基于深度学习模型的疲劳驾驶行为识别算法

为降低道路交通事故发生率,提出了一种基于深度学习模型的疲劳驾驶行为识别算法。采用照度增强和反射分量均衡化的方法,以提高视频图像质量。将机器视觉工具箱软件用于提取疲劳驾驶人脸行为特征,并通过双流网络构建和训练深度学习模型,实现对疲劳驾驶行为识别。选择了不同睡眠时间段参与者在全封闭路段内的驾驶行为图像,作为实验测试目标。结果表明：用该算法测试1 000张疲劳驾驶行为图像时,识别时间为89 ms,精准度为97.6%,召回率为97.0%;算力需求（每秒所执行的浮点运算次数,FLOPS）≤88;该算法能够提高疲劳驾驶行为的识别精度,有助于降低道路交通事故的发生率。     

基于卷积神经网络的自行车骑行行为识别

为研究适合我国城市交通的自行车骑行行为分类识别方法,实施骑行行为视频调查试验,并提取骑行者骑行特征信息.结合我国交通现状和自行车交通特点,提出一种新的骑行行为分类方法,新的行为分类可基本覆盖我国自行车交通的所有骑行行为场景.采用提出的行为分类方法对试验个体骑行行为进行人工分类标记,得到不同骑行场景下的骑行行为分类数据集.基于卷积神经网络(CNN)建立自行车骑行行为识别模型,考虑模型输入特征特性以及分类任务复杂度对模型结构进行迭代设计选优,调整模型网络组成和卷积参数,得到分类效果显著的模型结构.对比分析多元Logit分类模型、三层全连接层BP神经网络模型,与本文的卷积网络模型在骑行行为分类预测的表现,在20 000次迭代训练之后,3个模型均得到收敛结果.结果 表明,提出的骑行行为分类模型准确率分别高于多元Logit模型20%,高于BP网络模型15%,显著优于对比模型的识别效果.卷积网络模型可有效解析骑行行为与各骑行特征因素之间的关系.     

基于深度学习的交通标志识别

图像识别技术是无人驾驶实现的关键,交通标志识别是图象识别的重要研究方向。选用MATLAB的AlexNet深度神经网络模型,通过迁移学习对交通路标数据集进行训练,将训练结果与传统的局部二值模式和方向梯度直方图进行对比,得到AlexNet模型的交通路标识别准确度为98.79%,后两者分别为86.3%、97.6%,AlexNet模型更优。     

基于人车交互行为模型的上下客行为识别

上下客行为是常见的人车交互交通行为,但随意地在路边或者禁停区域上下客,不但容易干扰道路交通秩序,还可能造成人员伤亡的恶性交通安全事故,需要及时检出以便疏导管理.受益于智慧灯杆的开发和部署,全路段的上下客行为检测成为可能.设计了一种基于智慧灯杆监控视频的人车交互行为模型HVIB(Human-Vehicle Interac...     

面向智能驾驶行为的机器学习

基于机器学习的智能驾驶行为分析是智能车辆发展的方向和难点之一.驾驶行为的知识获取和表达,涉及机器学习中的诸多算法.首先对机器学习在驾驶行为识别判断、建模预测、智能决策等方面的研究进行了分析,进而对驾驶行为分析中的几种主要机器学习算法进行了较为全面的总结,最后给出了各种算法的优缺点.     

基于大数据的车辆驾驶行为安全性研究

车辆驾驶行为的准确识别与评价对提升车辆行驶安全性具有重要意义。基于北京市电动公交车历时一年的行驶数据,对超速、急加速、急减速、熄火滑行不安全驾驶行为进行识别分析,采用K-Means聚类分析方法,对不同自然月的驾驶行为安全性进行聚类评价,为提高车辆安全驾驶提供客观评价依据。结果显示1月、4月、5月和6月驾驶行为安全性评价较差,易出现危险驾驶行为,驾驶人员及监管部门应特别注意。     

电控发动机工作波形智能识别系统设计

应用神经网络技术 ,设计了电控发动机工作波形识别系统 ,以电控发动机喷油器控制电压波形为例 ,系统说明了该系统的设计过程及故障诊断结果。     

基于视觉识别技术的“1+X”汽车类技能评价系统的设计

1+X证书制度的提出,对职业教育的人才培养、评价方式必然产生影响,其相应的模式、制度、机制等已经引起了变化并且将会随着发展发生更加深远的影响。另外一方面,随着信息技术、智能化技术的发展,1+X证书制度的落实与实施上,也必然出现新的呈现方式。本文基于职业教育评价与视觉识别技术的相结合,提出设计一种基于视觉识别技术的1+X技能评价系统,利用视觉识别判断技术,进行辅助教学与评价。     

基于并线行为识别的自适应巡航控制方法

本文中针对自适应巡航控制系统受旁车并线影响产生的制动干预时机不确定性问题,提出了一种采用旁道车辆并线行为进行优化的自适应巡航控制策略,以获得制动干预的最佳时机.首先,建立了以历史行驶数据和周围环境为输入、基于长短时记忆网络的驾驶行为识别模型,实现对旁道车辆驾驶行为类别的有效识别.当识别出并线行为后,根据并线车辆运动状态...     

