核心词：
宁波驾校 驾驶员 特性 分类 辨识 方法 因此,该算法被称为误差反向传播算法,简称BP算法。然而,由于LVQ神经网络的训练时间较长,发现精度设置越高,迭代次数越多,训练时间越长。LVQ神经网络的训练过程如图5所示。从图中还可以看出,自第19次迭代训练以来,训练后的精度值已达到相对稳定的状态,其值保持在0.2左右,因此,为了减少迭代次数,加快训练时间,LVQ神经网络的目标精度最终设定为0.001。
1、基于CarSim仿真平台设计了仿真试验 基于CarSim仿真平台设计了仿真试验,并对驾驶员转向特性分类识别方法进行了初步探索和研究。利用MATLAB建立辨识模型,设定参数,利用训练模型辨识驾驶员的转向特性。利用k-means算法,选择不同的聚类中心进行多次迭代,并根据最大横摆角速度将驾驶员分为上述三类。
2、支持向量机的体系结构如图3所示 支持向量机的体系结构如图3所示,其中k是核函数。在CarSim中设计了一个典型的转向模拟试验环境,研究驾驶员特征分类与识别。它结合了竞争学习和监督学习的优点。
3、克服了adhoc网络中无监督学习算法导致分类信息缺乏的缺点 在网络学习中,通过教师信号指定输入样本的分配类别,克服了自组织网络中无监督学习算法导致分类信息缺乏的缺点。它最大的优点是不需要对输入向量进行归一化,但训练时间较长。Takano等人提出了一种基于隐马尔可夫理论的驾驶员转向意图识别智能认知方法;该方法主要包括数据分割、时序数据标注、驱动模式识别和生成。BP神经网络的训练过程如图6所示。从图中可以看出,从第30次迭代训练开始,训练后的精度值达到相对稳定的状态,其值保持在0.001左右。SVM辨识模型辨识结果的精度也很高,在精度要求为0.000001的情况下,迭代次数仍然较小,辨识时间较短,SVM网络结构简单,比BP网络更容易确定,适用于小样本数据。对于线性可分离学习算法,利用理想输出与实际输出的差值来估计神经元连接权值的误差。这样,输出层所示的误差以与输入数据传输相反的方向逐步传输到网络的输入层。谨慎的驾驶员方向盘角速度小,时间长,车辆横摆角速度小;激进型驾驶员具有更高的方向盘角速度、更短的时间和更高的车辆横摆角速度。采用支持向量机建立驾驶员转向特性识别模型,采用RBF核函数。培训数据为最大横摆率,培训标签为分类驾驶员转向特性类别标识。训练后的识别模型预测测试集上的类别识别,以识别驾驶员特征是属于激进型、一般型还是谨慎型。利用LVQ神经网络建立的驾驶转向特性辨识模型不需要对输入向量进行归一化和正交化。迭代次数较少,但训练时间相对较长。根据驾驶员在日常生活中的驾驶行为,将驾驶员分为激进型、一般型和谨慎型。
4、根据相同工况下的车辆横摆角速度对驾驶员进行初步分类 根据相同工况下的车辆横摆角速度对驾驶员进行初步分类,考虑车速、方向盘角度和角速度变化的分类方法有待进一步研究。支持向量机是由Vapnik领导的attbell实验室研究小组于1995年提出的一种非常有潜力的新分类技术。它是一种基于统计学习理论中VC维理论和结构风险最小化原理的机器学习方法。它主要用于模式识别领域。攻击性驾驶员转弯时,方向盘角速度大,车辆横摆角速度大,转弯时间短;谨慎的驾驶员转弯时,方向盘角速度小,车辆横摆角速度小,转向时间长。随着汽车数量的不断增加,人们越来越关注汽车的安全性和舒适性。在MATLAB软件环境下,分别通过学习矢量量化神经网络、BP神经网络和支持向量机建立了驾驶员转向特性辨识模型。对三种网络建立的辨识模型进行了测试和比较。试验条件如下:选择CarSim的A级掀背车作为试验车辆,选择边长为1km的方形道路作为试验道路条件。目标速度为80km/h,模拟时间为5S,最大方向盘角度为90°,采样时间t为将方向盘角度从0°转动到90°所需的时间。具有不同特征的驾驶员由于转动方向盘角度的速度不同而使用不同的时间。通过查阅相关文献,发现国内外对驾驶员行为分类识别的研究还处于起步阶段。学习矢量量化神经网络由三层神经元组成,即输入层、竞争层和线性输出层。由于SVM不是MATLAB的工具箱,
宁波驾校其结果只能在工作空间中显示。SVM的识别精度、训练时间和迭代次数如表4所示。但同时,它也存在收敛性、局部极小和问题规模有限等问题。每个竞争层神经元只能连接一个线性输出层神经元,每个线性输出层神经元可以连接多个竞争层神经元。BP神经网络还可以识别驾驶员转向的三种类型,即激进型、一般型和谨慎型,对于不同的测试数据,可以达到100%的准确率;同时,辨识时间短,但训练迭代次数多,因此需要对输入向量进行归一化和正交化。采用BP神经网络建立了驾驶员转向特性的单输入单输出辨识模型,辨识模型的输入向量为最大横摆角速度,输出向量为驾驶员类别标记。设置参数并训练识别模型,以识别驾驶员转向特性的类别。由于不同的驾驶员偏好不同的转向特性,即使驾驶员在相同的工况下转动相同的方向盘角度,方向盘角度速度也不同,导致车辆运动响应不同。因此,驾驶员的操纵行为和相应的车辆运动响应反映了驾驶员的转向特性。
5、支持向量机在识别汽车驾驶员的转向特性方面具有一定的优势 总体而言,支持向量机在识别汽车驾驶员转向特性方面具有一定的优势。利用最大横摆角速度对驾驶员进行分类,有助于建立驾驶员转向特性辨识模型,验证辨识模型的准确性。采用CarSim仿真软件对整车进行仿真分析。作为一款参数化整车动力学软件,它省去了结构化软件（如Adams）建模、调试、用户编程建立数学模型等一系列繁琐的过程,展示了整车的开发过程,仿真结果以简单易懂的界面呈现在用户面前。它具有使用方便、仿真速度快、节省时间、可靠性高等优点。不同的驾驶员偏好不同的转向特性。例如,赛车手更喜欢响应速度快、转向特性略为过度的汽车,新手更喜欢具有易于控制的空档转向特性的汽车,老年人更喜欢响应速度稍慢、转向特性不足的汽车。与一般人工神经网络一样,BP网络由人工神经元组成,其网络模型如图2所示。虽然这种误差估计本身的精度将随着误差本身的"反向传播"而继续降低,但它仍然为多层网络的训练提供了一种价格有效的方法。处理收集的横摆率数据并整理最大横摆率。最大横摆率列表见表2。采用BP算法的多级非循环网络称为BP网络,属于前向神经网络的类型。学习矢量量化神经网络是一种输入前馈神经网络,用于训练教师的竞争层。它的算法是从Kohonen竞争算法发展而来的,广泛应用于模式识别和优化领域。支持向量机的基本思想是在样本空间或特征空间中构造最优超平面,使超平面与不同类型样本集之间的距离最大化,从而获得最大的泛化能力。BP网络结构复杂,LVQ网络和SVM网络结构简单,但LVQ网络的训练时间比SVM和BP网络长,精度低于SVM和BP网络。从表3可以看出:
如果您对“宁波驾校:驾驶员转向特性分类与辨识方法对比研究”感兴趣，欢迎您联系我们
