CN111862608B - 车辆行驶路况识别方法、装置、设备及存储介质 - Google Patents
车辆行驶路况识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111862608B CN111862608B CN202010720146.9A CN202010720146A CN111862608B CN 111862608 B CN111862608 B CN 111862608B CN 202010720146 A CN202010720146 A CN 202010720146A CN 111862608 B CN111862608 B CN 111862608B
- Authority
- CN
- China
- Prior art keywords
- road condition
- output
- value
- driving road
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000003062 neural network model Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000009467 reduction Effects 0.000 claims abstract description 19
- 210000002569 neuron Anatomy 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 21
- 230000008569 process Effects 0.000 abstract description 19
- 238000003064 k means clustering Methods 0.000 abstract description 6
- 230000001133 acceleration Effects 0.000 description 24
- 230000002068 genetic effect Effects 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000007621 cluster analysis Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000035772 mutation Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
本发明涉及车辆技术领域,公开了一种车辆行驶路况识别方法、装置、设备及存储介质,该方法包括:获取当前车辆行驶信息,对当前车辆行驶信息进行降维处理,获得目标特征参数,将目标特征参数输入至预设神经网络模型中获得行驶路况结果,判断行驶路况结果是否满足预设路况条件,在行驶路况结果满足预设路况条件时,将行驶路况结果作为车辆行驶路况识别结果。相较于现有技术,在对路况环境进行K均值聚类算法识别后,还需要对路况识别结果进行反复验证,使得过程较为繁琐,而本发明将车辆行驶路况的目标特征参数输入至路况识别神经网络模型中,以获得车辆行驶路况识别结果,实现了在提高路况识别效率的同时,能够获得精准的车辆行驶路况识别结果。
Description
技术领域
本发明涉及车辆技术领域,尤其涉及一种车辆行驶路况识别方法、装置、设备及存储介质。
背景技术
在科技和经济日新月异发展的今天,居民对混合动力等新能源汽车的保有量大幅增加,社会对新能源汽车也提出了更多实用性的需求。当下新能源汽车一系列技术的改进为了更适合实际情况,多会考虑对车辆实际行驶路况进行识别的方法。
现有技术中,对车辆的实际行驶路况进行识别的方法有K均值聚类算法、和自组织映射神经网络等多种识别方法,但K均值聚类算法和自组织映射神经网络的路况识别准确度并不高,还需要对路况识别结果进行验证,使得路况识别过程较为繁琐,因此,如何在提高路况识别效率的同时,精准地获取车辆路况识别结果是亟待解决的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种车辆行驶路况识别方法、装置、设备及存储介质,旨在解决如何在提高路况识别效率的同时,精准地获取车辆路况识别结果的技术问题。
为实现上述目的,本发明提供一种车辆行驶路况识别方法,所述车辆行驶路况识别方法包括以下步骤:
获取当前车辆行驶信息;
对所述当前车辆行驶信息进行降维处理,获得目标特征参数;
将所述目标特征参数输入至预先训练的路况识别神经网络模型,以获得行驶路况结果;
判断所述行驶路况结果是否满足预设路况条件;
在所述行驶路况结果满足所述预设路况条件时,将所述行驶路况结果作为车辆行驶路况识别结果。
优选地,所述获取当前车辆行驶信息的步骤之前,还包括:
获取综合行驶路况下的当前车辆特征参数;
获取预先设定的综合行驶路况对应的模型数据;
根据所述当前车辆特征参数及所述模型数据确定车辆行驶路况特征的实际输出值;
计算所述实际输出值与车辆行驶特征期望输出值之间的输出差值,并判断所述输出差值是否小于预设期望阈值;
在所述输出差值小于所述预设期望阈值时,根据所述模型数据及所述输出差值,获得所述综合行驶路况对应的初始模型数据;
根据所述初始模型数据确定初始输出差值;
判断所述初始输出差值是否大于或等于所述预设期望阈值;
若所述初始输出差值大于或等于所述预设期望阈值,则根据所述输出差值、所述预设期望阈值及所述初始输出差值确定所述综合行驶路况对应的目标模型数据;
获取所述当前车辆特征参数对应的行驶路况识别结果;
根据所述当前车辆特征参数、所述目标模型数据及所述行驶路况识别结果构建路况识别神经网络模型。
优选地,所述获取综合行驶路况下的当前车辆特征参数的步骤之前,还包括:
获取标定行驶路况下对应的样本特征参数;
对所述样本特征参数进行降维处理,获得目标样本特征参数;
根据所述目标样本特征参数对所述样本特征参数进行聚类分析,以确定多个样本子路况;
