买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:吉林大学
摘要:本发明公开了一种基于聚类模型的不同循环工况下驾驶员风格辨识方法,包括以下步骤:S1、建立驾驶风格数据库:选取车型和路线,采集驾驶数据,并对数据进行预处理;S2、典型驾驶场景划分:对数据进行归一化,设定驾驶场景类型和边界条件,确定最佳粗聚类数目,并二次聚类获取典型驾驶场景;S3、对不同循环工况下驾驶员风格进行辨识:根据典型驾驶场景包含的数据信息建立不同循环工况的驾驶风格辨识数据特征,并基于主成分分析思想实现对数据特征的剔除和保留,引入自组织映射神经网络建立驾驶员风格辨识模型,输入筛选后的数据特征得到不同驾驶员在各类循环工况下的驾驶行为倾向,实现在不同循环工况下驾驶员风格的辨识。
主权项:1.一种基于聚类模型的不同循环工况下驾驶员风格辨识方法,其特征在于,包括以下步骤:S1、建立驾驶风格数据库:选取车型和路线,采集驾驶数据,基于固定路线重型商用车辆车载T-Box采集并上传的云端数据,建立实际道路自然驾驶条件下的驾驶员风格数据库;并对数据进行预处理;S2、典型驾驶场景划分:对数据进行归一化,设定驾驶场景类型和边界条件,确定最佳粗聚类数目,并二次聚类获取典型驾驶场景;S3、对不同循环工况下驾驶员风格进行辨识:根据典型驾驶场景包含的数据信息建立不同循环工况的驾驶风格辨识数据特征,并基于主成分分析思想实现对数据特征的剔除和保留,引入自组织映射神经网络建立驾驶员风格辨识模型,输入筛选后的数据特征得到不同驾驶员在各类循环工况下的驾驶行为倾向,实现在不同循环工况下驾驶员风格的辨识;所述步骤S2具体包括:S21、采用0-1归一化方法处理速度和加速度数据: 其中,代表第i个数据在车辆状态b上的测量值,和分别代表车辆状态b上的最大测量值和最小测量值,为求得的归一化数值;S22、获取车辆加速和制动状态下加速度的均值: 其中,ai和aj为所有正向和反向加速度测量值,n+和n-分别为加速状态加速度测量值和制动状态加速度测量值的个数,最终求得所有正向加速度均值和反向加速度均值S23、根据加速度均值信息,结合聚类中心加速度特征值,使用下式定义对应驾驶场景中每个数据点的车辆加速状态: 其中,和分别为驾驶场景b中第i个样本点的速度测量值和加速度测量值,Uacc、Ucru和Ubra分别代表加速状态、车速保持状态和制动状态,代表场景b的聚类中心加速度数值;当数据类型为加速场景时,该数据簇加速度最小值大于当数据类型为车速保持场景时,该数据簇加速度最大值小于最小值大于当数据类型为制动场景时,该数据簇加速度最大值小于S24、寻找符合边界条件的最小聚类数量,定义最小聚类数量为N,在限定范围内寻找最佳粗聚类数目K*,设b类数据含有m个样本点,其中某一样本点测量值为ubi,abi,同类数据中其他样本点测量值为ubj,abj,则内聚度为: 设b类数据含有n个数据点,某一数据点测量值为ubi,abi,类别b外共有n个数据点,则分离度表达式为: 单一数据点在整个样本空间的轮廓系数SCi表达式为: 其中,SCi∈[-1,1],随着Bi增大和Ai减小,SCi逐渐增大,模型聚类效果提升,则轮廓系数均值为: 