图像 出条件,则转步骤8否,则更新全局最优和历史最优转大多数扣件是正常的,极少部分扣件是有缺陷的,测试 步骤3 样本图像数据间存在数据不平衡。为此,将正常无缺陷 步骤8输出最优值(c,γ,结東。 的样本平均划分为10份,每份150张。测试时每次从止 常的样本中选择份150张与缺陷样本构成测试库以 3实验分析及结果讨论 保持各类数据之间的平衡。连续挑选10次以保证所有 3.1实验条件 正常类样本都被选作测试样本。对10次分类结果求平 为了检验QPSO算法在 RBF-SVM优化模型参数选均值,获得最终的扣件状态平均分类识别率。针对扣件 择的有效性,以铁路扣件图像库为测试基准测试库;另图像的特点,在图像增强处理之后,计算扣件图像的分 外,冈格搜索法参数寻优、粒子群算法参数寻优是目前层梯度直方图(PHOG)特征,在利用量子粒子样算法确 两种比较有代表性的方法,网格搜索法参数寻优是·种定核参数后,根据样本集特征训练支持向量机,对测试 穷尽枚举法,在参数搜索步长足够小的情况下可获得集的图像进行测试。 最优的结果;粒子群算法是一种智能优化算法,在众多 ,2实验分析与讨论 不同的应用背景下均取得优异凶效果1,是当前研究 以上实验属于目标识别分类问题,衡量参薮寻优方 的热点。本文以前述两种方法的寻优结果作为参照对法、支持向量机分类性能常川的儿个指标为识别分类准 象,可以充分榆验本文所提算法的性能。测试平台为 确率、模犁的泛化能力、训练测试需要的时间、参数寻优 Windows平台, matlab201l图是铁路扣件测试数据库的搜索效率。对于分类准确率作如下定义 中部分图像示例,其中(a)是部分扣件图像正样本,(b)是 部分扣件图像负样本。 识别率=正确别的样本个数×100% 铁路扣件图像测试数据库是本课题组在近几年的 误识率=错误因别的样本个数×00 铁路祧觉检测研究过程中收集到的样本图像,数据库的 所测试的样本总数 建立充分考虑了样本的多样性,包括光照条件视角变3.21QPSO优化能力 化、尺度变化,部分遮挡等因素,对于算法的测试验证也 表1中记录了三种方法在其中一组测试数据集的 具有很高的价值。扣件数据库中共500个训练样本,正、测试结果,表2中记录了根据训练模型在测试数据集上 负样本各占250张图像;测试样本库1650张,其中正样进行10次测试的测试结果。结合表1对铁路扣件图像 本1500张图像,负样本150个测试样本。出于测试库中测试库的测试结果作如下分析。 表1三种不冋优化方法的计算结果 测试数据集 优化方法 训练测试时间/分类准确率/(%)演化代数(c,y)参数对 铁路扣件图 GS(网格搜索法) l143 9245 (16,16) PSO(粒子群算法 1554 8 (672,297) 像測试库 QPSO(量子粒子群算法) 1217 96.72 3 (17.5,l6.8) 刘甲甲,王凯,袁建英,等:铁路扣件图像检测中的 RBE-SVE模型优化 20l4,50(15) 33 表2OPSO优化方法、10组 Best c=672709 8=29.671 4 CKAccurac=97 97.0 测试的计算结果 (%) 序号 最佳适应度 96.5 推确率 96.7297.3397.6598009600 序号 6 幽96.0 确率97.3396.00980095679833 平均适应度 F均准确率 97.18 (1)采用QPSO优化后的RBF-SVWM模型得到的分 95.0 类准确率为9672%,对应的采用GS、PSO优化模型得到 94.5 10 的分类准确率分别为9245%和95.54%, QPSO, GS和PSO 进化代数 三种优化方法在整个计算过程时间消费分别是1217s、 (a)粒子群算法参数寻优 1143s和1554s,可知采用QPSO进行 RBF-SVM参数 970c-17.507449.814 ACCuracy966% 优化虽然时间指标上性能并‖最优,但其在分类准确率 和训练分类时间的综合指标上达到了一个最优的结果。 