将各样本子路况进行拼接处理,得到综合行驶路况。
优选地,所述模型数据包括隐藏阈值、隐藏权值、输出阈值和输出权值;
所述根据所述当前车辆特征参数及所述模型数据确定车辆行驶路况特征的实际输出值的步骤,包括:
通过预设隐藏层公式对所述当前车辆特征参数、所述隐藏阈值及所述隐藏权值进行计算,获得隐藏输出值;
所述预设隐藏层公式为:
式中,f(x)为隐藏层的激励函数,x为输入变量,xi为所述当前车辆特征参数,n为输入层神经元个数,j为隐藏层神经元个数,Hj为隐藏输出值,aj为所述隐藏阈值和wij为所述隐藏权值。
通过预设输出层公式对所述隐藏输出值、所述输出阈值及所述输出权值进行计算,获得车辆行驶路况特征的实际输出值;
所述预设输出层公式为:
式中,p为输出层神经元个数,Op为实际输出值,wip为所述输出权值和bp为所述输出阈值。
优选地,所述计算所述实际输出值与车辆行驶特征期望输出值之间的输出差值的步骤,包括:
通过预设误差公式对所述实际输出值与期望输出值进行计算,获得输出差值;
所述预设误差公式为:
Ep=Qp-Op
式中,Ep为输出差值和Qp为期望输出值。
优选地,所述根据所述模型数据及所述输出差值,获得所述综合行驶路况对应的初始模型数据的步骤,包括:
根据所述隐藏权值、所述隐藏输出值、所述输出权值及所述输出差值,通过第一预设公式计算初始隐藏权值;
所述第一预设公式为:
式中,wij1为初始隐藏权值和L为学习效率;
根据所述隐藏输出值、所述输出权值及所述输出差值,通过第二预设公式计算初始输出权值;
所述第二预设公式为:
ωjp1=ωjp+LHjEp
式中,wjp1为初始输出权值;
根据所述隐藏阈值、所述隐藏输出值、所述输出权值及所述输出差值,通过第三预设公式计算初始隐藏阈值;
式中,aj1为初始隐藏阈值;
根据所述输出阈值及所述输出差值,通过第四预设公式计算初始输出阈值;
所述第四预设公式为:
bp1=bp+Ep
式中,bp1为初始输出阈值;
将所述初始隐藏权值、所述初始输出权值、所述初始隐藏阈值及所述初始输出阈值作为所述综合行驶路况对应的初始模型数据。
优选地,所述根据所述输出差值、所述预设期望阈值及所述初始输出差值确定所述综合行驶路况对应的目标模型数据的步骤,包括:
根据所述输出差值和所述预设期望阈值确定所述综合行驶路况对应的第一适应度值;
根据所述初始输出差值和所述预设期望阈值确定所述综合行驶路况对应的第二适应度值;
获取所述第一适应度值对应的第一概率值和所述第二适应度值对应的第二概率值;
根据所述第一概率值和所述第二概率值确定所述综合行驶路况对应的目标适应度值;
获取所述目标适应度值对应的目标输出差值;
根据所述目标输出差值确定目标隐藏权值、目标输出权值、目标隐藏阈值及目标输出阈值,并将所述目标隐藏权值、所述目标输出权值、所述目标隐藏阈值及所述目标输出阈值作为所述综合行驶路况对应的目标模型数据。
此外,为实现上述目的,本发明还提出一种车辆行驶路况识别装置,所述车辆行驶路况识别装置包括:
获取模块,用于获取当前车辆行驶信息;
处理模块,用于对所述当前车辆行驶信息进行降维处理,获得目标特征参数;
确定模块,用于将所述目标特征参数输入至预先训练的路况识别神经网络模型,以获得行驶路况结果;
判断模块,用于判断所述行驶路况结果是否满足预设路况条件;
判定模块,用于在所述行驶路况结果满足所述预设路况条件时,将所述行驶路况结果作为车辆行驶路况识别结果。
此外,为实现上述目的,本发明还提出一种车辆行驶路况识别设备,所述车辆行驶路况识别设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆行驶路况识别程序,所述车辆行驶路况识别程序被所述处理器执行时实现如上文所述的车辆行驶路况识别方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有车辆行驶路况识别程序,所述车辆行驶路况识别程序被处理器执行时实现如上文所述的车辆行驶路况识别方法的步骤。
本发明中,首先获取当前车辆行驶信息,之后对当前车辆行驶信息进行降维处理获得目标特征参数,并将目标特征参数输入至预先训练的路况识别神经网络模型,以获得行驶路况结果,判断行驶路况结果是否满足预设路况条件,在行驶路况结果满足所述预设路况条件时,将所述行驶路况结果作为车辆行驶路况识别结果。相较于现有技术,在对路况环境进行K均值聚类算法或自组织映射神经网络后,还需要对路况识别结果进行反复验证,不仅会降低路况识别效率,还会使得路况识别过程较为繁琐,而本发明通过获取车辆行驶路况的目标特征参数,之后将目标特征参数输入至路况识别神经网络模型中,以获得车辆行驶路况识别结果,实现了在提高路况识别效率的同时,能够获得精准的车辆行驶路况识别结果。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的车辆行驶路况识别设备的结构示意图;
图2为本发明车辆行驶路况识别方法第一实施例的流程示意图;
图3为本发明车辆行驶路况识别方法第一实施例的综合行驶路况特征曲线示意图;
图4为本发明车辆行驶路况识别方法第二实施例的流程示意图;
图5为本发明车辆行驶路况识别装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的车辆行驶路况识别设备结构示意图。
如图1所示,该车辆行驶路况识别设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(Non-volatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对车辆行驶路况识别设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及车辆行驶路况识别程序。
在图1所示的车辆行驶路况识别设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述车辆行驶路况识别设备通过处理器1001调用存储器1005中存储的车辆行驶路况识别程序,并执行本发明实施例提供的车辆行驶路况识别方法。