分别设定不同K值建立聚类模型,比较模型输出结果对应的轮廓系数,确定最佳粗聚类数目K*的数值;S25、确定K*之后,根据车速将车辆状态分为低速、中速、高速三种驾驶场景,根据加速度将车辆状态分为加速、车速保持和制动三种驾驶场景,最终两两组合获得九种同时具有车速状态和车辆加速度状态的典型驾驶场景;此处将K-means模型聚类数目设置为9,实现对粗聚类求得的聚类中心的进一步分类,最终得到九种具有典型意义的主要驾驶场景;所述步骤S3具体包括:S31、使用滑动窗口方法,通过分析时间窗口内车速变化信息,判定车辆进入和脱离巡航状态的时刻,实现整个循环工况的划分,定义窗口宽度为WI,使用Wb表示以数据集中第b个数据作为起点的时间窗口,该窗口内车辆的平均速度为使用作为窗口内每一时刻车速变化的参考基准,定义Sb来表征窗口内速度变化累加值: 其中,vb,j表示窗口Wb中第j个元素,定义Cb,N来评价相邻N个滑动窗口车速均值的累计变化情况: 基于Sb的定义,同一窗口内速度变化累加值说明车速在该时间窗口中的波动水平,基于Cb,N的定义,相邻个滑动窗口车速均值的累计变化反映相邻窗口间车速的整体变化趋势,定义窗口内车速波动临界值tolin和窗口间车速变化临界值tolam,当Sb≤tolin且Cb,N≤tolam时,认为车辆已经处于巡航状态;S32、定义原始特征数据矩阵Dini和经过PCA处理求得的的低维特征数据矩阵DPC,设Dini具有p个特征,表示为f1,f2,…,fp;DPC具有q个主成分特征,表示为c1,c2,…,cq,其中qp,使用矩阵Uq×p表示特征转换矩阵: 使得DPC=Uq×pDini,Uq×p的每一个元素可以表示某一原始数据特征在对应主成分特征中的权重系数;S33、设一共保留m个主成分,第i类主成分表示为PCi,其方差值为Vari,则其贡献率表示为: 得到所有主成分贡献率向量设为特征转换矩阵Uq×p中第j个列向量,即第j个原始数据特征对应每一个主成分的权重系数,则表示在所有主成分中特征j所占有权重和,也可以作为特征j对整个数据空间的信息贡献率;令且令Conini表示所有原始数据特征贡献率组成向量,则参照的计算过程,可得: 将Conini中每个而元素从大到小排列,对原始数据特征进行排序,设定临界值Cri,当前k个数据特征满足: S34、选取SOM网络模型实现驾驶员风格的分类和辨识,设最终的驾驶员风格数目为Nd,则SOM网络的输出层神经元个数为Nd个,对驾驶员的k个数据特征归一化形成该神经元对应的驾驶风格辨识模型输入向量,和原始数据特征X=x1,x2,…xk,则归一化处理后: 其中,为最终SOM的输入向量;取0,1之间的随机数为输入层神经元和输出层神经元的之间的连接权重进行初始化赋值,设W为初始化后的连接权值矩阵,每一个输入神经元均对应Nd个输出神经元,故W中一共有k×Nd个元素,设为输出层第i个神经元节点对应的输入层连接权重,已知包含k个元素,每个元素代表输入层节点对应每个输出层节点的权重系数;选取一个输入特征向量并计算通过连接权重后的输出值使用欧氏距离计算Yi与不同输出层神经元节点对应权重系数的相似度,并将相似度最高即欧氏距离最小的输出层节点定义为该特征向量对应的优胜节点,对优胜节点进行连接权重更新,表达式如下:Wit+1=Wit+ηtYi-Wit其中,ηt为t时刻的学习率,随时间不断衰减,设置为ttol为设置的最大迭代次数,t为当前迭代次数,a为初始学习率,在0到1之间;Wit+1为第t+1次连接权重数值,Wit为第t次连接权重数值;继续将下一个驾驶行为状态特征向量输入SOM网络并实现权重更新,在迭代ttol次后完成网络训练,并确定不同输入向量对应的输出层优胜节点,每一个输出层节点表征了一种综合驾驶行为倾向。
全文数据:
权利要求:
百度查询: 吉林大学 一种基于聚类模型的不同循环工况下驾驶员风格辨识方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。