《基于深度学习dbn算法的高速公路危险变道判别模型-赵玮.pdf》由会员分享,可在线阅读,更多相关《基于深度学习dbn算法的高速公路危险变道判别模型-赵玮.pdf(7页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、第G21 G22卷第G21期G23 G24 G25 G22年G22月G26东南大学学报G21自然科学版G22G21 G22 G23 G24 G25 G26 G27 G22 G28 G29 G22 G23 G2A G2B G2C G26 G29 G2A G23 G25 G2DG2E G2C G24 G29 G2DG2A G2F G21 G25 G30 G31G32 G33G30 G34 G29 G35 G36G37 G38 G35 G37 G2C G39 G36G31G36G3A G38 G22G26G2E G3A G34G3B G21 G22 G25 G3A G3B G21G21 G32 G3
2、4G3C G23 G24 G25 G22G3D G22 G2D G23 G25 G24 G3B G27 G28 G29 G28 G3E G3FG3B G36G40 G40 G38 G3B G25 G24 G24 G25 G2A G24 G2B G24 G2B G3B G23 G24 G25 G22 G3B G24 G21 G3B G24 G27 G25基于深度学习G48 G57 G50算法的高速公路危险变道判别模型赵G26玮G25 G24 G23G26徐良杰G25G26冉G26斌G27G26汪济洲G25G21G25武汉理工大学交通学院G24武汉G21 G27 G24 G24 G29 G27 G
3、22G21G23内蒙古科技大学经管学院G24包头G24 G25 G21 G24 G25 G24 G22G21G27东南大学交通学院G24南京G23 G25 G24 G24 G28 G29 G22摘要G23针对危险变道过程影响交通安全这一问题G24提出一种基于深度学习G3D G55 G25 G21 G39 G37 G37 G52 G4E G37 G34G36G37 G41 G38 G37 G31G48G4F G3A G33G53 G40 G22算法与分类分析方法的新型危险变道量化判别模型G24以解决现存车辆变道过程不可被量化分析及准确判别的问题G3B招募G23 G2D名被试者G24利用模拟器仿真
4、平台开展实际场景下试验G24获取详细的车辆行驶数据及驾驶环境数据作为训练的模型输入G3B采用G29 G2E G50算法作为输出层的分类器G24建立了G3D G55 G25 G48G29 G2E G50判别模型及基于样本下模型的一般训练方法G3B该模型的识别精度为G28 G27 G3B G22 G2D G46 G24较朴素贝叶斯模型和G55 G47 G48G26 G25 G25神经网络分别提高G23 G24 G3B G25 G25 G46和G25 G21 G3B G21 G2B G46 G24并且调整参数后判别结果稳定G3B G3D G55 G25 G48G29 G2E G50模型可以根据驾驶员
5、历史驾驶数据对即将发生的危险变道做出预测及判别G24对驾驶员提出警告G24从而减少交通事故的发生G3B此外G24该研究为车联网环境下变道判别及警示的研究提供了理论支持G3B关键词G23危险变道判别G26模拟车试验G26智能交通G26深度信任网络G26自动驾驶G26车联网中图分类号G23 G23 G21 G28 G25 G3B G23 G26 G26文献标志码G23 G26 G26 G26文章编号G23 G25 G24 G24 G25 G2A G24 G2B G24 G2B G21 G23 G24 G25 G22 G22 G24 G21 G48G24 G2D G27 G23 G48G24 G22
6、G48 G2B G2F G34 G27 G24 G25 G2E G29 G4AG2B G2F G27 G53 G2C G32 G2B G2F G34 G27 G28 G27 G2AG27 G2C G2AG33G2F G34 G22 G25 G28 G27 G4AG25 G2F G32 G33G34 G32 G39 G2B G38 G36 G2B G29 G27 G28 G25 G2F G28 G27 G27 G23 G4AG27 G2B G24 G2F G33G2F G34 G48 G57 G50 G2B G4AG34 G25 G24 G33G2AG32 G22G49 G4A G30 G3A
7、G4C G37 G36G25 G24 G23G26 G56 G32 G27 G36G30 G38 G4B G3FG36G37G25G26 G24 G30 G38 G55 G36G38G27G26 G4C G30 G38 G4B G21 G36G54 G4A G3A G32G25G21G25G29 G35 G4A G3A G3A G34 G3A G41 G2A G33G30 G38 G40 G52 G3A G33G31G30 G31G36G3A G38 G24 G4C G32 G4A G30 G38 G23 G38 G36G51 G37 G33G40 G36G31G3C G3A G41 G2A