基于上述硬件结构,提出本发明车辆行驶路况识别方法的实施例。
参照图2,图2为本发明车辆行驶路况识别方法第一实施例的流程示意图,提出本发明车辆行驶路况识别方法第一实施例。
在第一实施例中,所述车辆行驶路况识别方法包括以下步骤:
步骤S10:获取当前车辆行驶信息。
需要说明的是,本实施例的执行主体是车辆行驶路况识别设备,其中,该设备是具有数据处理,数据通信及程序运行等功能的车辆行驶路况识别设备,也可为其他设备,本实施例对此不做限制。
获取当前车辆行驶信息的步骤之前,获取标定行驶路况下对应的样本特征参数,对所述样本特征参数进行降维处理,获得目标样本特征参数,根据所述目标样本特征参数对所述样本特征参数进行聚类分析,以确定多个样本子路况,将各样本子路况进行拼接处理,得到综合行驶路况。
所述标定行驶路况也就是车辆行驶样本路况,可以是拥堵路况,也可以是城市路况,还可以是快速路况等,本实施例并不加以限制。
所述样本特征参数为当前车辆行驶在标定行驶路况下的特征参数,所述特征参数包括最大车速、平均车速、最大加速度、平均加速度、最大减速度、平均减速度、总行程、怠速时间、停车次数等,标定行驶路况可以为21种典型行驶路况,之后将所述特征参数进行相关性降维处理,也就是根据最大车速、平均车速、最大加速度、平均加速度、最大减速度、平均减速度、总行程、怠速时间、停车次数,通过预设相关性系数公式确定特征参数之间的相关性系数值,根据相关性系数值确定目标样本参数,所述目标样本参数可以为最大车速、最大加速度、平均加速度、平均减速度等。
所述预设相关性系数公式为:
假设目标样本参数为最大车速、最大加速度、平均加速度、平均减速度,之后根据所述目标样本参数对21种典型行驶路况进行聚类分析,以选取其中具有代表性的典型行驶路况作为样本子路况,其中聚类过程中通过平方欧式距离公式计算不同个体间的距离用以分类。
所述平方欧式距离公式为:
式中,(i,j)为不同的路况个体,m为特征参数,P(i,j)为两个路况之间的距离,xim和xjm为第i个路况的第m个特征参数。
参考表1,所述表1为21种行驶路况的分类结果:
可以选取其中的NurembergR36、HWFET、NYCC、US06、UDDS五个典型行驶路况作为子路况拼接成综合行驶路况,参考图3,图3为本发明车辆行驶路况识别方法第一实施例的综合行驶路况特征曲线示意图。
进一步地,获取综合行驶路况下的当前车辆特征参数,获取预先设定的综合行驶路况对应的模型数据,根据所述当前车辆特征参数及所述模型数据确定车辆行驶路况特征的实际输出值,计算所述实际输出值与车辆行驶特征期望输出值之间的输出差值,并判断所述输出差值是否小于预设期望阈值,在所述输出差值小于所述预设期望阈值时,根据所述模型数据及所述输出差值,获得所述综合行驶路况对应的初始模型数据,根据所述初始模型数据确定初始输出差值,判断所述初始输出差值是否大于或等于所述预设期望阈值,若所述初始输出差值大于或等于所述预设期望阈值,则根据所述输出差值、所述预设期望阈值及所述初始输出差值确定所述综合行驶路况对应的目标模型数据,获取所述当前车辆特征参数对应的行驶路况识别结果,根据所述当前车辆特征参数、所述目标模型数据及所述行驶路况识别结果构建路况识别神经网络模型。
获取预设隐藏层神经元对应的隐藏阈值、所述预设隐藏层神经元与预设输入层神经元之间的隐藏权值、预设输出层神经元对应的输出阈值和所述预设输出层神经元与所述预设隐藏层神经元之间的输出权值。
所述模型数据包括隐藏阈值、隐藏权值、输出阈值和输出权值,通过预设隐藏层公式对所述当前车辆特征参数、所述隐藏阈值及所述隐藏权值进行计算,获得隐藏输出值;
所述预设隐藏层公式为:
式中,f(x)为隐藏层的激励函数,x为输入变量,xi为所述当前车辆特征参数,n为输入层神经元个数,j为隐藏层神经元个数,Hj为隐藏输出值,aj为所述隐藏阈值和wij为所述隐藏权值,L为隐藏层节点数。
通过预设输出层公式对所述隐藏输出值、所述输出阈值及所述输出权值进行计算,获得车辆行驶路况特征的实际输出值;
所述预设输出层公式为:
式中,p为输出层神经元个数,Op为实际输出值,wip为所述输出权值和bp为所述输出阈值。
通过预设误差公式对所述实际输出值与期望输出值进行计算,获得输出差值;
所述预设误差公式为:
Ep=Qp-Op
式中,Ep为输出差值和Qp为期望输出值。
根据所述隐藏权值、所述隐藏输出值、所述输出权值及所述输出差值,通过第一预设公式计算初始隐藏权值;
所述第一预设公式为:
式中,wij1为初始隐藏权值和L为学习效率;
根据所述隐藏输出值、所述输出权值及所述输出差值,通过第二预设公式计算初始输出权值;
所述第二预设公式为:
ωjp1=ωjp+LHjEp
式中,wjp1为初始输出权值;
根据所述隐藏阈值、所述隐藏输出值、所述输出权值及所述输出差值,通过第三预设公式计算初始隐藏阈值;
式中,aj1为初始隐藏阈值;
根据所述输出阈值及所述输出差值,通过第四预设公式计算初始输出阈值;
所述第四预设公式为:
bp1=bp+Ep
式中,bp1为初始输出阈值。
将所述初始隐藏权值、所述初始输出权值、所述初始隐藏阈值及所述初始输出阈值作为所述综合行驶路况对应的初始模型数据。
此外,所述根据所述输出差值、所述预设期望阈值及所述初始输出差值确定所述综合行驶路况对应的目标模型数据的步骤为根据所述输出差值和所述预设期望阈值确定所述综合行驶路况对应的第一适应度值,根据所述初始输出差值和所述预设期望阈值确定所述综合行驶路况对应的第二适应度值,获取所述第一适应度值对应的第一概率值和所述第二适应度值对应的第二概率值,根据所述第一概率值和所述第二概率值确定所述综合行驶路况对应的目标适应度值,获取所述目标适应度值对应的目标输出差值,根据所述目标输出差值确定目标隐藏权值、目标输出权值、目标隐藏阈值及目标输出阈值,并将所述目标隐藏权值、所述目标输出权值、所述目标隐藏阈值及所述目标输出阈值作为所述综合行驶路况对应的目标模型数据。
步骤S20:对所述当前车辆行驶信息进行降维处理,获得目标特征参数。
