[发明专利]基于无监督极限学习机多重聚类算法的疲劳驾驶判断方法

权利要求书

1.基于无监督极限学习机多重聚类算法的疲劳驾驶判断方法，其特征是：包括以下步骤，且以下步骤顺次进行，

步骤一、使用BIOPAC生理记录仪，在三种场景下采集驾驶员的生理数据特征，将生理数据特征以数组形式存入CSV逗号分隔值文件中并进行数据标签化，形成原始数据特征矩阵；

步骤二、限定分类簇数为[1,10]，定义高斯混合模型Gaussian Mixture，获得数据特征数组被分配到每个簇的概率；

步骤三、对去除标签的训练样本集合进行高斯混合模型下的聚类，获得概率分布的参数；

步骤四、将期望最大化方法EM-Algo、谱聚类Spectral、平衡k均值聚类方法K-Means以及自组织映射方法Self-organizing Maps嵌入无监督极限学习机US-ELM中，进行特征提取；

步骤五、通过无监督学习机重复反馈输出矩阵out-matrix过程，将步骤四得到的四种聚类在无监督极限学习机特征提取下不同特征划分学习的结果与数据标签进行比对得到准确精度构造为精度矩阵，进行PCA主成分分析，得到成分得分系数矩阵计算，通过归一化得分系数转化为平衡四种聚类算法获得疲劳识别权重系数；

所述步骤三中高斯混合模型GMM的聚类方法为，将步骤一中原始数据的高斯混合模型的对数似然函数进行迭代，获得参数π_k、μ_k和∑_k，

确定每个分类簇数中的概率密度函数，再通过贝叶斯信息BIC准则，进行每一次分类簇数贝叶斯信息值的比较，通过似然率测试决策规则获得最小的错误概率；最小化错误概率的决策规则就是最大化后验概率判据，确定最优分类簇数模型

BIC＝Kln(n)-2ln(L)

其中，K为模型参数个数，n为样本数量，L为似然函数。