[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

摘要

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。

主权项

1.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，/n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；/n步骤二、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；/n步骤三、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；/n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；/n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。/n