【技术实现步骤摘要】
一种基于循环神经网络的驾驶人多操作疲劳特征提取方法
本专利技术涉及汽车主动安全
，尤其涉及一种基于循环神经网络的驾驶人多操作疲劳特征提取方法。
技术介绍
研究表明：由于驾驶人导致的交通事故约占总量的92.9％，而疲劳驾驶是人为交通事故的重要诱因。驾驶人操作传感数据能实时、直接反应驾驶人的疲劳驾驶特性，是客观准确反映驾驶人操作规律的重要数据。基于驾驶人操作信息的驾驶人疲劳状态检测已成为汽车主动安全领域的热点研究内容和主要技术之一。通常，与驾驶人操作行为直接相关的传感数据包括方向盘转角、制动压力、左转向灯、右转向灯、节气门开度、横摆角速度、纵向加速度、横向加速度等。驾驶人由于长时间的实车操作，其心理和生理变得疲劳，驾驶人对道路环境感知能力、路况判断能力和车辆操控能力也随之变弱，使得驾驶人对车辆的边界容忍误差变大、操作变量的控制精度降低，因此，通过有效挖掘驾驶人操作变量的疲劳特征，预警驾驶人疲劳驾驶是减低道路交通安全事故的重要技术措施。然而，实车工况下，受道路随机性和驾驶人个体差异性的影响，使得驾驶人操作数据...
【技术保护点】
1.基于循环神经网络的驾驶人多操作疲劳特征提取方法，其特征在于，包括步骤：/nS1.基于循环神经网络构建模糊循环神经网络模型；所述模糊循环神经网络模型包括输入层、模糊层、隐含层和竞争层，所述输入层用于输入驾驶人多操作变量；所述模糊层用于对所述驾驶人多操作变量进行模糊化；所述隐含层用于训练时调整神经网络参数；所述竞争层用于寻找竞争获胜神经元，以及调整竞争获胜神经元的权向量并将该权向量作为对应操作变量的疲劳特征输出；/nS2.对所述模糊循环神经网络模型进行训练和测试，得到训练完成的疲劳特征提取模糊循环神经网络；/nS3.采用所述疲劳特征提取模糊循环神经网络实时提取实际驾驶中驾驶...
【技术特征摘要】
1.基于循环神经网络的驾驶人多操作疲劳特征提取方法，其特征在于，包括步骤：
S1.基于循环神经网络构建模糊循环神经网络模型；所述模糊循环神经网络模型包括输入层、模糊层、隐含层和竞争层，所述输入层用于输入驾驶人多操作变量；所述模糊层用于对所述驾驶人多操作变量进行模糊化；所述隐含层用于训练时调整神经网络参数；所述竞争层用于寻找竞争获胜神经元，以及调整竞争获胜神经元的权向量并将该权向量作为对应操作变量的疲劳特征输出；
S2.对所述模糊循环神经网络模型进行训练和测试，得到训练完成的疲劳特征提取模糊循环神经网络；
S3.采用所述疲劳特征提取模糊循环神经网络实时提取实际驾驶中驾驶人多操作变量下的疲劳特征。
2.如权利要求1所述的基于循环神经网络的驾驶人多操作疲劳特征提取方法，其特征在于，所述步骤S2具体包括步骤：
S21.采集实车路况下的驾驶人多操作变量，并对所述驾驶人多操作变量进行数据处理后分为训练样本集和测试样本集；
S22.将所述训练样本集输入所述模糊循环神经网络模型中进行训练，确定所述模糊循环神经网络模型的神经网络参数；
S23.将所述测试样本集输入训练完成的所述模糊循环神经网络模型中，提取对应的疲劳特征；
S24.判断提取的疲劳特征是否满足需求，若是则将训练完成的所述模糊循环神经网络模型作为疲劳特征提取模糊循环神经网络，若否则更新训练样本集对所述模糊循环神经网络模型进行重新训练直至满足需求。
3.如权利要求2所述的基于循环神经网络的驾驶人多操作疲劳特征提取方法，其特征在于，在所述步骤S21中，所述进行数据处理具体为：
采用双加窗的方式对驾驶人多操作变量的时间序列进行数据处理；
所述双加窗的方式为：
每隔第一预设时间段对所述时间序列进行一次加窗，以及在所述第一预设时间段内每隔第二预设时间段对所述时间序列进行一次加窗，所述第一预设时间段为所述第二预设时间段的整数倍。
4.如权利要求3所述的基于循环神经网络的驾驶人多操作疲劳特征提取方法，其特征在于：
所述第一预设时间段为60s，所述第二预设时间段为1s。
5.如权利要求3所述的基于循环神经网络的驾驶人多操作疲劳特征提取方法，其特征在于：
所述模糊层进行模糊化采用的函数为高斯函数，表示为：
其中，xj表示所述驾驶人多操作变量中每一操作变量在第一预设时间段内的第j个时间序列，j＝1,2…m，m＝所述第一预设时间段/所述第二预设时间段。
6.如权利要求5所述的基于...
【专利技术属性】
技术研发人员：李作进，聂玲，周伟，陈刘奎，柏俊杰，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：重庆;50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。