基于RBF网络和图像特征的车辆动态称重精度提升

本文主要探讨了基于图像特征分类和径向基函数(RBF)网络的两轴车辆动态称重技术，发表于2007年的《南京航空航天大学学报》。在汽车行驶过程中，总重信号往往由各轴重信号决定，而这些轴重信号的测量精度对于车辆运动参数和振动信号的精确分析至关重要。研究者姚恩涛、张君、Ni Guofen和Ji Juan针对RBF网络在处理轴重信号时面临的泛化能力和拟合精度之间的平衡问题，提出了创新方法。 首先，他们将车辆根据其重量划分为大、中、小三种类型，这是为了针对性地处理不同类型的车辆，因为不同类型车辆可能需要不同精度的模型。通过这种分类，他们对每类车辆分别构建单独的网络模型，并进行了训练。这种方法的优势在于能够更精确地适应不同类型车辆的特性，从而提高称重的准确性。 在实际测试阶段，研究人员利用俯视图像来提取车辆的类型特征。这是一种非侵入式的数据获取方式，它可以从车辆的视觉特征中识别其类别，降低了对车辆内部结构的依赖。随后，测试参数根据车辆类型被输入到相应的神经网络中，以静态测量结果作为参考标准。这种方法避免了单一模型可能因车辆类型变化而导致的误差，提高了整个系统的稳健性和精度。 仿真结果显示，相比于单一混合建模，分类建模法在测试精度上表现更优。这表明通过细致的车辆类型划分和有针对性的网络设计，可以有效地解决动态称重系统中的复杂性问题，提升测量的准确性和鲁棒性。 本文的研究成果不仅适用于汽车行业，也为其他领域的动态物体称重提供了新的思路，尤其是在需要考虑对象多样性的情况下。论文的关键技术包括车辆动态称重、轴重信号处理、RBF网络应用以及图像处理技术，这些技术的结合展示了现代信息技术在提升工程实践中的重要作用。此外，该研究还遵循了《交通运输工程》(TP274.2)和《车辆工程》(TN911.72)的分类，以及使用了文献标识码A和文章编号1005-2615(2007)01-0099-04进行索引和引用。