[发明专利]生物识别技术和数据驱动下的汽车座舱智能适应模型算法

权利要求书

1.生物识别技术和数据驱动下的汽车座舱智能适应模型算法，其特征在于，包括如下步骤：

采集汽车座舱的驾乘姿态数据，所述驾乘姿态数据包括驾驶员信息、车辆人机参数信息及座椅位置信息；

建立汽车座舱的驾乘姿态数据的特征提取模型，通过特征提取模型筛选出对座椅位置预测贡献度较高的筛选特征向量；

建立基于BP神经网络建立座椅舒适位置预测模型，输入筛选特征向量对模型进行训练；

输入汽车座舱的特定特征向量，获取汽车座舱的座椅位置信息并相应调整座椅位置。

2.根据权利要求1所述的生物识别技术和数据驱动下的汽车座舱智能适应模型算法，其特征在于，所述驾驶员信息包括：性别参数、身高参数、年龄参数及体重参数；

所述车辆人机参数信息包括：H30_SJ参数、L1参数、L6参数、H8参数、A19参数、TL23参数、H17参数、L53参数、W7参数、A18参数及W9参数，其中，H30_SJ参数指设计状态下的驾驶员SgRP点与踵点的垂直距离，L1参数指BOFRP点X向坐标，L6参数指BOFRP点到方向盘中心点X向距离，H8参数指AHP点垂直高度，A19参数指座椅轨迹线倾角，TL23参数指正常驾驶时H点水平调节的行程，H17参数指AHP到转向盘中心的距离，L53参数指前排SgRP点到AHP点的水平距离，W7参数指转向盘中心的Y坐标，A18参数指转向盘倾角，W9参数指转向盘直径；

所述AHP指加速踏板踵点参数，所述H点指人体躯干线与大腿线的交点参数，所述SgRP指乘坐基准点参数，所述BOFRP指踏点参考点参数；

所座椅位置信息包括X参数和H30参数，所述X参数指驾驶员H点位于BOF点之后的水平距离，所述H30参数指通过模型预测的驾驶员H点与踵点的垂直距离。

3.根据权利要求2所述的生物识别技术和数据驱动下的汽车座舱智能适应模型算法，其特征在于，对采集得到的驾乘姿态数据进行预处理，所述预处理的步骤包括对驾乘姿态数据进行聚类处理，通过计算样本点和聚类中心的欧氏距离来检测离群点，剔除离群点后获取预处理的驾乘姿态样本数据。

4.根据权利要求3所述的生物识别技术和数据驱动下的汽车座舱智能适应模型算法，其特征在于：

所述建立汽车座舱的驾乘姿态数据的特征提取模型包括：利用Lasso算法对驾乘姿态数据进行特征选择；通过相关性聚类分析对Lasso算法选择的特征进行筛选。

5.根据权利要求4所述的生物识别技术和数据驱动下的汽车座舱智能适应模型算法，其特征在于，所述特征提取模型通过Python实现，所述特征提取模型的主要代码包括：

cv_ridge＝pd.Series(cv_ridge,index＝alphas)

cv_ridge.plot(title＝Validation)

linreg＝MultiTaskLassoCV()

linreg.fit(X_train,Y_train)。

6.根据权利要求4所述的生物识别技术和数据驱动下的汽车座舱智能适应模型算法，其特征在于，所述对座椅位置预测贡献度较高的筛选特征向量包括：

性别参数、身高参数、体重参数、H30_SJ参数、H8参数及L53参数。