产品详情
路灯车驾驶员制动意图辨识模型的建立. 鼎湖出租路灯车, 鼎湖租赁路灯车, 鼎湖路灯车 辨识模型的实质为一种模式识别的方法。模式识别的目的就是能够让机器自动识别事物，从而能够对目标的事物进行分析、辨识、描述等。目前使用较为普遍的模式识别方法有统计模式识别、神经网络模式识别、模糊模式识别和结构模式识别。在本文当中要对这四种模式识别的方法的特点进行对比，找出最合理、最适合制动意图辨识的的识别方法进行建立驾驶员制动意图辨识模型。
模式识别方法特点分析, 统计模式识别：又被称为决策理论方法，这种方法是在模式识别中较为经典的一种“物以类聚”的方法。它是根据样本之间的相似性，根据样本的特征向量对样本进行分类。统计模式识别有着成熟的公式与计算方法，所以这种方法的自适应能力较强。神经网络模式识别：人工神经网络（ANNs）通常简称神经网络，他是一种模拟人类思考方式的一种方法。所以神经网络识别具备了生物神经网络的特点，具有较好的并行能力与自适应能力。神经网络的结构分为三层：输入层、隐含层以及输出层，在利用神经网络的方法进行识别时，将样本数据作为输入层，辨识结果作为输出层，经过训练后可得到识别模型。结构模式识别：又称句法模式识别或语言学模式识别。它将模式看成比较是子模式的组合，而子模式同时可以被描述成更简单层次的的子模式，从而形成树状的结构描述形式，一般将最下层的子模式叫做模式基元。模式基元遵循某项规则形成模式，这种规则叫做句法。与统计模式识别类似，结构模式识别通过学习已知模式类别的样本，形成这些已知类别的文法，这个学习过程称为文法推断。模糊模式识别：与传统的硬判决识别方法相比，模糊模式识别是一种软判别方法，它是根据模糊集合理论对模式进行分类。模糊模式识别的判定结果是不确定的，他是通过判断每一类的样本的隶属度来识别结果。通过以上的分析四种方法的适用环境并不相同，神经网络具备并行能力与自适应能力，并具有很强的泛化能力，统计模型只具备自适应能力，泛化能力与神经网络相比较弱，结构模式与模糊模式均不具备并行能力与自适应能力，泛化能力一般。所以通过对比可知，神经网络方法在识别方面表现与其他三种方法相比最为优秀，本文将选用神经网络的方法建立驾驶员制动意图辨识模型。
神经网络制动意图辨识模型的建立, 神经网络的网络种类可以分成很多种，其中BP(BackPropagation)神经网络是目前应用比较广泛的神经网络之一。BP神经网络是一种前向多层网络，在模式识别，数据分类，函数拟合等领域均有应用技术应用相对成熟。并且在软件MATLAB中已存在相对应的神经网络工具箱，在工具箱中已经包括了大部分神经网络的函数和命令，能够基本满足在MATLAB软件中建立各种方法的神经网络的需求，所以本文选用BP神经网络进行辨识驾驶员制动意图。如图所示，为BP神经网络结构图，BP神经网络的结构主要由输入层，隐含层以及输出层构成，BP神经网络的工作过程可以分成正向传播和反向传播。正向传播为输入层接受外界的输入信息，经过中间层的隐含层处理后传递至输出层，输出结果，完成正向传递这一过程。通过输出层的输出结果与期望的结果进行对比，当对比结果误差不满足要求时，系统进入反向传播，将结果误差由输出层反向传433递到隐含层和输入层，调节网络中的阙值和权值。不断的调节阙值和权值的大小，使正向传播输出结果的误差满足要求，这个过程就是BP神经网络训练的过程。
鼎湖出租路灯车, 鼎湖租赁路灯车, 鼎湖路灯车
（1）BP神经网络驾驶员制动意图辨识模型输入层、输出层节点数的确定在上述介绍BP神经网络时已经提到，BP神经网络的隐含层的作用是接受外界的信息传递给后续的隐含层和输出层，而输出层的作用是要输出BP神经网络的判断结果。在本文建立的驾驶员制动意图辨识模型中，将制动意图分为紧急制动，调节制动，平缓制动，辨识模型是基于制动踏板力、制动踏板位移的变化以及车速进行辨识，所以在本辨识模型中的输入层需要接收的数据量为制动踏板力、制动踏板位移、车速，可将在BP神经网络的输入层的节点数为3。驾驶员制动意图辨识模型的输出驾驶员制动意图，所以BP神经网络的输出层节点数为1。
（2）BP神经网络驾驶员制动意图辨识模型隐含层层数的确定, 理论上，隐含层的层数越多，系统的辨识度越高，准确度越高，但随着隐含层层数的增加会导致整个神经网络模型的复杂程度增加，计算训练的时间过长。根据目前的研究可知，在样本数据不复杂的情况下采用隐含层不超过两层的神经网络模型即可以加快训练速度，又可以满足模型的精度。在本文当中，建立的驾驶员制动意图辨识模型时，采集的样本数据为1020组，数据样本对于神经网络的处理能力来说，数据并不庞大，所以BP神经网络的隐含层选为1层，就能满足模型的精度要求，又可以加快模型的训练速度。（3）BP神经网络驾驶员制动意图辨识模型隐含层的节点数的确定BP神经网络隐含层的节点的大小也将影响到网络的预测精度和训练的时间。隐含层的节点数过少，会导致网络的预测精度降低，而节点数过多，虽然会增强网络的预测精度，达到精度要求，但会使训练的时间过长，容易导致网络过拟合[。目前隐含层节点数的选取没有明确的确定方法，可根据以下的公式大概估计节点的范围，k为隐含层节点数；x为输入层节点数；y为输出层节点数；m为0~10之间的常数。确定出隐含层的节点范围后可再根据试凑法，选用范围内不同的节点数，建立BP神经网络，根据每个网络的输出结果选取所有模型误差中误差最小的网络所对应的节点数，选出最优的节点数。在本文中建立驾驶员制动意图辨识模型时，经过反复的试验对比，最终确定隐含层的节点数为13。