所述当前车辆行驶信息包括最大车速、平均车速、最大加速度、平均加速度、最大减速度、平均减速度、总行程、怠速时间、停车次数等,之后将所述特征参数进行相关性降维处理,也就是根据最大车速、平均车速、最大加速度、平均加速度、最大减速度、平均减速度、总行程、怠速时间、停车次数,通过预设相关性系数公式确定行驶信息之间的相关性系数值,根据相关性系数值确定目标特征参数,所述目标特征参数可以为最大车速、最大加速度、平均加速度、平均减速度等。
步骤S30:将所述目标特征参数输入至预先训练的路况识别神经网络模型,以获得行驶路况结果。
所述行驶路况结果可以为拥堵路况,也可以是城市路况,也可以是高速路况等,本实施例并不加以限制。
步骤S40:判断所述行驶路况结果是否满足预设路况条件。
所述预设路况条件可以为准确阈值,其中,所述准确阈值为用户自定义设置,可以为数字7,也可以为数字8等,本实施例并不加以限制。
步骤S50:在所述行驶路况结果满足所述预设路况条件时,将所述行驶路况结果作为车辆行驶路况识别结果。
所述行驶路况结果还可以包括路况准确值,假设行驶路况准确值为9,预设准确阈值为7,则行驶路况准确值大于预设准确阈值,则将所述行驶路况结果作为车辆行驶路况识别结果。
假设行驶路况准确值为6,预设准确阈值为7,则行驶路况准确值小于预设准确阈值,则返回将所述目标特征参数输入至预先训练的路况识别神经网络模型,以获得行驶路况结果的操作。
假设行驶路况准确值为7,预设准确阈值为7,则行驶路况准确值等于预设准确阈值,则将所述行驶路况结果作为车辆行驶路况识别结果。
本实施例中,首先获取当前车辆行驶信息,之后对当前车辆行驶信息进行降维处理获得目标特征参数,并将目标特征参数输入至预先训练的路况识别神经网络模型,以获得行驶路况结果,判断行驶路况结果是否满足预设路况条件,在行驶路况结果满足所述预设路况条件时,将所述行驶路况结果作为车辆行驶路况识别结果。相较于现有技术,在对路况环境进行K均值聚类算法或自组织映射神经网络后,还需要对路况识别结果进行反复验证,不仅会降低路况识别效率,还会使得路况识别过程较为繁琐,而本发明通过获取车辆行驶路况的目标特征参数,之后将目标特征参数输入至路况识别神经网络模型中,以获得车辆行驶路况识别结果,实现了在提高路况识别效率的同时,能够获得精准的车辆行驶路况识别结果。
此外,参照图4,图4为基于上述车辆行驶路况识别方法第一实施例,提出本发明车辆行驶路况识别方法第二实施例。
在第二实施例中,车辆行驶路况识别方法中所述步骤S10之前,还包括:
步骤S000:获取综合行驶路况下的当前车辆特征参数。
获取综合行驶路况下的当前车辆特征参数之前,获取标定行驶路况下对应的样本特征参数,对所述样本特征参数进行降维处理,获得目标样本特征参数,根据所述目标样本特征参数对所述样本特征参数进行聚类分析,以确定多个样本子路况,将各样本子路况进行拼接处理,得到综合行驶路况。
所述样本特征参数为当前车辆行驶在标定行驶路况下的特征参数,所述特征参数包括最大车速、平均车速、最大加速度、平均加速度、最大减速度、平均减速度、总行程、怠速时间、停车次数等,标定行驶路况可以为21种典型行驶路况,之后将所述特征参数进行相关性降维处理,也就是根据最大车速、平均车速、最大加速度、平均加速度、最大减速度、平均减速度、总行程、怠速时间、停车次数,通过预设相关性系数公式确定特征参数之间的相关性系数值,根据相关性系数值确定目标样本参数,所述目标样本参数可以为最大车速、最大加速度、平均加速度、平均减速度等。
假设目标样本参数为最大车速、最大加速度、平均加速度、平均减速度,之后根据所述目标样本参数对21种典型行驶路况进行聚类分析,以选取其中具有代表性的典型行驶路况作为样本子路况,其中聚类过程中通过平方欧式距离公式计算不同个体间的距离用以分类。
步骤S001:获取预先设定的综合行驶路况对应的模型数据。
所述预先设定的综合行驶路况对应的模型数据包括预设隐藏层神经元对应的隐藏阈值、所述预设隐藏层神经元与预设输入层神经元之间的隐藏权值、预设输出层神经元对应的输出阈值和所述预设输出层神经元与所述预设隐藏层神经元之间的输出权值,隐藏阈值、隐藏权值、输出阈值和输出权值为模型中对应的原始数据。
步骤S002:根据所述当前车辆特征参数及所述模型数据确定车辆行驶路况特征的实际输出值。
所述模型数据包括隐藏阈值、隐藏权值、输出阈值和输出权值,通过预设隐藏层公式对所述当前车辆特征参数、所述隐藏阈值及所述隐藏权值进行计算,获得隐藏输出值;
所述预设隐藏层公式为:
式中,f(x)为隐藏层的激励函数,x为输入变量,xi为所述当前车辆特征参数,n为输入层神经元个数,j为隐藏层神经元个数,Hj为隐藏输出值,aj为所述隐藏阈值和wij为所述隐藏权值,L为隐藏层节点数。
通过预设输出层公式对所述隐藏输出值、所述输出阈值及所述输出权值进行计算,获得车辆行驶路况特征的实际输出值;
所述预设输出层公式为:
式中,p为输出层神经元个数,Op为实际输出值,wip为所述输出权值和bp为所述输出阈值。
步骤S003:计算所述实际输出值与车辆行驶特征期望输出值之间的输出差值,并判断所述输出差值是否小于预设期望阈值。
通过预设误差公式对所述实际输出值与期望输出值进行计算,获得输出差值;
所述预设误差公式为:
Ep=Qp-Op
式中,Ep为输出差值和Qp为期望输出值。
所述预设期望阈值为用户自定义差值,可以为数字8,也可以为数字9等。
步骤S004:在所述输出差值小于所述预设期望阈值时,根据所述模型数据及所述输出差值,获得所述综合行驶路况对应的初始模型数据;
假设输出差值为7时,所述预设期望阈值为8,则根据所述模型数据及所述输出差值,获得所述综合行驶路况对应的初始模型数据。
根据所述隐藏权值、所述隐藏输出值、所述输出权值及所述输出差值,通过第一预设公式计算初始隐藏权值;
所述第一预设公式为:
式中,wij1为初始隐藏权值和L为学习效率;
根据所述隐藏输出值、所述输出权值及所述输出差值,通过第二预设公式计算初始输出权值;
所述第二预设公式为:
ωjp1=ωjp+LHjEp
式中,wjp1为初始输出权值;
根据所述隐藏阈值、所述隐藏输出值、所述输出权值及所述输出差值,通过第三预设公式计算初始隐藏阈值;
