一种基于因子分析和机器学习的驾驶风格辨识算法制造技术

本发明专利技术属于汽车技术领域，具体的说是一种基于因子分析和机器学习的驾驶风格辨识算法。该驾驶风格辨识算法首先挑选与驾驶风格强相关的数据作为驾驶风格特征参数，使用因子分析对特征参数进行降维获得公共因子，减少驾驶数据之间的冗余并为公共因子赋与相应的物理意义；以公共因子作为输入，采用高斯混合模型聚类算法为不同驾驶人打上对应的驾驶风格的标签；随后使用被遗传算法优化的反向传播神经网络训练驾驶风格辨识模型。通过将非监督学习和监督学习融合，能够有效的减少辨识的成本。使用遗传算法优化反向传播神经网络的初始权重能够有效的提高模型的辨识精度，填补了现有无法静确辨识驾驶风格的空白。

【技术实现步骤摘要】
一种基于因子分析和机器学习的驾驶风格辨识算法
本专利技术属于汽车
，具体的说是一种基于因子分析和机器学习的驾驶风格辨识算法。
技术介绍
随着科技的不断进步，汽车的研究逐渐从传统驾驶员车辆在环向无人车智能驾驶逐步发展。然而，智能车由于在交通法规制备、整车安全技术冗余、复杂场景决策等多方面仍然存在巨大的科技难点，因此驾驶人仍然会长期参与到智能汽车的研究发展历程中。驾驶人由于性别、驾龄、职业等不同的因素，导致他们常常会表现出不同的驾驶风格。在车辆行车过程中，驾驶人会根据自身的驾驶风格选择合适的驾驶操作获得舒适性的驾驶体验。以城市跟车工况为例，激进型的驾驶人通常在跟车距离较短的时候以较大的制动减速度进行跟车，保证主车与前车跟车距离较小，随时准备换道超车；而保守型的驾驶员则在距离前车较远的距离就会进行制动操作，以较小的制动减速度精细地调节两车间的跟车距离。针对不同驾驶风格的驾驶员，智能汽车在进行决策控制、运动规划、行车控制时应该充分考虑他们的驾驶风格，从而调节车辆性能提高驾驶人的乘坐感受。因此，准确的辨识驾驶人驾驶风格对智能汽车的设计具有重本文档来自技高网...

【技术保护点】
1.一种基于因子分析和机器学习的驾驶风格辨识算法，其特征在于，包括以下步骤：/n步骤一、从典型的城市跟车工况中提取与驾驶风格强相关的驾驶特征参数；/n步骤二、使用包含可行性分析、公共因子确定和因子得分在内的因子分析算法降维处理驾驶特征参数，获得公共因子并赋予其具体的物理含义；/n步骤三、使用高斯混合模型对公共因子进行聚类，为每个驾驶员准确的贴上驾驶风格标签；/n步骤四、采用被遗传算法优化的反向传播神经网络训练驾驶风格辨识模型，准确输出不同驾驶风格。/n

【技术特征摘要】
1.一种基于因子分析和机器学习的驾驶风格辨识算法，其特征在于，包括以下步骤：
步骤一、从典型的城市跟车工况中提取与驾驶风格强相关的驾驶特征参数；
步骤二、使用包含可行性分析、公共因子确定和因子得分在内的因子分析算法降维处理驾驶特征参数，获得公共因子并赋予其具体的物理含义；
步骤三、使用高斯混合模型对公共因子进行聚类，为每个驾驶员准确的贴上驾驶风格标签；
步骤四、采用被遗传算法优化的反向传播神经网络训练驾驶风格辨识模型，准确输出不同驾驶风格。


2.根据权利要求1所述的一种基于因子分析和机器学习的驾驶风格辨识算法，其特征在于，所述步骤一中的驾驶特征参数包括：主缸压力的平均值A1、主缸压力的最大值A2、主缸压力的标准差A3、发动机转矩的平均值A4、发动机转矩的标准差A5、发动机的平均转速A6、发动机转速的标准差A7、两车车距的平均值A8、两车车距的标准差A9、两车车速差的平均值A10和两车车速差的标准差A11。


3.根据权利要求1所述的一种基于因子分析和机器学习的驾驶风格辨识算法，其特征在于，所述步骤二的具体方法如下：
21)采用正规化方法对驾驶数据进行标准化处理：






式中，N表示采集的驾驶人数据样本数；xki(i＝1,2,…11)表示第k个驾驶人的第i个驾驶风格特征参数值；xkj(j＝1,2,…11)表示第k个驾驶人的第j个驾驶风格特征参数值；表示N个驾驶人第i个驾驶特征参数的平均值；表示N个驾驶人第j个驾驶特征参数的平均值；x′ki表示第k个驾驶人的第i个正规化后的驾驶风格特征参数值；x′kj表示第k个驾驶人的第j个正规化后的驾驶风格特征参数值；
22)对标准化后的特征数据进行了相关性分析：



式中，rij表示相关系数矩阵中的元素；x′ki表示第k个驾驶人的第i个正规化后的驾驶风格特征参数值；N表示采集的驾驶人数据样本数；x′kj表示第k个驾驶人的第j个正规化后的驾驶风格特征参数值；
23)根据特征方程求解相关系数矩阵的特征根和对应的特征向量：
|λjI-Rij|＝0(4)
RijUj＝λjUj(5)
式中，λj(j＝1,2,…11)表示相关系数矩阵Rij的特征根；I表示单位系数矩阵；Uj表示特征根对应的特征向量矩阵；Rij表示相关系数矩阵；
24)选取因子F3×1作为驾驶数据的公共因子，并且通过因子负载矩阵进行分析；因子负载矩阵A11×3由特征值λ3×1和特征向量U11×3求得；



式中，A11×3表示因子负载矩阵；λ1，λ2，λ3分别表示公共因子F3×1对应的特征值；Ui,j(i＝1,2,…11,j＝1,2,3)表示公共因子F3×1对应的特征向量；
25)采用最大方差法旋转因子负载矩阵，特征参数A4-A7命名为驱动因子；特征参数A1-A3命名为制动因子；特征参数A8-A11命名为环境因子；
26)因子得分模型为：
Xm×1＝Am×3·F3×1+εm×1(9)
式中，Xm×1(m＝1,2,3)表示因子得分模型；Am×3表示因子得分系数；εm×1表示特殊因子，本专利取εm×1为零向量进行求解；F3×1表示选定的三个公共因子；使用Anderson-Rubin回归法求解得到因子得分系数，最终根据因子的分析树获得的公共因子表达式为：



式中，F1表示第一公共因子，即驱动因子；F2表示第二公共因子，即制动因子；F3表示第三公共因子，即环境因子；A1表示主缸压力的平均值；A2表示主缸压力的最大值；A3表示主缸压力的标准差；A4表示发动机转矩的平均值；A5表示发动机转矩的标准差；A6表示发动机的平均转速；A7表示发动机转速的标准差；A8表示两车车距的平均值；A9...

【专利技术属性】
技术研发人员：赵健，陈志成，朱冰，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林;22