[发明专利]一种基于深度稀疏滤波卷积神经网络的驾驶行为识别方法

摘要

本发明公开了一种基于深度稀疏滤波卷积神经网络的驾驶行为识别方法。解决了传统深度学习方法中需要大量的超参数调谐进行特征匹配或特征设计任务的问题。包括以下步骤：用手机内置的加速度传感器采集车辆行驶中的原始三轴加速度数据信号，提取时域和频域的特征值，作为模型的预处理训练样本；将训练样本通过稀疏滤波直接优化样本特征映射的稀疏性，获取更好的特征表达——权值矩阵作为卷积神经网络的输入，可有效识别点火、熄火、匀速行驶、急变速、急转弯、静止等驾驶行为。本发明解决了现有技术设计复杂、普适性和抗噪性差，分类精度低的问题。

主权项

1.本发明是一种基于深度稀疏滤波卷积神经网络的驾驶行为识别方法，其特征在于，包括如下步骤：（1）利用智能手机内置的加速度传感器和陀螺仪，采集驾驶者驾驶过程中的原始加速度信号和角度变化信息；并将这些数据投影至与手机方向无关的统一的大地坐标系中，获得样本矩阵为；（2）通过深度稀疏滤波训练坐标转换后的加速度数据，采用逐层贪婪算法计算最终输出的权值矩阵作为神经网络的输入；（3）对稀疏滤波后的学习特征采用软绝对值函数进行特征激活；每种驾驶行为随机选取30％的样本作为训练样本，其余为测试样本；（4）构造卷积神经网络，包括两个卷积层、两个池化层和全链接层；层与层之间局部连接构成多层深度网络；将表达矩阵作为卷积神经网络首层的输入，进行非线性分类来识别驾驶行为；信息在网络的不同层上传递，并且在每个架构层，利用可训练过滤器和局部邻域聚集操作，产生易于观察的数据分布特征；（5）训练识别后得到测试样本的驾驶行为标签；对于最终层输出的损失估计，使用卷积神经网络架构中的交叉熵损耗，避免学习减速。