检索结果-南通市图书馆

检索条件"主题词=CNN-LSTM级联模型"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于深度学习的微观异常驾驶行为识别算法研究

基于深度学习的微观异常驾驶行为识别算法研究

引用

作者：张子煜东南大学

学位级别：硕士

伴随着数据采集技术和计算资源的不断发展,实时采集车辆运动状态已经得以实现,利用车辆运动状态进行驾驶行为分析已经成为驾驶行为研究的重要方向。然而,从车辆运动参数反推驾驶行为的过程十分复杂,简单的模型很难动态自适应地实现微观... 详细信息

伴随着数据采集技术和计算资源的不断发展,实时采集车辆运动状态已经得以实现,利用车辆运动状态进行驾驶行为分析已经成为驾驶行为研究的重要方向。然而,从车辆运动参数反推驾驶行为的过程十分复杂,简单的模型很难动态自适应地实现微观异常驾驶行为的识别,分析和挖掘车辆运动中隐含的驾驶人行为模式需要更具解析能力的模型。本文主要关注微观驾驶行为研究中的异常驾驶行为识别问题。由于微观驾驶行为相较于宏观的驾驶风格而言具备明确的物理特征,本文从特征提取出发,研究了用于异常事件识别的时间序列数据建模算法,讨论了驾驶行为识别框架、驾驶行为识别模型、驾驶行为场景迁移三个用于异常驾驶行为数据建模的组件,并将深度学习和迁移学习应用于微观驾驶行为研究。主要成果如下:首先,在分析国内外研究现状的基础上,基于实车驾驶实验车辆运动状态数据分析驾驶行为。根据车辆运动参数时间序列的特点,根据正常驾驶状态下车辆运动状态保持基本稳定的思想提出了基于残差的异常驾驶行为识别技术,提出了无需按时间窗口进行分割的训练数据提取方案。其次,应用深度学习技术,结合不同结构的神经网络各自特点,构建cnn-lstm级联模型用于微观异常驾驶行为识别,针对正常、激进、疲劳三种异常驾驶风格分别训练微观异常驾驶行为识别模型。结果表明,当训练样本足够大时,所有模型的精准率与召回率均能够超过75%。最后,在级联模型的基础上,测试了迁移学习在微观驾驶行为识别领域的效果。选取相似但不同的数据集作为源域和目标域,实现微观异常驾驶行为识别模型迁移。评估并分析了迁移学习在不同目标域规模和类型下的效果。结果表明,迁移学习有助于提升较小目标域的识别效果,而当目标域达到源域规模的二分之一时,模型迁移基本无提升。综上,本文完整探讨了车辆运动状态时间序列数据用于微观驾驶行为识别研究的过程,结合深度学习、迁移学习建立了适用于分析驾驶行为数据的工具体系,解决了时间窗口容易对序列建模结果造成影响的问题,构建了用于驾驶行为识别的深度神经网络模型,并最终实现了驾驶行为模型在不同场景下的知识迁移。

关键词：驾驶行为车辆运动状态异常检测深度学习 cnn-lstm级联模型迁移学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：