280 智能系统学报 第4卷 f=1/∑(y(x0)-fx0)2 ;并且选出最大的适应度对应个体，转到6)，否则 执行5). 这样选取的适应度函数比较直观地反映了每个个体 5)对这7个不变矩进行选择、交换、变异等自 性能的好与差 适应遗传操作.然后回转到3). 2.4复制操作 6)对选出最大的适应度对应的个体继续执行 复制操作会直接影响遗传算法的性能，文章采 梯度下降法若干次，直到得到满足精度要求的中心 用基于适应度比例的选择策略.假定个体r()的适 参数和宽度参数 应度为，则其复制概率为 7)利用训练好的GA-RBF网络对目标图像进 P=f/∑ 行识别，输出结果 式中：f是染色体r()的适应度值；∑∫为群体的个 3实验结果与分析 体适应度的总和. 首先采用赌轮选择方式来实现按照概率P,)选 3.1对目标车辆进行边界不变矩提取 择个体r(i).然后选用最佳保留(elitist model)选择 采用2类汽车图像进行识别，学习的样本图像 机制，即将当前解中适应度最高的个体复制到下一 和识别图像全部来自卡内基梅隆大学数据库中提供 代群体中，以保证遗传算法终止时得到的最后结果 的视频序列.视频拍摄过程中，摄像机的拍摄角度和 一定是历代出现过的最高适应度的个体6 相机位置没有变化，图像大小为768×576.首先对 2.5交换和变异操作 视频图像进行背景减法提取出包含车辆轮廓的矩形 交换操作和变异操作是遗传算法中2个起重要 图像，对数字图像进行边缘检测，提取车辆的边界不 作用的算子.自适应遗传算法是根据个体的具体情 变矩如图2~5所示 况，自适应地改变交换概率P。、变异概率P·这样能 保持多样性，防治早熟收敛，可以提高算法的计算速 度和精度P。、Pm分别为 Imet-f f>fagi (a)卡4车i )卡42 {c)卡车3 P。= 图2卡车原始样本 f<fas Fig.2 Truck original samples -f f>fogi Pm三 f<fog 式中：∫m是群体的最大适应度值，∫是群体的平均 a)卡在1 h)卡车2 (c)卡车3 卡午4 适应度值，厂是用于交换的2个串中较大适应度者，∫ 是待变异个体的适应度值， 图3卡车训练样本 Fig.3 Truck training samples 在这里，k1=k3=1,2=k4=0.5.在实际应用 中，P。常取0.5~1.0，Pm常取0.005~0.05. 2.6算法实现 具体实现步骤如下： 1)提取目标车辆的边界不变矩， (a,轿车1 轿车2 (c)轿车3 d轿年4 2)将提取出的7个边界不变矩作为初始群体， 图4轿车原始样本 3)利用梯度下降法对这7组初始参数分别进 Fig.4 Car original samples 行预训练，然后利用最小二乘法学习网络的隐含层 节点到输出层节点的权值.计算种群中每一个个体 的适应度，并将不满足可行域条件的隐节点删除 (可行域约束条件是：隐节点对应的权重为预设 (a)轿车I (h)轿年2 {c)轿车3 (轿车4 值).重复执行此操作，直到所有节点都为可行域节 图5轿车训练样本 点。 Fig.5 Car training samples 4)如果种群中大多数个体的隐节点数的个数 表1和表2分别为卡车样本和轿车样本的边界 相同（如95%以上），并将此相同的隐层节点数记为