[发明专利]基于动态人车环境协同推演的自由流状态汽车驾驶倾向性辨识系统

权利要求书

1.基于动态人车环境协同推演的自由流状态汽车驾驶倾向性辨识系统，按照如下方法进行建立：采用智能模式识别理论中基于BP神经网络的特征提取方法对宏观测得的驾驶员行车数据进行分析，提取出对驾驶倾向性类型分类能力较好的变量，以此数据为基础建立驾驶倾向性辨识模型。

2.根据权利要求1所述的基于动态人车环境协同推演的自由流状态汽车驾驶倾向性辨识系统，所述基于BP神经网络的特征提取方法为：模型中选用灵敏度(反映特征参数对模式状态变化的敏感程度)作为特征评价指标，所述的BP神经网络，设隐含层与输出层之间的变换函数采用线性函数，输入层与隐含层之间的变换函数采用S型函数，以x_i(i＝1，2，…，L)、z_j(j＝1，2，…，M)、y_k(k＝1，2，…，N)分别代表输入、隐含层的输出和输出层的输出，γ_k和σ_j分别为隐含层和输出层的阈值，则

yk=Σj=1Mυjkzj-γk---(6)]]>

zj=11+exp[-(Σi=1Lωijxi-σj)]---(7)]]>

由上式推导可得特征选择的依据，即特征参数x_i对模式类别y_k的灵敏度：

ζikn→∞=|∂yk∂xi|∝|Σj=1Nωijυjk|.]]>

3.根据权利要求2所述的基于动态人车环境协同推演的自由流状态汽车驾驶倾向性辨识系统，所述自由流状态汽车驾驶辨识模型分为冒险型、谨慎型和保守型，该模型算法建立在1-v-1基础上，对于k类样本，包含有k(k-1)/2个节点，每个节点为一个1-v-1分类器，设计分类函数f_ij(x)用于判别i、j两类样本，若f_ij(x)＞0，则判定样本x属于第i类；从实验数据中提取出各类型驾驶员特征参数(行车速度v等)作为倾向性类型识别模型建立和标定的样本集；对样本集，选择线性核函数

K(X，X_i)＝(X·X_i)，求得冒险型(类别1)与保守型(类别3)、冒险型(类别1)与谨慎型(类别2)、谨慎型(类别2)与保守型(类别3)倾向性间的分类线分别为：

f13(v)=0.532v-10.9=0f12(v)=0.648v-14.58=0f23(v)=-0.579v+11.025=0]]>

定义分类线通式为f_mn(v)＝k_mnv+b_k＝0，(m＝1，2，n＝2，3，k＝1，2，3)，则分类标准可表示为：若f_mn(v)＞0，则该样本对应类别m，若f_mn(v)＜0，则该样本对应类别n。