[發(fā)明專利]基于改進(jìn)KNN的動(dòng)態(tài)汽車(chē)衡多車(chē)作弊檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011619840.8
• 申請(qǐng)日: 2020-12-31
• 公開(kāi)（公告）號(hào): CN112729517B
• 公開(kāi)（公告）日: 2022-08-23
• 發(fā)明（設(shè)計(jì)）人: 許素安;陳興;徐紅偉;富雅瓊
• 申請(qǐng)（專利權(quán)）人: 中國(guó)計(jì)量大學(xué)
• 主分類號(hào): G01G23/01
• 分類號(hào): G01G23/01;G06K9/62
• 代理公司: 杭州奧創(chuàng)知識(shí)產(chǎn)權(quán)代理有限公司 33272
• 代理人: 王佳健

1.基于改進(jìn)KNN的動(dòng)態(tài)汽車(chē)衡多車(chē)作弊檢測(cè)方法，其特征在于，所述方法包含以下步驟：

S1：根據(jù)整體車(chē)輛的行駛參數(shù)，計(jì)算得到分離特征值和分離特征坐標(biāo)；

S2：將分離特征坐標(biāo)輸入多車(chē)分離模型；

S3：多車(chē)分離模型輸出不同待測(cè)車(chē)輛的行駛參數(shù)；

S4：根據(jù)不同待測(cè)車(chē)輛的行駛參數(shù)，分別計(jì)算得到不同待測(cè)車(chē)輛的作弊特征值和作弊特征坐標(biāo)；

S5：將不同待測(cè)車(chē)輛的作弊特征坐標(biāo)分別輸入到作弊檢測(cè)模型中；

S6：作弊檢測(cè)模型分別輸出不同待測(cè)車(chē)輛的行駛方式。

2.如權(quán)利要求1所述的基于改進(jìn)KNN的動(dòng)態(tài)汽車(chē)衡多車(chē)作弊檢測(cè)方法，其特征在于，步驟S1中所述的行駛參數(shù)，包括以下內(nèi)容：

每個(gè)稱重傳感器的輸出電壓和每個(gè)稱臺(tái)的輸出電壓，

車(chē)輛數(shù)和車(chē)道數(shù)，每個(gè)車(chē)軸的軸加速度，

車(chē)輛的經(jīng)過(guò)稱臺(tái)數(shù)和經(jīng)過(guò)車(chē)道數(shù)，

車(chē)輛的經(jīng)過(guò)稱臺(tái)編號(hào)和經(jīng)過(guò)稱臺(tái)的編號(hào)之和，

存在最大稱臺(tái)編號(hào)和存在最小稱臺(tái)編號(hào)。

3.如權(quán)利要求1所述的基于改進(jìn)KNN的動(dòng)態(tài)汽車(chē)衡多車(chē)作弊檢測(cè)方法，其特征在于，

步驟S1中所述的分離特征值，是分離特征的取值；所述的分離特征坐標(biāo)，是將分離特征值順序排列組合后得到的坐標(biāo)。

4.如權(quán)利要求1所述的基于改進(jìn)KNN的動(dòng)態(tài)汽車(chē)衡多車(chē)作弊檢測(cè)方法，其特征在于，

步驟S2中所述的多車(chē)分離模型需要提前建立，其建立過(guò)程包含以下步驟：

1)確定車(chē)道數(shù)；

2)模擬不同車(chē)輛數(shù)下的車(chē)輛組合通過(guò)情況，作為多車(chē)分離建立樣本；

3)計(jì)算每個(gè)多車(chē)分離建立樣本的車(chē)輛數(shù)、經(jīng)過(guò)稱臺(tái)數(shù)、經(jīng)過(guò)車(chē)道數(shù)、經(jīng)過(guò)稱臺(tái)編號(hào)、經(jīng)過(guò)稱臺(tái)的編號(hào)之和、存在最大的稱臺(tái)編號(hào)和存在最小的稱臺(tái)編號(hào)；所述的存在最大的稱臺(tái)編號(hào)，當(dāng)經(jīng)過(guò)稱臺(tái)編號(hào)中有最大的稱臺(tái)編號(hào)時(shí)，存在最大稱臺(tái)編號(hào)的取值為1，反之為0，所述的存在最小的稱臺(tái)編號(hào)，當(dāng)經(jīng)過(guò)稱臺(tái)編號(hào)中有最小的稱臺(tái)編號(hào)時(shí)，存在最小稱臺(tái)編號(hào)的取值為1，反之為0；

4)按順序排列同一多車(chē)分離建立樣本下的不同車(chē)輛的經(jīng)過(guò)稱臺(tái)數(shù)，作為分離結(jié)果；

5)選取出能區(qū)分不同的車(chē)輛組合通過(guò)情況的分離特征，并按分離特征的重要性不同，為所有分離特征添加分離權(quán)重系數(shù)，同時(shí)，建立多車(chē)分離坐標(biāo)系；所述的分離特征，是選取出的用于多車(chē)分離的行駛參數(shù)的名稱；所述的多車(chē)分離坐標(biāo)系，是以分離特征為坐標(biāo)軸建立的坐標(biāo)系；

6)計(jì)算不同多車(chē)分離建立樣本的分離特征值和分離特征坐標(biāo)；

7)合并分離結(jié)果相同的分離特征坐標(biāo)，得到對(duì)應(yīng)的分離坐標(biāo)；分離結(jié)果與分離坐標(biāo)唯一對(duì)應(yīng)；

8)隨機(jī)模擬多種的車(chē)輛組合通過(guò)情況，作為多車(chē)分離測(cè)試樣本，并計(jì)算其分離特征值和分離特征坐標(biāo)；

9)通過(guò)最小距離公式，分別計(jì)算出多車(chē)分離測(cè)試樣本的分離特征坐標(biāo)與所有分離坐標(biāo)的距離；

10)得到與分離特征坐標(biāo)的距離最小的分離坐標(biāo)所對(duì)應(yīng)的分離結(jié)果；

11)將分離結(jié)果與對(duì)應(yīng)的多車(chē)分離測(cè)試樣本的實(shí)際結(jié)果比對(duì)，得到分離比對(duì)結(jié)果；如果分離結(jié)果與對(duì)應(yīng)的多車(chē)分離測(cè)試樣本的實(shí)際結(jié)果一致，則分離比對(duì)結(jié)果的取值為真；反之，則分離比對(duì)結(jié)果的取值為假；

12)如果取值為真的分離比對(duì)結(jié)果的個(gè)數(shù)在所有分離比對(duì)結(jié)果的總數(shù)中的占比達(dá)到一定閾值，則多車(chē)分離模型建立成功；反之，則重新建立。

5.如權(quán)利要求4所述的基于改進(jìn)KNN的動(dòng)態(tài)汽車(chē)衡多車(chē)作弊檢測(cè)方法，其特征在于，步驟9中所述的最小距離公式為：

S_i為分離特征坐標(biāo)與第i個(gè)分離坐標(biāo)之間的距離，x_k為分離特征坐標(biāo)的第k個(gè)分離特征值，y_ik為第i個(gè)分離坐標(biāo)的第k個(gè)分離特征值，n為分離特征的個(gè)數(shù)，δ_k為第k個(gè)分離特征的分離權(quán)重系數(shù)。

6.如權(quán)利要求1所述的基于改進(jìn)KNN的動(dòng)態(tài)汽車(chē)衡多車(chē)作弊檢測(cè)方法，其特征在于，

步驟S4中所述的作弊特征值，是作弊特征的取值；所述的作弊特征坐標(biāo)，是作弊特征值順序排列組合后得到的坐標(biāo)。