基于GASVM的汽车追尾预测方法研究

《基于GASVM的汽车追尾预测方法研究》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、学兔兔www.xuetutu.com·设计·计算．研究．基于GA—SVM的汽车追尾预测方法研究★胡满江葛如海苏清祖(江苏大学)【摘要】提出了一种基于GA—SVM的汽车追尾预测方法。该方法选取行车间距、后车车速、前后车速差、汽车制动时间、制动减速度等5个因素作为预测模型的输入指标，选取追尾概率作为输出向量。通过建立SVM预测模型．并用GA进行参数优化，对汽车追尾概率进行预测。通过仿真值与预测值对比，证明了该方法的准确性。主题词：汽车追尾安全距离模型支持向量机遗传算法中图分类号：U416．217文献标识码：A文章编号：1000—3703(2012)11—0024一O

2、3ResearchonGA—SVM-basedRear-endCollisionPredictionApproachHuManjiang，GeRuhai。SuQingzu(JiangsuUniversity)【Abstract]Inthispaper，aGA—SVM—basedapproachisproposedtopredictrear—endcollision．ASVM—basedpredictionmodelisbuiltandparameterizedwitl1GAtopredicttheprobabilityofrear—endcollision．wi

3、thfive~ctorsincludingvehicledistance，followingvehiclespeed，speeddifferencebetweenthefrontvehicleandthefollowingvehicle，brakingtimeandbrakingdecelerationselectedasinputindexesandprobabilityofcollisiona8outputvector．ThroughthesimulationvalueandpredictedvMuecontrast，thismethodprovesthea

4、ccuracy．Keywords：Car，Rear-endcollision，Safetydistancemodel，SVM，GA1前言型预测准确性。2基础理论概述道路交通事故中超过65％的事故是由汽车追尾发生碰撞引起的[1]．因此．研究防追尾碰撞的汽车安2．1S、，M概述全辅助驾驶系统对改善我国道路交通安全状况具有SVM是由Vapnik首先提出的．它如人工神经十分重要的意义鉴于只有在理论上建立较准确和网络一样．可用于模式分类和非线性回归[4．51。SVM完善的模型．智能控制系统才能与汽车实际情况相的基本思想是定义最优线性超平面．并把寻找最优结合．进而有效用于实

5、时车况的原因．所以防追尾线性超平面的算法归结为求解一个凸规划问题[51。碰撞安全系统的核心内容为汽车追尾预测模型。SVM主要解决两种类型的分类问题：线性可分和非目前汽车追尾的数学模型多采用人工神经网络线性可分[61。线性可分是设定戈Ⅱ分训练集的初始超的方法闭．但是神经网络自身具有一定的局限性和不平面。并根据最大间隔原则对其进行优化．确定最终足[31。而新兴的支持向量机理论(Suppo~Vector的决策超平面(决策函数)，从而使训练集中的样本Machine．SVM)，可以不像神经网络的结构设计那样正确分类：非线性可分可通过一个非线性核函数将需要依赖于设计者的经验

6、知识和先验知识[41．它以输入向量映射到高维线性特征空间．将非线性可分统计学习理论为基础．具有严格的理论和数学基础．问题转换为线性可分问题进行求解。线性SVM分类能很好地克服神经网络的局限性．从而提高预测结器的工作步骤与基本原理如下。果的准确性。因此。本文采用SVM对汽车追尾碰撞a．设已知训练集：发生的可能性进行预测，并采用遗传算法(Genetic{(l，Y1)，⋯，(舰，y1))E(XxY)(1)Algorithms，GA)对SVM参数进行优化。以期提高模式中，筏∈X=Rn,魁为特征向量；yi∈y={1，一1}(i=1，{基金项目：江苏省高校研究生科研创新计划

7、(CXLX12_0628)和国家质量jI螽督检验检疫总局资助项目(2010IK084)。一24一汽车技术学兔兔www.xuetutu.com．设计·计算·研究·2，⋯，Z)，Yi为输出向量。3．2SVM参数的优化b．选取适当的核函数K(，)和适当的参数由SVM理论可知，SVM算法在构造最优化问C．构造并求解最优化问题。题时．需要对约束条件进行处理，如公式(2)所示。●鉴于惩罚函数法是目前处理各种约束条件的一般方min—∑∑K(甄，)一∑(2)法[61．本文采用惩罚函数法对其进行处理。因此，定i=1i=1J=1义惩罚函数参数c来表征支持向量机算法性能的特s．t．∑

8、y0，o≤f≤c(1，⋯