[发明专利]一种基于分支卷积神经网络的驾驶员行为分类方法

权利要求书

1.一种基于分支卷积神经网络的驾驶员行为分类方法，其特征在于包括以下内容：

1)基于构造的主干卷积神经网络对测试样本进行处理，得到驾驶员行为的初步分类结果，具体过程为：

1.1)初步确定驾驶员的具体类型，包括A₁型，A₂型，…，A_k型；

1.2)选择训练样本：(x₁,y₁),(x₂,y₂),…,(x_n,y_n)，其中，x_i表示驾驶员行为的特征参数，y_i表示驾驶员行为的类型；

1.3)构造主干卷积神经网络：

1.4)采用主干卷积神经网络对测试样本进行处理，建立目标函数

式中，f(x_i,θ₁)表示主干神经网络的模型,θ₁为主干神经网络的参数，采用随机梯度下降法求出目标函数里的θ₁，得到驾驶员行为初步分类的分类机器；

2)根据驾驶员行为的细分要求，基于构造的分支卷积神经网络对测试样本再次进行处理，实现驾驶员行为的细分，具体过程为：

2.1)构造分支卷积神经网络：

2.2)采用分支卷积神经网络对测试样本进行再次训练，确立目标函数其中，x′_j表示驾驶员新的行为特征参数，y′_j表示驾驶员细分的行为类型，g(x′_j,θ₂)为分支卷积神经网络的模型，θ₂为分支卷积神经网络的参数，采用随机梯度下降法求出目标函数里的神经网络参数θ₂，得到驾驶员行为细分的分类机器。

2.根据权利要求1所述的基于分支卷积神经网络的驾驶员行为分类方法，其特征在于，所述步骤1.3)的具体过程为：

1.3.1)构造输入层：用于确定输入层的神经元个数，输入层的神经元个数根据驾驶员的特征参数进行确定；

1.3.2)构造卷积层：构造卷积层是对卷积核的大小和步长进行确定，根据输入数据规模的大小和数据的类型来确定卷积核的大小；

1.3.3)构造池化层：构造池化层是完成对池化尺寸和步长以及池化类型的确定；

1.3.4)构造全连接层；

1.3.5)设置单个卷积层、单个池化层和单个全连接层对训练样本进行测试；

1.3.6)增加一个卷积层以及增加一个池化层，再次对训练样本进行测试，如果增加卷积层和池化层后，模型的精度增加量不大于0.01，那么认为当前神经网络已经达到近似最优，否则，继续增加卷积层和池化层对训练样本进行测试，直到找到最优神经网络作为主干卷积神经网络。

3.根据权利要求2所述的基于分支卷积神经网络的驾驶员行为分类方法，其特征在于，所述步骤2.1)的具体过程为：

在主干卷积神经网络其中的几个层上加上若干层形成分支卷积神经网络，再从确定的A₁,…,A_k类中提取第A_q类细分为B₁，B₂，…，B_m类，根据细分的类型确定主干神经网络上的第u层到第v层的输出和新选取的驾驶员特征作为分支神经网络的输入，新的训练样本为(x′₁,y′₁),(x′₂,y′₂),…,(x′_m,y′_m)，对于分支神经网络设置单个池化层，单个卷积层和单个全连接层，再通过分支神经网络对训练样本进行测试，然后每次增加一个卷积层，一个池化层，直到模型的精度增加量小于等于0.01时，确定最优神经网络作为分支卷积神经网络。