[发明专利]一种驾驶员特性辨识方法

权利要求书

1.一种驾驶员特性辨识方法，其特征在于，包括：

步骤1、通过多传感器采集实验数据，并对采集数据进行滤波处理；

步骤2、将滤波处理后的数据进行归一化处理，之后进行聚类分析，得到时间序列分割数据；

步骤3、建立双层HMM模型库，包括下层行为辨识层和和上层特性辨识层，上层根据下层行为辨识结果实现对驾驶员特性的辨识；下层行为辨识层是将所述时间序列分割数据，进行数据处理，分别建立不同驾驶员特性的短时间操纵行为模型库，其中包含不同特性的加速/制动多维连续高斯隐形马尔可夫模型库(MGHMM)、转向多维高斯隐形马尔可夫模型库(MGHMM)和速度、横摆角速度、加速度等级类型库；对于不同驾驶员特性的短时间行为模型进行序列标号；对于上层特性辨识层，是将驾驶员的下层各行为辨识的结果进行组合，其输入的离散序列为下层各行为模型的辨识序列标号，用这些多维的离散输入训练上层特性辨识模型库，以此完成对驾驶员长时间操纵行为特性的判别；

步骤4、进行模型验证；

所述制动与加速的模型库的观察序列描述为：

O(t)＝{a(t),b(t),c(t),d(t)}，其中，a(t)为加速踏板位移，b(t)为加速踏板速度，c(t)为制动踏板速度，d(t)为制动踏板力；

所述制动/加速驾驶员操作的驾驶行为模型包括：快速踩下制动踏板模型、正常踩下制动踏板模型、松开制动踏板模型、制动踏板位置保持模型、踏板无操作模型、正常松开加速踏板模型、快速松开加速踏板模型、踩下加速踏板模型和加速踏板位置保模型；

所述转向的驾驶员操作模型包括：直线行驶模型、正常转向模型和紧急转向模型；

所述步骤1中通过小波分析对采集的实验数据进行滤波处理，

具体如下：

步骤a、对采集到的信号进行分解，得到IMF分量，其中x(t)即为EEMD分解得到的IMF分量，M为初始化总体平均次数，s为分解的次数，S为IMF分量的个数，t为自变量；

步骤b、对相邻IMF分量c_i,c_i+1,...c_i+m进行特征分析，采用组合模态函数CMF方法将相关IMF分量通过CMF方法组合在一起，式中，n最大IMF分量数，C_q为组合分量，进而保持信号的完整性；

步骤c、对任意信号计算离散小波变换

其中[m,k]为采样点，a₀为初始伸缩因子，x(n)为尺度函数，n为自变量，L²(R)为希伯特空间；采用小波包分解，小波包的分解算法为：

其中j∈Z，n∈Z⁺即非负整数，k为平移尺度且k≥0，j为尺度度量空间，l为尺度因子，h，g为双尺度变量，g(k)＝(-1)^kh(1-k)；设信号的频带范围为0～f₀，得到各子带宽度为f₀/2n，则第i个子带频率范围表示为：

2.根据权利要求1所述的驾驶员特性辨识方法，其特征在于，归一化处理方法为：对同一时间序列的任一特征向量中样本数据X(n)，n＝1，2,...，N归一化处理得到k∈[1,N]。

3.根据权利要求2所述的驾驶员特性辨识方法，其特征在于，所述特性辨识层的观察序列描述为：OO(t)＝{x(t),y(t),z(t)}，其中，x(t)、y(t)、z(t)分别为有关制动与加速、转向和车速的操作层HMM的辨识结果。