式中,aj1为初始隐藏阈值;
根据所述输出阈值及所述输出差值,通过第四预设公式计算初始输出阈值;
所述第四预设公式为:
bp1=bp+Ep
式中,bp1为初始输出阈值;
将所述初始隐藏权值、所述初始输出权值、所述初始隐藏阈值及所述初始输出阈值作为所述综合行驶路况对应的初始模型数据。
步骤S005:根据所述初始模型数据确定初始输出差值。
通过预设输出层公式对所述初始隐藏输出值、所述初始输出阈值及所述初始输出权值进行计算,获得车辆行驶路况特征的初始输出值。
通过预设误差公式对所述初始输出值与期望输出值进行计算,获得初始输出差值。
步骤S006:判断所述初始输出差值是否大于或等于所述预设期望阈值。
所述预设期望阈值为用自定义数值,可以为8,也可以为9等,本实施例并不加以限制。
步骤S007:若所述初始输出差值大于或等于所述预设期望阈值,则根据所述输出差值、所述预设期望阈值及所述初始输出差值确定所述综合行驶路况对应的目标模型数据。
所述预设期望阈值为用户自定义设置,可以为数字7,也可以为数字8等,本实施例并不加以限制。
假设初始输出差值为9,预设期望阈值为7,则根据所述输出差值、所述预设期望阈值及所述初始输出差值确定所述综合行驶路况对应的目标模型数据。
为了便于理解,以下进行举例说明:
(1)典型行驶路况的数据提取是进行路况识别的基础。考虑到汽车在实际行驶过程中将要面对不同的复杂路况,本发明将首先选择21种典型行驶路况来做分析,在将它们的特征参数进行相关性降维处理之后,选取四个特征参数,通过这四个特征参数对21种典型行驶路况进行聚类分析,选取其中具有代表性的典型行驶路况作为子路况(选取每一类中典型行驶路况的特征参数值,将离该类路况特征参数均值最近的典型行驶路况作为子路况),之后将其拼接成综合行驶路况。经分析后将此21种典型行驶路况分为四类,并选取其中的NurembergR36、HWFET、NYCC、US06、UDDS五个典型行驶路况作为子路况拼接成综合行驶路况,所述特征参数具体指最大车速、平均车速、最大加速度、平均加速度、最大减速度、平均减速度、总行程、怠速时间、停车次数等,降维处理后的四个参数是最大车速、最大加速度、平均加速度、平均减速度。
(2)本方法选取路况识别神经网络对综合行驶路况进行训练,并对实际行驶路况进行识别分类。路况识别神经网络是一种多层前馈神经网络,它的工作过程大致分为路况训练和路况识别两部分。
训练时依靠所选路况的四个参数作为输入层神经元的输入信号,每个输入层神经元再根据其所占隐藏层神经元的权值和阈值(路况识别神经网络模型通过随机赋予初始权值和阈值并不断更新权值和阈值以达到最佳输出)的不同将信号传递到隐藏层,再依此传递到输出层,并由输出层神经元输出。若实际输出与期望输出差距超出预期,则会将训练误差反向传递,以不断调整各层的权值和阈值。识别时利用实际行驶路况所提取的数据(实车行驶过程中采集到的包括最大车速、最大加速度、平均加速度、平均减速度四个特征参数值)对路况识别神经网络模型进行测试并输出测试结果,最后通过分类结果检验路况识别分类的准确率。
对车辆实际行驶路况的识别相较于传统的聚类识别和其他神经网络识别的准确率有了不错的提升,为了使路况识别的准确率再有所提升,选用遗传算法来对路况识别神经网络的权值和阈值进行更进一步的优化。
(3)遗传算法是通过模拟生物遗传进化的机制形成的一种并行随机搜索目标最优解的方法。遗传算法大致包含了“选择操作”“交叉操作”“变异操作”三个过程。遗传算法优化路况识别神经网络包含了“路况识别的路况识别神经网络模型结构确定”“遗传算法优化路况识别神经网络模型”“利用优化后的路况识别神经网络模型进行路况识别分类”三个部分。
“路况识别的路况识别神经网络模型结构确定”是整个遗传算法优化路况识别神经网络模型的准备工作,利用此步骤首先确定遗传算法的个体长度。根据所选的典型路况而确定的路况识别神经网络模型具有4-5-1的结构,即其包含有四个输入层神经元,五个隐藏层神经元,一个输出层神经元,从而确定出种群的个体长度为4*5+5*1+5+1=31(输入层神经元乘隐藏层神经元+隐藏层神经元乘输出层神经元+隐藏层神经元+输出层神经元,前两部分代表权值数量,后两部分即每个隐藏层神经元和输出层神经元都有一个阈值)。在遗传算法工作过程中,需要利用不同个体的适应度值来选取最优的个体来进行对路况识别神经网络模型的优化,本方法使用路况识别神经网络模型的实际输出与期望输出的误差绝对值之和(将每项实际输出值与期望输出之值的“误差”的绝对值进行相加)作为不同个体的适应度值。
下面将介绍遗传算法工作的具体步骤:
①根据个体长度将遗传算法种群进行初始化。每一个种群个体都包含了路况识别神经网络模型的所有权值和阈值,对种群进行初始化从而产生特定个数的初始化个体作为接下来迭代的初始点,此过程中采用“实数法”对种群内的所有个体进行编码。
②适应度值的选取。根据路况识别神经网络模型中的权值和阈值而确定的适应度值函数可以计算出每个个体的适应度值供之后的选择操作使用,其计算公式如式:
式中,k为系数,y为期望输出值,O为实际输出值,n为神经网络输出层神经元个数,h代表从1到n,abs为绝对值,F为适应度值函数。
③选择操作。利用适应度值所占比例的大小代表被每个个体被选中的概率,概率的计算公式如下:
式中,N代表了种群规模,Fi为适应度值函数,i、j代表了从1到N,Fj为适应度值函数,k为系数,pi为个体被选中的概率。
在确定了每个个体的适应度值所占的概率之后,再采用“轮盘赌”的方式,产生介于0和1之间的随机数来确定每个个体被选中的次数。
④交叉操作。交叉操作是一个随机的过程,首先随机选取种群内的两个个体进行配对,再在每一对个体上随机选取某一基因座位置作为交叉点进行交叉操作,具体操作如下式:
式中,a代表个体基因,k和l代表个体的染色体代号,j为交叉点,b为交叉概率。
⑤变异操作。对第i个个体的第j位基因aij进行变异操作,如下式所示:
式中,amax、amin分别代表了基因a的上下限,G代表了进化次数,r代表了介于0和1之间的随机数。
