[发明专利]基于无监督极限学习机多重聚类算法的疲劳驾驶判断方法

说明书

本发明基于无监督极限学习机多重聚类算法的疲劳驾驶判断方法，属于驾驶安全技术领域，通过高斯混合模型及贝叶斯信息准则，确定最佳分类簇数和各类别下概率密度分布函数，确定了在疲劳识别数据组中最佳的识别模型。再通过无监督极限学习机的特征提取非迭代算法，获得收敛于全环境最小值，得到输出矩阵；通过PCA算法充分利用了在无监督极限学习机特征提取下四种聚类算法对不同特征划分学习下的优势，将疲劳识别点识别准确度矩阵进行成分得分系数矩阵计算，通过归一化得分系数转化为平衡四种聚类算法在疲劳识别领域中的权重系数，使得训练集数据聚类的精度趋于平衡。

技术领域

本发明属于驾驶安全技术领域，特别是涉及到一种使用无监督极限学习机通过高斯混合模型以及贝叶斯信息准则算法对交通工程学中的驾驶员疲劳特征信号的获取方法。

背景技术

使用传统无监督聚类方法进行驾驶员疲劳特征区域划分可克服有监督聚类划分及主观评价等主观性大、大数据下大量数据仍需人工标定的缺点，有助于寻找驾驶员疲劳多特征划分规律，从而提高驾驶员状态监测和驾驶行为预测的准确性。但传统的单一无监督分类算法对不平衡数据特征学习分类的准确率低，驾驶员疲劳多特征有数据分布复杂、噪声点较多的特点，而常规单一聚类方法所依赖性特征有仅对高斯分布、均匀分布或稀疏数据或高维数据等聚类效果较好、以及仅对“球状簇”或“互邻簇”或“单自然簇”等聚类相关性较强、聚类边界较生硬等缺陷。因此，寻求合理有效的聚类方法成为提高驾驶疲劳划分精度和提高划分智能化程度的关键问题。国内外学者已对驾驶疲劳特征下典型聚类方法进行了研究并取得了一些成果。但是，改进的疲劳特征聚类识别算法存在时间复杂度提高的问题；在无监督学习中则尚存在需大量人工干预确定聚类数目的缺陷。因此针对现有技术当中存在的诸多不足之处，本领域亟需要一种新的技术方案来解决这一问题。

发明内容

本发明所要解决的技术问题是：提供一种基于无监督极限学习机多重聚类算法的疲劳驾驶判断方法，能够有效地减少数据的不平衡分布对数据分类正确率的干扰，得到更好的分类效果，以实现驾驶员疲劳多特征数据准确、动态的数据聚类预测。

基于无监督极限学习机多重聚类算法的疲劳驾驶判断方法，其特征是：包括以下步骤，且以下步骤顺次进行，

步骤一、使用BIOPAC生理记录仪，在三种场景下采集驾驶员的生理数据特征，将生理数据特征以数组形式存入CSV逗号分隔值文件中并进行数据标签化，形成原始数据特征矩阵；

步骤二、限定分类簇数为[1,10]，定义高斯混合模型Gaussian Mixture，获得数据特征数组被分配到每个簇的概率；

步骤三、对去除标签的训练样本集合进行高斯混合模型下的聚类，获得概率分布的参数；

步骤四、将期望最大化方法EM-Algo、谱聚类Spectral、平衡k均值聚类方法K-Means以及自组织映射方法Self-organizing Maps嵌入无监督极限学习机US-ELM中，进行特征提取；

步骤五、通过无监督学习机重复反馈输出矩阵out-matrix过程，将步骤四得到的四种聚类在无监督极限学习机特征提取下不同特征划分学习的结果与数据标签进行比对得到准确精度构造为精度矩阵，进行PCA主成分分析，得到成分得分系数矩阵计算，通过归一化得分系数转化为平衡四种聚类算法获得疲劳识别权重系数。

所述步骤三中高斯混合模型GMM的聚类方法为，将步骤一中原始数据的高斯混合模型的对数似然函数进行迭代，获得参数π_k、μ_k和∑_k，

确定每个分类簇数中的概率密度函数，再通过贝叶斯信息BIC准则，进行每一次分类簇数贝叶斯信息值的比较，通过似然率测试决策规则获得最小的错误概率；最小化错误概率的决策规则就是最大化后验概率判据，确定最优分类簇数模型

BIC＝Kln(n)-2ln(L)