96.5 (2)由表1中的测试结果可知,采用GS方法与QPSO 960 最佳适应度 方法所需的训练分类时间相当,但前者明显比后者得到 武95.5 的分类准确率低。分析原因,两种方法得到的(c,y)参 95.0 “ 数对值分别为(16,16)和(17.5,16.8),前者因为设定的 搜索步长较大而无法得到最优的核参数对,由于支持向 4.0 平均适应度 量机模型对于c和γ参数的敏感性强,因此前者未能取 93.5 得较高的分类准确率;若将前者的搜索步长调小也可以 让化代数 找到最优的参数对,但同时也会大幅度增加计算时间的 (b)量子粒子样算法参数寻优 开销。 图2参数寻优方法在铁路扣件測 (3)QPSO和PSO优化方法相比较分类准确率有所 试库上的叫视化测试结果 提高,而且节省了约1/5的计算时间,主要原因是QPSO有较强的经验色彩核参数的确定大多是通过反复实验 方法具有很强的并行处理能力和收敛速度,另外,山并不断地修正核参数以期找到相对较优的参数值,因此 QPSO方法得到的惩罚因子c值较小,符合在同等验计计算量较大而且缺乏理论指导。文中提出一种量子粒子 分类准确率情况下c值应尽量小的原则,在建立支持向 群优化算法对RBF-SVM参数进行优化,并对比网格参 量机优化模型时避免了过学习状态发生,所建立的优化数寻优法和粒子群算法参数寻优。通过在铁路扣件图 模型貝有更强的泛化能力。 由表2中的测试结果可知,在对铁路扣件测试集进像测试库上的实验证明,量子粒子群算法对RBF-SVM 行的10组测试中,QPSO算法优化的 RBF-SVM模型均模型参数进行优化得到了很好的效果。量子粒子群算 保持铰高的分类识别准确率,表明该方法优化后的模型法相对于网格搜索算法更加智能化,避兔了网格参数寻 对于数据集大小的变化具有较强的适应性和泛化能力;优方法的步长选择稚的问题相对于粒子群算法,量 且平均准确率达到97.18%,很好地满足了铁路扣件自子粒子群算法在收敛速度优化效率等方面都优于粒子 动化检测的实际需求 群算法,采用量子粒子群算法进行支持向量机模型优化 322QPSO的优化效率 并进行铁路扣件检测是切实可行的,满足了铁路自动化 对于QSO算法的优化效率,如图2所示的两种参检测的需求。量子粒子群算法不仅对 RBF-SVM具有较 数寻优方法在铁路扣件图像测试库上的可视化结果。好的优化能力,而且对其他基于核的学习方法的模型优 图2(a)、图2(b)分別为粒子群算法和量子粒子群算法化都具有一定的参考价值。 参数寻优的可视化结果,由图示可知,粒子祥算法在演 化至第8代时得到最优分类准确率,量子粒子群算法演参考文献: 化至第3代就得到最优准确率,量子粒子群算法的搜索1]j世飞,齐丙娟,潭红拖支持向量机理论与算法研究综 效率比传统粒子群算法有了较大的提高。 述[门电子科技大学学报,2011,40(1):2-10 [2]涂歆,严洪森基于扩展的径向基函数核支持向量机的产品 结论 销售预测模型几计算机集成制造系统,2013(6):1343-1350 RBF-SVM学刁模型对于参数的选择长期以来都带 (下转41页)

...展开详情
试读 4P 论文研究-铁路扣件图像检测中的RBF-SVM模型优化.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
一个资源只可评论一次,评论内容不能少于5个字
weixin_38743481 欢迎大家使用并留下宝贵意见
2019-09-13
  • 至尊王者

    成功上传501个资源即可获取
关注 私信 TA的资源
上传资源赚积分or赚钱
    最新推荐
    论文研究-铁路扣件图像检测中的RBF-SVM模型优化.pdf 50积分/C币 立即下载
    1/4
    论文研究-铁路扣件图像检测中的RBF-SVM模型优化.pdf第1页

    试读结束, 可继续读1页

    50积分/C币 立即下载 >