利用神经网络算法的驾驶状态分析方法及计算机设备技术

本发明专利技术提供利用神经网络算法的驾驶状态分析方法及计算机设备，方法包括：在每种驾驶状态下利用采集装置对被试的加速度及被试背部对座椅压力的数据进行多次采集，得到多组数据，每组数据包括加速度数据和压力数据；将每种状态下多次采集得到的多组数据分批次输入预建立的模型，得到多个训练输出值，组成当前状态对应的输出值区间集合；采集驾驶过程中的一个时刻下被试加速度数据及压力数据，输入模型，得到实测输出值，将所述实测输出值与训练阶段得到的输出值区间集合进行比较，基于实测输出值所属输出值区间集合确定被试驾驶状态。通过对被试进行驾驶行为的判断和事后分析，对驾驶者的驾驶行为有了定量数据的分析方法，提供了更科学的分析方法。

Driving state analysis method and computer equipment based on neural network algorithm

【技术实现步骤摘要】
利用神经网络算法的驾驶状态分析方法及计算机设备
本专利技术涉及驾驶行为数据分析研究领域，尤其涉及一种利用神经网络算法的驾驶状态分析方法及计算机设备。
技术介绍
随着我国经济的高速发展和人民生活水平的不断提高，人均拥有车辆的数量的速度不断增长。由于车辆驾驶已经成为日常生活中的一个重要行为，而驾驶行为与车辆设计等密切相关，因此，驾驶行为的识别也凸显出其重要性。现有技术中通过针对交通领域驾驶行为分析有测试腰部的压力测试系统，但是只局限于测量，并没有事后的分析或者对驾驶者行为的判断，无法通过压力及加速度作为手段分析判断驾驶者行为状态。因此，通过事后分析对驾驶者的驾驶状态进行判断是一个待解决的问题。
技术实现思路
本专利技术提供了一种利用神经网络算法的驾驶状态分析方法及计算机设备，以提供一种基于加速度和腰背部压力采集利用神经网络算法的分析方法，使得对驾驶者的驾驶行为有了定量数据的分析方法。为了达到以上目的，本专利技术采用以下技术方案实现：根据本专利技术实施例的一个方面，提供了一种利用神经网络算法本文档来自技高网...

【技术保护点】
1.一种利用神经网络算法的驾驶状态的分析方法，其特征在于，该方法包括训练阶段和测试阶段；/n所述训练阶段包括以下步骤：/n确定被试的多种驾驶状态，在每种驾驶状态下利用采集装置对被试的加速度及被试背部对座椅压力的数据进行多次采集，得到多组数据，每组数据包括加速度数据和压力数据；以及/n将每种状态下多次采集得到的多组数据分批次输入预建立的内嵌BP神经网络模型，得到多个训练输出值，基于该多个训练输出值形成当前状态对应的输出值区间集合；/n所述测试阶段包括以下步骤：/n采集驾驶过程中的一个时刻下被试加速度数据及被试背部对座椅的压力数据，输入内嵌BP神经网络模型，得到实测输出值，将所述实测输出值与训练阶...

【技术特征摘要】
1.一种利用神经网络算法的驾驶状态的分析方法，其特征在于，该方法包括训练阶段和测试阶段；
所述训练阶段包括以下步骤：
确定被试的多种驾驶状态，在每种驾驶状态下利用采集装置对被试的加速度及被试背部对座椅压力的数据进行多次采集，得到多组数据，每组数据包括加速度数据和压力数据；以及
将每种状态下多次采集得到的多组数据分批次输入预建立的内嵌BP神经网络模型，得到多个训练输出值，基于该多个训练输出值形成当前状态对应的输出值区间集合；
所述测试阶段包括以下步骤：
采集驾驶过程中的一个时刻下被试加速度数据及被试背部对座椅的压力数据，输入内嵌BP神经网络模型，得到实测输出值，将所述实测输出值与训练阶段得到的各驾驶状态对应的输出值区间集合进行比较，根据所述实测输出值所属的输出值区间集合确定该时刻被试的驾驶状态。


2.如权利要求1所述的分析方法，其特征在于，所述多种驾驶状态包括以下状态中的至少两种：
被试双脚不踩踏板，靠在座椅靠背的状态；
被试离开座椅靠背的状态；
被试右脚猜油门的状态；
被试左脚踩刹车的状态。


3.如权利要求1所述的分析方法，其特征在于，所述内嵌BP神经网络模型包括输入层、隐含层和输出层，并且隐含层设有5个神经元节点。


4.如权利要求3所述的分析方法，其特征在于，将每种状态下多次采集得到的多组数据分批次输入预建立的内嵌BP神经网络模型，得到多个训练输出值的步骤包括：
将采集的被试加速度的XYZ三轴数据之和作为输入层第一神经元，将采集的被试压力数据作为输入层第二神经元；
利用第一神经元与相应的输入加权和计算输入层到隐含层的第一输出值；
利用第二神经元与相应的输入加权和计算输入层到隐含层的第二输出值；
将输入层到隐含层得到的多个输出值作为隐含层到输出层的输入值，与对应的输入加权和得到隐含层到输出层的总输出值。


5.如权利要求4所述的分析方法，其特征在于，所述方法还包括：
分别对输入层到输出层得到的多个输出值计算得到多个相应的误差值，基于所述多个相应的误差值分别获得每层之间的总误差值；
利用所述多个相应的误差值对其相对应的所述输入层到输出层得到的多个输出值求偏导，得到所述输入层到输出层得到的多个输出值与其相应的理想值之差的变化率；
利用所述多个相应的误差值对其相对应的输入权重值求偏导，得到反向迭代更新权重值的变化率；
利用所述总误差值对每个输入权重值求偏导，得到多个总的权重值的反向迭代更新变化率；
基于对所述输入层到输出层得到的多个输出值与其相应的理想值之差的变化率、所述反向迭代更新权重值的变化率的多项乘积得到层级误差；
基于各层输入权重值、层级误差与总的权重值变化率，得到更新后的输入权重值；
计算更新后的各层输入权重值与各输入值乘积之和得到更新后的输出值。


6.如权利要求4所述的分析方法，其特征在于，利用第一神经元与相应的输入加权和计算输入层到隐含层的第一输出值的步骤包括利用如下公式来计算输入层到隐含层的第一输出值：
NETA1＝Q11×A11+Q12×A12+Q13×A13+Q14×A14+Q15×A15；



其中，NETA1是第一神经元的输入加权和；Q11、Q12、Q13、Q14、Q15是输入层神经元到隐含层的数据权重，A11、A12、A13、A14、A15是输入层到隐含层的所测得的加速度的值，OA1为第一神经元A1的输出；
利用第二神经元与相应的输入加权和计算输入层到隐含层的第二输出值的步骤包括利用如下公式来计算输入层到隐含层的第二输出值：
NETA2＝Q21×A21+Q22×A22+Q23×A23+Q24×A24+Q25×A25；



其中，NETA2是第二神经元的输入加权和；Q21、Q22、Q23、Q24、Q25分别是输入层压力神经元到隐含层的数据权重，A21、A22、A23、A24、A25分别是输入层到隐含层的所测得的压力的值，OA2为第二神经元A2的输出；
将输入层到隐含层...

【专利技术属性】
技术研发人员：赵起超，杨苒，李召，
申请(专利权)人：北京津发科技股份有限公司，
类型：发明
国别省市：北京;11