[发明专利]基于自适应谐振理论变种算法的驾驶行为识别方法

摘要

本发明公开了一种基于自适应谐振理论变种算法的驾驶行为识别方法，按如下步骤进行：1利用车载传感器收集驾驶人的驾驶行为操纵数据，预处理后提取相应驾驶操纵动作；2构建驾驶人的驾驶行为操纵模式；3构建基于自适应谐振理论变种算法的驾驶行为识别方法；4将所有驾驶行为操纵模式各输入网络一次完成网络对所有驾驶行为的记忆；5输入任意驾驶行为操纵模式，网络即可识别相应驾驶行为，并具有在线增量自学习的特点。本发明能使驾驶行为识别方法更好的贴近驾驶人驾驶操纵的个性特征，从而提高驾驶行为的识别率。

主权项

1.一种基于自适应谐振理论变种算法的驾驶行为识别方法，其特征是按如下步骤进行：步骤1、利用车载传感器对驾驶人的H种驾驶行为分别收集N组时长为T的原始操纵数据；从而获得H×N组时长为T的原始操纵数据；步骤2、对收集的第h种驾驶行为的第n组原始操纵数据进行预处理，得到第h种驾驶行为的第n组操纵数据，记为表示第h种驾驶行为的第n组操纵数据中第k类操纵动作数据；并有：表示第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据；1≤h≤H；1≤n≤N；1≤k≤K；1≤m≤M；步骤3、判断所述第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据是否发生操纵动作，若发生，则提取第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据否则，令第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据为“0”；从而获第h种驾驶行为的第n组操纵数据中第k类操纵动作节点，记为步骤4、重复步骤3，对所述第h种驾驶行为的第n组操纵数据中K类操纵动作数据的操纵动作均进行判断和提取，得到第h种驾驶行为的第n组操纵数据中K类操纵动作节点，从而构建第h种驾驶行为的第n个操纵模式为：步骤5、重复步骤2‑步骤4，从而得到第h种驾驶行为的N个操纵模式为：A(h)＝[A(h)(1)；A(h)(2)；…；A(h)(n)；…；A(h)(N)]，进而对H种驾驶行为分别构建N个操纵模式为A＝[A(1)；A(2)；…；A(h)；…；A(H)]；步骤6、基于自适应谐振理论变种算法对所述操纵模式A进行判别，分别得到相应的驾驶行为类型；步骤6.1、将所述第h种驾驶行为的第n个操纵模式A^(h)(n)中每一类操纵动作节点数据行向量按序首尾相接，得到第h种驾驶行为的第n个一维行向量，记为并作为第h种驾驶行为的第n个网络输入特征向量，从而获得第h种驾驶行为的N个网络输入特征向量，记为I^(h)＝{I^(h)(1),I^(h)(2),…,I^(h)(n),…,I^(h)(N)}；步骤6.2、对H种驾驶行为的N个操纵模式分别重复步骤6.1，从而得到H种驾驶行为的H×N个网络输入特征向量，记为I＝{I(1),I(2),…,I(h),…,I(H)}；步骤6.3、网络进入对H种驾驶行为的记忆阶段；步骤6.3.1、根据所述网络输入特征向量I(h)(n)元素的个数，设定网络的输入神经元个数为K×M；设定输出神经元个数为J，并记输出神经元的序号为1,2,…,j,…,J，1≤j≤J；设定序号为j的输出神经元对应的记忆权向量为Wj；设定网络运行次数为p，1≤p≤H×N，第p次网络运行时被占用输出神经元个数为μ(p)，0≤μ(p)≤H×N；步骤6.3.2、以第h种驾驶行为的第1个网络输入特征向量I^(h)(1)为基准，计算与第h种驾驶行为的N个网络输入特征向量之间的欧式距离，记为表示第h种驾驶行为的第1个网络输入特征向量与第n个网络输入特征向量之间的欧式距离；利用式(1)获得第h种驾驶行为的第1个网络输入特征向量与第n个网络输入特征向量之间的相似度从而获得第h种驾驶行为的第1个网络输入特征向量与N个网络输入特征向量之间的相似度，记为步骤6.