一种用于驾驶意图识别模型的权值确认方法和装置制造方法及图纸

本发明专利技术公开了一种用于驾驶意图识别模型的权值确认方法和装置，包括以下步骤：行车样本准备包括

【技术实现步骤摘要】
一种用于驾驶意图识别模型的权值确认方法和装置


[0001]本专利技术涉及智能驾驶领域，具体而言，涉及一种用于驾驶意图识别模型的权值确认方法和装置
。

技术介绍

[0002]在智能驾驶的研发和应用过程中，神经网络模型及训练过程起着非常重要的作用
。
但在神经网络模型的训练过程中，超参数的存在直接影响了模型性能，超参数包括学习率，损失函数，批样本参数，权重衰减系数，优化器动量和卷积核尺寸等
。
目前对于权值的选取主要是通过对网络训练得到，为了让神经网络在训练过程中学习到有用的信息，对权值进行优化可以使得卷积神经网络训练收敛
。
对于卷积神经网络存在过度参数化问题，选取重要性高的权值表达网络可以提取有效特征
。
目前优化神经网络权值的方法有以下几种：
(1)
权值共享量化的卷积神经网络压缩方法：该方法可以有效的压缩卷积神经网络权值，但是在推理时采用浮点数计算，计算量增多，导致网络训练速度过慢；
(2)
权值低精度量化：该方法可以减少模型存储的大小，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于驾驶意图识别模型的权值确认方法，其特征在于，包括以下步骤：行车样本准备，所述行车样本包括
n
组行车数据，所述行车数据包括车速
vv、
踏板位移
mv、
踏板位移变化率
rv
；预处理所述行车数据，通过辅助驾驶意图识别模型获取所述行车数据对应的驾驶意图；所述预处理所述行车数据还包括获取每类行车数据对应目标函数极值和极值占比
A
；其中，所述辅助驾驶意图识别模型通过加速度划分驾驶意图；根据所述极值占比
A
生成模型参数最佳范围
ub、lb
；构建权值优化模型，所述权值优化模型采用蜂鸟优化算法，输出权值最优值；所述构建权值优化模型包括：根据所述模型参数最佳范围进行权值优化模型初始化
、
在搜索空间中迭代计算确认输出最优权值
。2.
根据权利要求1所述的权值确认方法，其特征在于，所述获取每类行车数据对应目标函数极值包括：指定一个特征参数，所述特征参数的线性回归假设函数为：
h
θ
(K
(i)
)
＝
θ1K
(i)
+
θ0，其中，
i
为样本数且
i
＝
1、2...m
，
θ
为意图集合，
K
为特征参数值，其中，所述特征参数包括：车速
vv、
踏板位移
mv、
踏板位移变化率
rv
；根据每个所述意图
θ
计算行车数据对应目标函数极值
,
具体方法包括：确定目标函数，定义为：确定梯度函数定义为：输入
K
(i)
,
输出
w
e
＝
max(J(
θ
))
；确定梯度函数定义为：输入
K
(i)
,
输出
w
s
＝
min(J(
θ
))
；所述
max(J(
θ
))
和
min(J(
θ
))
构成意图
θ
的行车数据对应目标函数极值；所述极值占比
A
的计算方法为：其中，
m
为所述
max(J(
θ
))
和
min(J(
θ
))
范围内，意图为意图
θ
的样本数量
。3.
根据权利要求1所述的权值确认方法，其特征在于，根据所述极值占比
A
生成参数最佳范围
ub、lb
的计算方法为：其中，
maxgen
和
i
分别为最大迭代次数和当前迭代次数，
w
s
、w
e
分别为权值
w
的初始值和最终值，且
0.1<w
s
<0.9、0.1<w
e
<0.9
；所述权值
w
的最大值和最小值，构成所述参数最佳范围
ub、lb。4.
根据权利要求1所述的权值确认方法，其特征在于，所述权值优化模型初始化的实现公式为：
P
i
＝
ub
‑
rand*(ub
‑
lb)
，其中，
P
i
为蜂鸟在种群中的位置
、i∈{1,2,3,...,N},N
是种群规模
、ub、lb
为所述参数最佳范围
、rand
为0到1之间的随机数
。5.
根据权利要求4所述的权值确认方法，其特征在于，所述在搜索空间中迭代计算确认输出最优权值包括：在所述参数最佳范围设置的范围内执行自搜索，确定最优值参数搜索区间；在所述最优值搜索区间迭代循环，确定和输出最优权值
。6.
一种用于驾驶意图识别模型的权值确认装置，其特征在于，包括：
样...

【专利技术属性】
技术研发人员：郑伟光，陈佳磊，许恩永，黄其柏，李立，张成涛，姜峰，
申请(专利权)人：广西科技大学华中科技大学，
类型：发明
国别省市：