8、G37 G35 G4A G38 G3A G34G3A G4B G3C G24 G4C G32 G4A G30 G38 G21 G27 G24 G24 G29 G27 G24 G44 G4A G36G38 G30 G22G21G23G29 G35 G4A G3A G3A G34 G3A G41 G2C G35 G3A G38 G3A G42 G36G35 G40 G30 G38 G39 G50 G30 G38 G30 G4B G37 G42 G37 G38 G31 G24 G2DG38 G38 G37 G33 G50 G3A G38 G4B G3A G34G36G30 G23 G38 G36G5
9、1 G37 G33G40 G36G31G3C G3A G41 G29 G35 G36G37 G38 G35 G37 G30 G38 G39 G2A G37 G35 G4A G38 G3A G34G3A G4B G3C G24 G55 G30 G3A G31G3A G32 G24 G25 G21 G24 G25 G24 G24 G44 G4A G36G38 G30 G22G21G27G29 G35 G4A G3A G3A G34 G3A G41 G2A G33G30 G38 G40 G52 G3A G33G31G30 G31G36G3A G38 G24 G29 G3A G32 G31G4A G3
10、7 G30 G40 G31 G23 G38 G36G51 G37 G33G40 G36G31G3C G24 G25 G30 G38 G3FG36G38 G4B G23 G25 G24 G24 G28 G29 G24 G44 G4A G36G38 G30 G22G35 G36 G29 G2AG24 G2B G2C G2A G23 G26 G36G42 G36G38 G4B G30 G31 G31G4A G37 G52 G33G3A G4E G34G37 G42 G31G4A G30 G31 G31G4A G37 G51 G37 G4A G36G35 G34G37 G34G30 G38 G37 G
11、48G35 G4A G30 G38 G4B G36G38 G4B G52 G33G3A G35 G37 G40 G40 G35 G30 G38 G38 G3A G31 G4E G37 G58 G32 G30 G38 G31G36G31G30 G31G36G51 G37 G34G3C G30 G38 G30 G48G34G3C G54 G37 G39 G30 G38 G39 G30 G35 G35 G32 G33G30 G31G37 G34G3C G39 G36G40 G35 G33G36G42 G36G38 G30 G31G37 G39 G24 G30 G38 G37 G4F G58 G32
12、G30 G38 G31G36G31G30 G31G36G51 G37 G39 G36G40 G35 G33G36G42 G36G38 G30 G38 G31 G42 G3A G39 G37 G34 G4E G30 G40 G37 G39 G3A G38 G31G4A G37 G3D G55 G25 G21 G39 G37 G37 G52G4E G37 G34G36G37 G41 G38 G37 G31G4F G3A G33G53 G40 G22 G30 G34G4B G3A G33G36G31G4A G42 G30 G38 G39 G31G4A G37 G35 G34G30 G40 G40 G
13、36G41G36G35 G30 G31G36G3A G38 G30 G38 G30 G34G3C G40 G36G40 G42 G37 G31G4A G3A G39 G36G40 G52 G33G37 G40 G37 G38 G31G37 G39 G3B G2A G4F G37 G38 G31G3C G48G37 G36G4B G4A G31 G52 G30 G33G31G36G35 G36G48G52 G30 G38 G31G40 G4F G37 G33G37 G33G37 G35 G33G32 G36G31G37 G39 G3B G2A G4A G37 G52 G30 G33G31G36G
14、35 G36G52 G30 G31G3A G33G40 G31G3A G3A G53 G52 G30 G33G31 G36G38 G33G37 G30 G34G48G40 G35 G37 G38 G37 G40 G36G42 G32 G34G30 G31G36G3A G38 G37 G43 G52 G37 G33G36G42 G37 G38 G31G40 G32 G40 G36G38 G4B G31G4A G37 G40 G36G42 G32 G48G34G30 G31G36G3A G38 G39 G33G36G51 G36G38 G4B G52 G34G30 G31G41G3A G33G42