结合以上三部分内容,在软件中通过编程实现一种基于遗传算法优化路况识别神经网络模型的路况识别方法,经遗传算法优化后的路况识别准确率有了明显的提高。遗传算法优化过程中,适应度值随进化次数的变化,可以看出在种群进化到第十九次时便达到了最优适应度值。经遗传算法优化后的路况识别神经网络模型进行路况识别时的误差,从两幅图中可以看出经遗传算法优化后的路况识别神经网络模型进行路况识别时准确率有较大提升。
步骤S008:获取所述当前车辆特征参数对应的行驶路况识别结果。
所述行驶路况结果可以为拥堵路况,也可以是城市路况,也可以是高速路况等,本实施例并不加以限制。
步骤S009:根据所述当前车辆特征参数、所述目标模型数据及所述行驶路况识别结果构建路况识别神经网络模型。
在本实施例中,获取综合行驶路况下的当前车辆特征参数,获取预先设定的综合行驶路况对应的模型数据,根据所述当前车辆特征参数及所述模型数据确定车辆行驶路况特征的实际输出值,计算所述实际输出值与车辆行驶特征期望输出值之间的输出差值,并判断所述输出差值是否小于预设期望阈值,在所述输出差值小于所述预设期望阈值时,根据所述模型数据及所述输出差值,获得所述综合行驶路况对应的初始模型数据,根据所述初始模型数据确定初始输出差值,判断所述初始输出差值是否大于或等于所述预设期望阈值,若所述初始输出差值大于或等于所述预设期望阈值,则根据所述输出差值、所述预设期望阈值及所述初始输出差值确定所述综合行驶路况对应的目标模型数据,获取所述当前车辆特征参数对应的行驶路况识别结果,根据所述当前车辆特征参数、所述目标模型数据及所述行驶路况识别结果构建路况识别神经网络模型,相较于现有技术,利用K均值聚类算法或自组织映射神经网络的路况识别过程复杂繁琐,还无法精准获取行驶路况识别结果,而本发明进行遗传算法的种群初始值编码并确定种群的适应度值函数,在此基础上利用遗传算法优化路况识别神经网络模型的权值和阈值,从而提高路况识别的准确率。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有车辆行驶路况识别程序,所述车辆行驶路况识别程序被处理器执行时实现如上文所述的车辆行驶路况识别方法的步骤。
此外,参照图5,本发明实施例还提出一种车辆行驶路况识别装置,所述车辆行驶路况识别装置包括:
获取模块5001,用于获取当前车辆行驶信息;
处理模块5002,用于对所述当前车辆行驶信息进行降维处理,获得目标特征参数;
确定模块5003,用于将所述目标特征参数输入至预先训练的路况识别神经网络模型,以获得行驶路况结果;
判断模块5004,用于判断所述行驶路况结果是否满足预设路况条件;
判定模块5005,用于在所述行驶路况结果满足所述预设路况条件时,将所述行驶路况结果作为车辆行驶路况识别结果。
本实施例中,首先获取当前车辆行驶信息,之后对当前车辆行驶信息进行降维处理获得目标特征参数,并将目标特征参数输入至预先训练的路况识别神经网络模型,以获得行驶路况结果,判断行驶路况结果是否满足预设路况条件,在行驶路况结果满足所述预设路况条件时,将所述行驶路况结果作为车辆行驶路况识别结果。相较于现有技术,在对路况环境进行K均值聚类算法或自组织映射神经网络后,还需要对路况识别结果进行反复验证,不仅会降低路况识别效率,还会使得路况识别过程较为繁琐,而本发明通过获取车辆行驶路况的目标特征参数,之后将目标特征参数输入至路况识别神经网络模型中,以获得车辆行驶路况识别结果,实现了在提高路况识别效率的同时,能够获得精准的车辆行驶路况识别结果。
本发明车辆行驶路况识别装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为名称。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种车辆行驶路况识别方法,其特征在于,所述方法包括以下步骤:
获取当前车辆行驶信息;
对所述当前车辆行驶信息进行降维处理,获得目标特征参数;
将所述目标特征参数输入至预先训练的路况识别神经网络模型,以获得行驶路况结果;
判断所述行驶路况结果是否满足预设路况条件;
在所述行驶路况结果满足所述预设路况条件时,将所述行驶路况结果作为车辆行驶路况识别结果;
所述获取当前车辆行驶信息的步骤之前,还包括:
获取综合行驶路况下的当前车辆特征参数;
获取预先设定的综合行驶路况对应的模型数据;
根据所述当前车辆特征参数及所述模型数据确定车辆行驶路况特征的实际输出值;
计算所述实际输出值与车辆行驶特征期望输出值之间的输出差值,并判断所述输出差值是否小于预设期望阈值;
在所述输出差值小于所述预设期望阈值时,根据所述模型数据及所述输出差值,获得所述综合行驶路况对应的初始模型数据;
根据所述初始模型数据确定初始输出差值;
判断所述初始输出差值是否大于或等于所述预设期望阈值;
若所述初始输出差值大于或等于所述预设期望阈值,则根据所述输出差值、所述预设期望阈值及所述初始输出差值确定所述综合行驶路况对应的目标模型数据;
获取所述当前车辆特征参数对应的行驶路况识别结果;
根据所述当前车辆特征参数、所述目标模型数据及所述行驶路况识别结果构建路况识别神经网络模型。
2.如权利要求1所述的方法,其特征在于,所述获取综合行驶路况下的当前车辆特征参数的步骤之前,还包括:
获取标定行驶路况下对应的样本特征参数;
对所述样本特征参数进行降维处理,获得目标样本特征参数;
根据所述目标样本特征参数对所述样本特征参数进行聚类分析,以确定多个样本子路况;
将各样本子路况进行拼接处理,得到综合行驶路况。
3.如权利要求1所述的方法,其特征在于,所述模型数据包括隐藏阈值、隐藏权值、输出阈值和输出权值;
所述根据所述当前车辆特征参数及所述模型数据确定车辆行驶路况特征的实际输出值的步骤,包括:
通过预设隐藏层公式对所述当前车辆特征参数、所述隐藏阈值及所述隐藏权值进行计算,获得隐藏输出值;
所述预设隐藏层公式为:
式中,f(x)为隐藏层的激励函数,x为输入变量,xi为所述当前车辆特征参数,n为输入层神经元个数,j为隐藏层神经元个数,Hj为隐藏输出值,aj为所述隐藏阈值和ωij为所述隐藏权值;
