基于人工神经网络的驾驶行为动态集成学习算法

《基于人工神经网络的驾驶行为动态集成学习算法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、万方数据第12卷第2期2012年4月交通运输系统工程与信息JournalofTransportationSystemsEngineeringandInformationTechnologyV01．12No．2April2012文章编号：1009-6744(2012)02-0034-07基于人工神经网络的驾驶行为动态集成学习算法梁军+，沙志强，陈龙(江苏大学汽车工程研究院，江苏镇江212013)摘要：针对传统驾驶决策模型难以体现驾驶员驾驶过程中对交通环境的感知、判断、决策、动作等环节存在不确定性和不一致性，提出了一种基于神经网络的驾驶行为

2、动态集成学习算法——DNNlA．首先训练多个个体网络模拟驾驶行为，然后动态选择泛化误差E最小的个体网络进行集成，采用拉格朗日函数法求解最优集成权系数tOi，并引入agent联盟的思想，把联盟中的个体网络对应的神经元输出做加权平均后，取最大值作为输出．在标准数据集上验证了该算法的有效性，仿真实验中得到的驾驶员踩踏踏板的习惯行为仿真结果与实际采集的样本数据总体趋势基本吻合．关键词：综合交通运输；动态集成学习算法；人工神经网络；驾驶行为仿真中图分类号：TP242．6文献标识码：ADynamicNeuralNetwork—BasedIntegr

3、atedLearningAlgorithmforDriverBehaviorLIANGJun，SHAZhi—qiang，CHENLong(AutomotiveEngineeringResearchInstitute，Jian挚uUniversity。Zhenjiang212013，Ji蛐gBu，China)Abstract：Vehicledriyer"’Sperception，judgment，decisionandactiontowardstrafficenvironmentaleusuallyuncertainanditumnsis

4、tentduringtheirdrivingprocesses．Thus．itisdifficultto眦thetraditionaldrivingdecisionmodeltoaccuratelypredictthedrivingbehaviorsunderthesecireurmtanees．ThispaperproposesaDNNIAalgorithmtOdescribedrivingbehaviorbydynamicallyintegratingANNa．Specifically，solneANNsarefirsttraine

5、dtolearndifferentkindsofdrivingbehaviorsbasedonsampledataand鲫IallamountsoftheseANNswithminimalgeneralizationelTorEarethenselectedandintegratedtopredictthefinaldrivingbehavior．TheLagrangiaafunctionmethodisusedtoresolvethecoefficient∞iforoptimalensemble．Moreover，byintroduc

6、ingtheideaofagentalliance，thestudytakeseachindividualANNasanagentintheallianceandoutputsthemaximalvalueamongalltheweightedaverageoutputsoftheneuronineachindividualANN．TheproposedmethodisevaluatedonsomebenchmarkdatasetstOshowitseffectiveness．Illaddition．thepredicteddriver

7、’ShabitualbehaviorbyDNNIA，such勰brakingpedaJ，consistentlyaccordwiththatrevealedbythesampledata，whichprovesitspracticalityforreal—worldproblems．Keywords：integratedtransportation；dynamicensemblelearningalgorithm；artificialneuralnetworks；driverbehavioraimUlationCLCnumber：TF2

8、42．6收稿日期：2011-08．16修回日期：2012-01-11录用日期：2012-02—15基金项目：国家自然科学基金(51108209)；江苏省自然科学基金(BK2010339)；江苏省高校自然科学