3.3、对H种驾驶行为重复步骤6.3.2，分别得到H个网络输入特征向量之间的相似度ξ＝{ξ⁽¹⁾,ξ⁽²⁾…,ξ^(h),…,ξ^(H)}，计算ξ＝{ξ⁽¹⁾,ξ⁽²⁾…,ξ^(h),…,ξ^(H)}包含的H×N个相似度的均值及标准差S_ξ，从而利用式(2)获得网络的警戒参数ρ：步骤6.3.4、初始化p＝1，h＝1，j＝1，μ(p‑1)＝0；步骤6.3.5、第p次网络运行时，输入第h种驾驶行为的第1个网络输入特征向量至网络中，利用式(3)更新第p次网络运行时被占用输出神经元个数μ^(p)：μ(p)＝μ(p‑1)+1  (3)利用式(4)获得序号为j的输出神经元所对应的记忆权向量Wj：Wj＝I(h)(1)  (4)步骤6.3.6、将p+1赋值给p，将h+1赋值给h，将j+1赋值给j；重复步骤6.3.5‑步骤6.3.6；直到h＝H时，表示已将H种驾驶行为的第1个网络输入特征向量全部输入网络，完成网络对H种驾驶行为的记忆；并获得被占用输出神经元个数μ(p)＝H及所有被占用输出神经元的记忆权向量W＝[W1；W2；…；Wj；…；WH]；步骤6.4、利用式(5)获得第p次网络运行时序号为j的被占用输出神经元所对应的记忆权向量从而获得第p次网络运行时所有被占用输出神经元的记忆权向量为步骤6.5、网络进入驾驶行为识别阶段；步骤6.5.1、将p+1赋值给p；步骤6.5.2、输入第h种驾驶行为的第n个网络输入特征向量I^(h)(n)，分别与第p次网络运行时所有被占用输出神经元的记忆权向量W^(p)中的各分量计算欧式距离，记为表示第h种驾驶行为的第n个网络输入特征向量I^(h)(n)与序号为j的被占用输出神经元所对应记忆权向量的欧式距离；步骤6.5.3、利用式(6)获得第h种驾驶行为的第n个网络输入特征向量I^(h)(n)与序号为j的被占用输出神经元所对应记忆权向量的相似度，从而获得第h种驾驶行为的第n个网络输入特征向量I^(h)(n)与μ^(p)个被占用输出神经元所对应记忆权向量的相似度，记为步骤6.6、网络进入驾驶行为识别搜索阶段；步骤6.6.1、设定网络搜索次数为q；设定第h种驾驶行为的第n个网络输入特征向量I(h)(n)与第p次网络运行时μ(p)个被占用输出神经元所对应记忆权向量的相似度ξ(h)(n)在第q次网络搜索时的值为ξ(h)(n)(q)；设定相似度在第q次网络搜索时的值ξ^(h)(n)(q)在第p次网络运行中第q次网络搜索时的最大值为其中，表示所对应的被占用输出神经元序号；步骤6.6.2、初始化q＝1；步骤6.6.3、寻找相似度在第q次网络搜索时的值ξ^(h)(n)(q)中的最大值若则判定输入的第h种驾驶行为的第n个网络输入特征向量I^(h)(n)所对应的驾驶行为是序号为的被占用输出神经元记忆的驾驶行为，并用式(7)更新第p次网络运行时被占用输出神经元的个数μ^(p)：μ(p)＝μ(p‑1)  (7)当时，利用式(8)更新第p次网络运行时序号为的被占用输出神经元的记忆权向量式(8)中，δ为网络的学习速率；当时，利用式(9)更新第p次网络运行时序号为j的被占用输出神经元的记忆权向量从而得到更新后的第p次网络运行时所有被占用输出神经元的记忆权向量W(p)；步骤6.6.4、将q+1赋值给q；若则网络进入第p次网络运行中的第q次网络搜索，并从ξ^{(h)(n)(q‑1)}中剔除得到相似度在第q次网络搜索时的值ξ^(h)(n)(q)后，重复步骤6.6.3‑6.6.4；直至判定出输入的第h种驾驶行为的第n个网络输入特征向量I^(h)(n)所对应的驾驶行为；若所有被占用输出神经元记忆的驾驶行为中没有与输入的第h种驾驶行为的第n个网络输入特征向量I(h)(n)相匹配，则生成一个新的被占用输出神经元，利用式(3)更新第p次网络运行时被占用输出神经元个数μ(p)；利用式(10)更新第p次网络运行时所有被占用输出神经元的记忆权向量W(p)；步骤6.7、重复步骤6.5‑步骤6.6，直到p＝H×N时，即可实现对H×N个网络输入特征向量的驾驶行为识别。