基于主成分分析和学习向量量化神经网络的制动工况路面识别与验证

开展车辆制动时路面类型识别的研究，提出一种基于主成分分析-学习向量量化神经网络 （Principal Component Analysis - Learning Vector Quantization，PCA-LVQ） 的制动工况路面识别方法。利用主成分分析对多维度驾驶数据降维处理，提取能表征路面特征的主要成分，采用学习向量量化神经网络对降维处理后的驾驶数据进行训练，并用于路面特征分类，使用制动工况下实车试验数据和硬件在环仿真数据进行验证。结果表明，所提出的 PCA-LVQ算法能准确识别路面类型特征，路面识别的精度达到 97%，与传统 BP神经网络的路面类型特征识别精度提升 7%；同时，在不同车速下，基于PCA-LVQ算法也能较准确地识别路面类型特征。     

小街区密路网交通标志缩尺研究

应用驾驶模拟器、眼动仪和调查问卷对小街区密路网条件下的交通标志设计方案和缩尺方案进行了分析探讨。驾驶模拟器采集的速度和加速度数据显示设计方案和缩尺方案具有差异显著性，眼动仪数据显示缩尺方案需要更多的注意力。调查问卷显示，大多数人主观上无法准确感受到两个方案之间的差异，缩尺方案的可行性还需要进行深入研究。