通过预设输出层公式对所述隐藏输出值、所述输出阈值及所述输出权值进行计算,获得车辆行驶路况特征的实际输出值;
所述预设输出层公式为:
式中,p为输出层神经元个数,Op为实际输出值,ωjp为所述输出权值和bp为所述输出阈值。
4.如权利要求3所述的方法,其特征在于,所述计算所述实际输出值与车辆行驶特征期望输出值之间的输出差值的步骤,包括:
通过预设误差公式对所述实际输出值与期望输出值进行计算,获得输出差值;
所述预设误差公式为:
Ep=Qp-Op
式中,Ep为输出差值和Qp为期望输出值。
5.如权利要求4所述的方法,其特征在于,所述根据所述模型数据及所述输出差值,获得所述综合行驶路况对应的初始模型数据的步骤,包括:
根据所述隐藏权值、所述隐藏输出值、所述输出权值及所述输出差值,通过第一预设公式计算初始隐藏权值;
所述第一预设公式为:
式中,ωij1为初始隐藏权值和L为学习效率;
根据所述隐藏输出值、所述输出权值及所述输出差值,通过第二预设公式计算初始输出权值;
所述第二预设公式为:
式中,ωjp1为初始输出权值;
根据所述隐藏阈值、所述隐藏输出值、所述输出权值及所述输出差值,通过第三预设公式计算初始隐藏阈值;
式中,aj1为初始隐藏阈值;
根据所述输出阈值及所述输出差值,通过第四预设公式计算初始输出阈值;
所述第四预设公式为:
式中,bp1为初始输出阈值;
将所述初始隐藏权值、所述初始输出权值、所述初始隐藏阈值及所述初始输出阈值作为所述综合行驶路况对应的初始模型数据。
6.如权利要求1所述的方法,其特征在于,所述根据所述输出差值、所述预设期望阈值及所述初始输出差值确定所述综合行驶路况对应的目标模型数据的步骤,包括:
根据所述输出差值和所述预设期望阈值确定所述综合行驶路况对应的第一适应度值;
根据所述初始输出差值和所述预设期望阈值确定所述综合行驶路况对应的第二适应度值;
获取所述第一适应度值对应的第一概率值和所述第二适应度值对应的第二概率值;
根据所述第一概率值和所述第二概率值确定所述综合行驶路况对应的目标适应度值;
获取所述目标适应度值对应的目标输出差值;
根据所述目标输出差值确定目标隐藏权值、目标输出权值、目标隐藏阈值及目标输出阈值,并将所述目标隐藏权值、所述目标输出权值、所述目标隐藏阈值及所述目标输出阈值作为所述综合行驶路况对应的目标模型数据。
7.一种车辆行驶路况识别装置,其特征在于,所述车辆行驶路况识别装置包括:
获取模块,用于获取当前车辆行驶信息;
处理模块,用于对所述当前车辆行驶信息进行降维处理,获得目标特征参数;
确定模块,用于将所述目标特征参数输入至预先训练的路况识别神经网络模型,以获得行驶路况结果;
判断模块,用于判断所述行驶路况结果是否满足预设路况条件;
判定模块,用于在所述行驶路况结果满足所述预设路况条件时,将所述行驶路况结果作为车辆行驶路况识别结果;
所述车辆行驶路况识别装置还包括:获取综合行驶路况下的当前车辆特征参数;获取预先设定的综合行驶路况对应的模型数据;根据所述当前车辆特征参数及所述模型数据确定车辆行驶路况特征的实际输出值;计算所述实际输出值与车辆行驶特征期望输出值之间的输出差值,并判断所述输出差值是否小于预设期望阈值;在所述输出差值小于所述预设期望阈值时,根据所述模型数据及所述输出差值,获得所述综合行驶路况对应的初始模型数据;根据所述初始模型数据确定初始输出差值;判断所述初始输出差值是否大于或等于所述预设期望阈值;若所述初始输出差值大于或等于所述预设期望阈值,则根据所述输出差值、所述预设期望阈值及所述初始输出差值确定所述综合行驶路况对应的目标模型数据;获取所述当前车辆特征参数对应的行驶路况识别结果;根据所述当前车辆特征参数、所述目标模型数据及所述行驶路况识别结果构建路况识别神经网络模型。
8.一种车辆行驶路况识别设备,其特征在于,所述车辆行驶路况识别设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆行驶路况识别程序,所述车辆行驶路况识别程序被所述处理器执行时实现如权利要求1至6中任一项所述的车辆行驶路况识别方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有车辆行驶路况识别程序,所述车辆行驶路况识别程序被处理器执行时实现如权利要求1至6中任一项所述的车辆行驶路况识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010720146.9A CN111862608B (zh) | 2020-07-22 | 2020-07-22 | 车辆行驶路况识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010720146.9A CN111862608B (zh) | 2020-07-22 | 2020-07-22 | 车辆行驶路况识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111862608A CN111862608A (zh) | 2020-10-30 |
CN111862608B true CN111862608B (zh) | 2022-06-24 |
Family
ID=72950723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010720146.9A Active CN111862608B (zh) | 2020-07-22 | 2020-07-22 | 车辆行驶路况识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862608B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116985809A (zh) * | 2023-07-31 | 2023-11-03 | 湖北文理学院 | 车辆发动机启停控制方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991377A (zh) * | 2019-12-11 | 2020-04-10 | 辽宁工业大学 | 一种基于单目视觉神经网络的汽车安全辅助系统前方目标识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6484080B2 (en) * | 1995-06-07 | 2002-11-19 | Automotive Technologies International Inc. | Method and apparatus for controlling a vehicular component |