（4）BP神经网络驾驶员制动意图辨识模型传递函数的确定, 在神经网络中，传递函数又被称作为激活函数。对于BP神经网络，传递函数占着非常重要的地位，选用不同的传递函数将直接对学习速率以及网络的收敛情况产生影响[。在MATLAB软件神经网络工具箱中传递函数有很多种，应用比较广泛的有tansig函数、logsig函数、purelin函数。tansig函数为双曲正切S型函数，logsig函数为S型的对数函数，purelin函数为线性传递函数，相对应的传递函数的图像。其中双曲正切函数tansig大多使用在隐含层中，线性传递函数purelin大多用在输出层中。在本文中建立BP神经网络驾驶员制动意图辨识模型时，隐含层的传递函数选择tansig函数，输出层的传递函数选择purelin函数。
（5）BP神经网络驾驶员制动意图辨识模型训练函数的确定, 在上述文字中已提到，BP神经网络的反向过程即为网络的训练过程，将输出层输出的误差结果反向传递到隐含层和输入层，调节网络中的阙值和权值。BP神经网络的训练过程中最重要的是训练函数选取，不同的训练函数有不同的训练算法，训练函数的选取是否合适将影响到训练的泛化能力、收敛速度以及计算速度等。BP神经网络部分的训练函数的特点以及对应的使用范围。在本文当中，建立的驾驶员制动意图辨识模型时，采集的样本数据为1052组，网络并不庞大，所以训练函数选用traincpg函数，收敛速度较快，使用内存的情况与其他函数相比并不大。 对于神经网络训练的过程中，神经网络的输入和输出的节点个数根据辨识的需求，可能不止一个，所以多个节点实质的量纲和数量级可能会有所差别，这种差别会对神经网络预测结果误差影响较大。由于这种差别的存在，训练好的网络辨识系统虽然会对训练数据的辨识误差可以保证很小，但对于训练数据以外的样本数据的辨识误差会很大。为了消除量纲和数量级的差别，需要对各节点的数据进行归一化处理，归一化常用的方法一般有两种，一种是最大最小法，一种是平方数方差法。（1）最大最小法的计算方法如下：minx为样本数据的最小值；maxx为样本数据的最大值。（2）平均数方差法的计算方法如下，meanx为样本数据的平均值；varx为样本数据的方差。在本文当中，采用最大最小的处理方法对数据进行归一化处理，将样本数据规划成在[0,1]区间内的数，在MATLAB中的计算函数为mapminmax函数，归一化程序如下：根据上文介绍，建立BP神经网络驾驶员制动意图辨识模型时，输入层节点数为3，输出层的节点数为1，隐含层层数为1，隐含层的节点数为13，隐含层的传递函数选用tansig函数，输出层的传递函数选用purelin函数，网络的训练函数选用traincpg函数。基于MATLAB软件的newff函数对BP神经网络进行建模的程序编写，设定最大迭代次数为1500，误差性能为0.001，学习速率为0.01，选用930组样本数据进行辨识模型的训练。
本文将驾驶员制动意图分为紧急制动、平缓制动和调节制动，用上述分类好的验证数据对训练好的驾驶员制动意图辨识模型进行准确性的验证，根据制动意图辨识模型输出的结果的正确率来判断模型的可靠性。辨识模型的验证选用122组数据进行验证。辨识模型对每种制动意图辨识的准确率均达到97%，最高可达到100%，精度较高，所以辨识模型可靠度较高，所以上一节中训练好的BP神经网络可以用做制动意图的辨识。将建立好的BP神经网络的辨识模型通过gensim语句转化成Simulink模型，为后续汽车真空辅助制动系统的仿真模型的建立提供基础。BP神经网络辨识Simulink模型，车速、踏板力、踏板位移为输入，输出为驾驶员的制动意图。
将驾驶员的制动意图分为紧急制动、调节制动、平缓制动三类，用驾驶模拟器对制动意图样本数据进行采集，应用t-test检验方法对样本数据进行剔除。根据处理后的样本数据，采用最大最小的处理方法对数据进行归一化处理，应用BP神经网络建立驾驶员制动意图辨识模型，根据对辨识模型的验证结果可知，所建立的驾驶员制动意图辨识模型的辨识精度较高，能够满足辨识要求。
鼎湖出租路灯车, 鼎湖租赁路灯车, 鼎湖路灯车