15、 G3B G2A G4A G37 G39 G37 G31G30 G36G34G37 G39 G39 G30 G31G30 G3A G41 G51 G37 G4A G36G35 G34G37 G31G33G30 G51 G37 G34G36G38 G4B G30 G38 G39 G39 G33G36G51 G36G38 G4B G37 G38 G51 G36G33G3A G38 G42 G37 G38 G31 G4F G30 G40 G33G37 G58 G32 G36G33G37 G39G30 G38 G39 G32 G40 G37 G39 G30 G40 G31G4A G37 G36G38
16、G52 G32 G31 G3A G41 G31G4A G37 G42 G3A G39 G37 G34G3B G4C G36G31G4A G31G4A G37 G29 G2E G50 G21 G40 G32 G52 G52 G3A G33G31 G51 G37 G35 G31G3A G33 G42 G30 G35 G4A G36G38 G37 G22 G30 G34G4B G3A G33G36G31G4A G42 G30 G40 G31G4A G37 G35 G34G30 G40 G40 G36G48G41G36G37 G33 G3A G41 G31G4A G37 G3A G32 G31G52
17、G32 G31 G34G30 G3C G37 G33 G24 G31G4A G37 G39 G36G40 G35 G33G36G42 G36G38 G30 G38 G31 G42 G3A G39 G37 G34 G3D G55 G25 G48G29 G2E G50 G30 G38 G39 G35 G3A G33G33G37 G40 G52 G3A G38 G39 G36G38 G4B G31G33G30 G36G38 G36G38 G4B G42 G37 G31G4A G3A G39 G30 G33G37 G40 G37 G31G32 G52 G3B G2A G4A G37 G39 G36G4
18、0 G35 G33G36G42 G36G38 G30 G38 G31 G30 G35 G35 G32 G33G30 G35 G3C G3A G41 G31G4A G37 G3D G55 G25 G48G29 G2E G50 G36G40 G28 G27 G3B G22 G2D G46 G24 G36G38 G35 G33G37 G30 G40 G36G38 G4B G4E G3C G23 G24 G3B G25 G25 G46 G30 G38 G39 G25 G21 G3B G21 G2B G46G35 G3A G42 G52 G30 G33G37 G39 G4F G36G31G4A G31G
19、4A G37 G25 G30 G75G51 G37 G55 G30 G3C G37 G40 G42 G3A G39 G37 G34 G30 G38 G39 G55 G47 G48G26 G25 G25 G21 G4E G30 G35 G53 G52 G33G3A G52 G30 G4B G30 G31G36G3A G38 G48G30 G33G31G36G41G36G35 G36G30 G34 G38 G37 G32 G33G30 G34 G38 G37 G31G4F G3A G33G53 G40 G22 G24G33G37 G40 G52 G37 G35 G31G36G51 G37 G34G
20、3C G3B G26 G38 G39 G24 G31G4A G37 G33G37 G40 G32 G34G31G40 G30 G33G37 G40 G31G30 G4E G34G37 G4F G36G31G4A G30 G39 G3FG32 G40 G31G37 G39 G52 G30 G33G30 G42 G37 G31G37 G33G40 G3B G2A G4A G37 G3D G55 G25 G48G29 G2E G50 G42 G3A G39 G37 G34 G35 G30 G38 G52 G33G37 G39 G36G35 G31G30 G38 G39 G39 G36G40 G35
21、G33G36G42 G36G38 G30 G31G37 G35 G3A G42 G36G38 G4B G39 G30 G38 G4B G37 G33G3A G32 G40 G34G30 G38 G37 G48G35 G4A G30 G38 G4B G36G38 G4B G30 G35 G35 G3A G33G39 G36G38 G4B G31G3A G39 G33G36G51 G37 G33G40 G68 G39 G33G36G51 G36G38 G4B G4A G36G40 G31G3A G33G3C G39 G30 G31G30 G24 G30 G38 G39G4F G30 G33G38
22、G39 G33G36G51 G37 G33G40 G3B G26 G40 G30 G33G37 G40 G32 G34G31 G24 G36G31 G35 G30 G38 G33G37 G39 G32 G35 G37 G31G4A G37 G35 G4A G30 G38 G35 G37 G3A G41 G31G33G30 G41G41G36G35 G30 G35 G35 G36G39 G37 G38 G31G40 G3B G2A G4A G36G40 G40 G31G32 G39 G3C G52 G33G3A G51 G36G39 G37 G40 G31G4A G37 G3A G33G37 G