KR102388148B1 (ko) * | 2017-05-17 | 2022-04-19 | 현대자동차주식회사 | 운전 가이드 방법 및 그를 제공하는 시스템 |
CN108510739A (zh) * | 2018-04-28 | 2018-09-07 | 重庆交通大学 | 一种道路交通状态识别方法、系统及存储介质 |
CN109871876B (zh) * | 2019-01-22 | 2023-08-08 | 东南大学 | 一种基于浮动车数据的高速公路路况识别与预测方法 |
CN110705370B (zh) * | 2019-09-06 | 2023-08-18 | 中国平安财产保险股份有限公司 | 基于深度学习的路况识别方法、装置、设备及存储介质 |
-
2020
- 2020-07-22 CN CN202010720146.9A patent/CN111862608B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991377A (zh) * | 2019-12-11 | 2020-04-10 | 辽宁工业大学 | 一种基于单目视觉神经网络的汽车安全辅助系统前方目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111862608A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280484B (zh) | 一种驾驶员加速特性在线分类与辨识方法 | |
CN109460793A (zh) | 一种节点分类的方法、模型训练的方法及装置 | |
CN112149796A (zh) | 基于改进遗传算法优化bp神经网络的驾驶风格辨识方法 | |
CN112046489B (zh) | 一种基于因子分析和机器学习的驾驶风格辨识算法 | |
CN112381227B (zh) | 神经网络生成方法、装置、电子设备及存储介质 | |
CN111862608B (zh) | 车辆行驶路况识别方法、装置、设备及存储介质 | |
CN114283888A (zh) | 基于分层自注意力机制的差异表达基因预测系统 | |
CN111695824A (zh) | 风险尾端客户分析方法、装置、设备及计算机存储介质 | |
CN111340074B (zh) | 基于改进的rbf神经网络的驾驶员制动意图辨识方法 | |
CN113723238A (zh) | 一种人脸轻量网络模型构建方法和人脸识别方法 | |
CN109409231B (zh) | 基于自适应隐马尔可夫的多特征融合手语识别方法 | |
CN110728459A (zh) | 出行方式识别系统、方法、装置及模型训练方法、装置 | |
CN114238659A (zh) | 智能设计网络安全架构图的方法 | |
US20210248423A1 (en) | Method of identifying filters in a neural network, system and storage medium of the same | |
CN112215278B (zh) | 一种遗传算法和蜻蜓算法相结合的多维数据特征选择方法 | |
CN117150395A (zh) | 模型训练、意图识别方法、装置、电子设备及存储介质 | |
CN114162132B (zh) | 一种基于主客观评价的驾驶模式识别方法 | |
CN113420706B (zh) | 一种基于多层特征融合的车辆检测方法 | |
CN113590867B (zh) | 基于分层度量学习的跨模态信息检索方法 | |
CN113954844B (zh) | 一种智能汽车人机驾驶模式切换系统 | |
CN115359248A (zh) | 基于元学习的机器人导航避障方法与系统 | |
CN114863508A (zh) | 自适应注意力机制的表情识别模型生成方法、介质及设备 | |
CN112241811A (zh) | “互联网+”环境下定制产品的分层混合性能预测方法 | |
CN112488188A (zh) | 一种基于深度强化学习的特征选择方法 | |
CN116935373B (zh) | 多类型车牌识别模型的训练方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231229 Address after: 441000 Industrial Park Office Building, Dawan District, Xiangyang Dongjin New Area (Economic Development Zone), Xiangyang City, Hubei Province Patentee after: Hubei marpass Power Technology Co.,Ltd. Address before: 441053 Luzhong Road, Xiangcheng District, Xiangyang, Hubei Province, No. 296 Patentee before: HUBEI University OF ARTS AND SCIENCE |
|
TR01 | Transfer of patent right |