[发明专利]基于GPU实现PSO-SVM对道路标志的识别方法

权利要求书

1.一种基于GPU实现粒子群优化支持向量机对标志识别的方法，其特征在于，包括步骤：对道路限速标志进行二值化特征提取，得到的特征向量作为道路限速标志识别的样本数据库，从中随机选取一部分作为训练集，另一部分作为测试集；将CPU上的初始化种群拷贝到GPU的全局存储器中，映射种群中粒子为支持向量机道路限速标志识别模型中径向基核函数的宽度参数g和误差惩罚参数C；优化宽度参数g和误差惩罚参数C，建立粒子群优化支持向量机道路限速标志识别模型；输入样本训练支持向量机道路限速标志识别模型，对训练集进行交叉验证的准确率作为适应度函数；获得最优位置适应度确定全局最优值Pg，将P_g映射为支持向量机道路限速标志识别模型的径向基核函数的宽度参数g和误差惩罚参数C，并从GPU传回到CPU作为优化结果输出。

2.根据权利要求1所述的方法，其特征在于，所述对训练集进行交叉验证具体为，调用公式：确定适应度函数，其中i为粒子序号，k为训练数据分组数，为第i个粒子在第j组交叉验证测试中的识别率。

3.根据权利要求1所述的方法，其特征在于，所述确定全局最优值Pg具体包括，对每个粒子，比较当前适应度f(x_i)和历史最优位置适应度f(p_b(i))，如果f(x_i)＞f(p_b(i))，则p_b(i)=x_i；比较每个粒子当前适应度f(x_i)和全局最优位置适应度f(p_g(i))，如果f(x_i)＞f(p_g(i))，则p_g(i)=x_i，更新完成最大迭代次数次迭代后，所获得的最优位置适应度最小值对应的位置为全局最优值Pg。

4.根据权利要求3所述的方法，其特征在于，如果数量为N的粒子群在连续S次迭代过程中有P%的粒子没有发现全局最优值，则根据公式：xij(t+1)=xij(t)+(ρ-0.5)·xij(t)vij(t+1)=vij(t)+(ρ-0.5)·vij(t)]]>对粒子群位置和速度进行更新，其中ρ为0-1之间的随机数，i=1,2,...,N；j=1,2,...,D，t迭代次数。