基于机器学习与数据的轴流转桨式机组油量智能监控与预测模型研究

研究基于机器学习与数据分析的轴流转桨式机组油量智能监控与预测模型。针对轴流转桨式机组油量监控的重要性和挑战性,提出了一种基于机器学习和数据分析的智能监控与预测模型。通过收集和分析大量的机组油量数据,利用机器学习算法构建预测模型,实现对机组油量的实时监控和未来趋势的预测。实验结果表明,该模型在准确性和实用性方面取得了显著成果,为轴流转桨式机组油量管理提供了有效的解决方案。     

基于类间距优化的分心驾驶行为识别模型训练方法

分心驾驶行为识别任务可以看作细粒度图像分类任务,即图像中较小区域所包含的特征决定了该图像的类别,如一张图像是正常驾驶还是与副驾驶聊天完全由驾驶员的脸部朝向来决定.对于那些图像差异很小的类别,图像分类通常训练方法训练出的模型无法高精度地区分.针对这一问题,提出了基于类间距优化的分心驾驶行为识别模型训练方法,通过增大模型从...     

基于智能轮胎系统的实时路面辨识技术

在复杂和极限工况下,路面附着系数是进行轮胎受力分析和车辆动力学控制的重要状态参数。相对于模型估计的方法,智能轮胎技术能够将轮胎与路面的交互信息反馈给车辆控制系统。本文提出了一种将智能轮胎系统和机器学习相结合的车辆路面附着系数获取方法。首先,考虑行驶工况环境进行传感器选型,开发基于MEMS三轴加速度传感器的智能轮胎硬件采集系统,并采用简化硬件结构的无线传输模式。其次,通过采集不同路面上的实车实验数据进行车辆实验收集机器学习训练的数据集,并分析轮地关系及信号特征。最后,将CNN与LSTM两者的优势相结合实现了对加速度时序信号的特征学习。通过与其它神经网络模型训练结果的比较,验证了所提CNN-LSTM双通道融合神经网络模型的有效性和准确性。本文提出的路面辨识方案实现了实时道路识别的目标,硬件与软件架构和神经网络模型更适合车辆系统搭载,为车辆运动控制提供了实时准确的路面信息。     

基于模仿学习和强化学习的智能车辆换道行为决策

本文中提出了一种基于模仿学习和强化学习的智能车辆换道行为决策方法.其中宏观决策模块通过模仿学习构建极端梯度提升模型,根据输入信息在车道保持、左换道和右换道中选择宏观决策指令,以此确定所需求解的换道行为决策子问题;各细化决策子模块通过深度确定性策略梯度强化学习方法得到优化策略,求解相应换道行为决策子问题,以确定车辆运动目...     

课堂教学中自主学习能力的培养探索

随着教育改革的深入,教师教学观念、学生的学习观念将进一步更新,更多、更好的教法、学法被提出,从灌输知识为主到以培养能力为主,以适应未来社会对人才的要求。在课堂教学实践中,应重视学生自主学习能力培养。     

如何科学培养自主学习能力

学生自主学习能力的养成是学校教育的一个重要目标,也是学生真正走向成熟的标志。从学习者角度看,具备自主性学习能力意味着获得确定的学习目标、内容、材料和方法,确定学习的时间、地点和进度,以及对学习进行评估的能力。在大学英语教学过程中, 教师应重视对学生进行自主学习能力的培养, 并以此来推动学生语言知识的积累和语言能力的提高。     

基于驾驶行为生成机制的智能汽车类人行为决策EI北大核心CSCD

本文通过分析驾驶人驾驶行为生成机制,构建了类人行为决策策略(HBDS)。它具有匹配驾驶行为生成机制的策略框架,通过最大熵逆强化学习得到类人奖励函数,并采用玻尔兹曼理性噪声模型建立行为概率与累积奖励的映射关系。通过预期轨迹空间的离散化处理,避免了连续高维空间积分中的维数灾难,并基于统计学规律和安全约束对预期轨迹空间进行压缩和修剪,提升了HBDS采样效率。HBDS在NGSIM数据集上进行训练和测试的结果表明,HBDS能做出符合驾驶人个性化认知特性和行为特征的行为决策。     

基于HAZOP的自主泊车系统危险事件识别

自主泊车系统是智能汽车领域的研究热点,但是目前缺乏针对该系统的危险识别研究,文中围绕自主泊车系统危险事件的识别展开。首先,依据现有道路车辆安全标准,根据自主泊车系统功能定义建立功能图,基于HAZOP(Hazard and OperabilityAnalysis,危险与可操作性分析)方法,应用引导词得到系统可能的失效;其次,结合运行场景推导整车级危险事件;最后,采用ASIL(Automotive Safety Integration Level,汽车安全完整性等级)进行评估,得到高风险的危险事件。所识别的危险事件可以为功能安全要求推导提供输入,完善系统安全分析,以提高自主泊车系统的安全性。     

基于特征提取和机器学习的异常数据识别算法

结构健康监测系统的大力发展每天都在产生大量的监测数据。对于结构健康监测系统来说,判断这些产生的监测数据是否正常是对结构健康状态进行分析的第一步,也是关键的一步。同时,监测数据的异常与否也是判断传感器、采集设备、传输设备等是否正常工作的关键性依据。对于一段数据进行识别,判断数据是属于什么样的异常,是一个多分类的问题。采用基于特征提取和机器学习相结合的算法,对时序数据进行分类,能够快速地判断数据是否异常和异常的类型。