23、31G36G48G35 G30 G34 G40 G32 G52 G52 G3A G33G31 G41G3A G33 G34G30 G38 G37 G48G35 G4A G30 G38 G4B G36G38 G4B G39 G36G40 G35 G33G36G42 G36G38 G30 G31G36G3A G38 G30 G38 G39 G4F G30 G33G38 G36G38 G4B G32 G38 G39 G37 G33 G31G4A G37 G35 G3A G38 G38 G37 G35 G31G37 G39 G51 G37 G4A G36G35 G34G37 G37 G38 G51 G
24、36G33G3A G38 G42 G37 G38 G31G3BG37 G27 G38 G39 G25 G24 G28 G29 G23 G39 G30 G38 G4B G37 G33G3A G32 G40 G34G30 G38 G37 G48G35 G4A G30 G38 G4B G36G38 G4B G39 G36G40 G35 G33G36G42 G36G38 G30 G38 G31 G26 G51 G37 G4A G36G35 G34G37 G40 G36G42 G32 G34G30 G31G36G3A G38 G37 G43 G52 G37 G33G36G42 G37 G38 G31G4
25、0 G26 G36G38 G31G37 G34G34G36G4B G37 G38 G31 G31G33G30 G38 G40 G48G52 G3A G33G31G30 G31G36G3A G38 G26 G39 G37 G37 G52 G4E G37 G34G36G37 G41 G38 G37 G31G4F G3A G33G53 G26 G30 G32 G31G3A G42 G30 G31G36G35 G39 G33G36G51 G36G38 G4B G26 G35 G3A G38 G38 G37 G35 G31G37 G39 G51 G37 G4A G36G35 G34G37收稿日期G23
26、G23 G24 G25 G29 G48G25 G25 G48G24 G29 G3B G26作者简介G23赵玮G21 G25 G28 G2D G2D G27 G22 G24男G24博士生G24讲师G26徐良杰G21联系人G22 G24女G24博士G24教授G24博士生导师G24 G34G30 G32 G33G33G36G37 G25 G25 G28 G2E G25 G29 G27 G3B G35 G3A G42 G3B基金项目G23教育部社科青年基金资助项目G21 G25 G29 G2F G21 G44 G49 G2B G25 G2B G22 G22 G25国家重点基础研究发展计划G21 G28
27、 G22 G27计划G22资助项目G21 G23 G24 G25 G23 G44 G55 G22 G23 G2B G21 G24 G2B G22 G25内蒙古科技大学创新基金资助项目G21 G23 G24 G25 G2B G4D G3D G27 G23 G22 G22 G3B引用本文G23赵玮G24徐良杰G24冉斌G24等G3B基于深度学习G3D G55 G25算法的高速公路危险变道判别模型G2A G21 G2B G3B东南大学学报G21自然科学版G22 G24 G23 G24 G25 G22 G24 G21 G22 G21 G21 G22 G23G2D G27 G23 G2D G27 G2D
28、 G3B G3D G22 G2D G23 G25 G24 G3B G27 G28 G29 G28 G3E G3FG3B G36G40 G40 G38 G3B G25 G24 G24 G25 G2A G24 G2B G24 G2B G3B G23 G24 G25 G22 G3B G24 G21 G3B G24 G27 G25 G3B万方数据G26 G26危险变道行为是造成重大高速公路交通事故的重要原因之一G3B全世界每年约有G25 G27 G24万人在交通事故中丧生G2A G25 G2BG24其中我国约占G23 G2B万人G24美国约占G27 G3B G22万人G3B这些交通事故大多发生在高速公
29、路路段G2A G23 G27 G2BG3B研究证实G24变道行为是高速行驶过程中发生交通事故的主要安全隐患之一G3B随着车辆驾驶模拟器在交通安全研究领域的广泛应用G24国内外学者更倾向于利用模拟器研究可靠驾驶行为模型G25跟车模型及车道变换模型G3B G2B G36G48G39 G30 G40G2A G21 G2B证实在低速行驶的复杂交通环境及所有高速行驶环境下G24车流实时车道变换数据采集难度较大G24提出利用模拟驾驶来解决这一难题G3B G44 G30 G40 G40 G36G39 G3C等G2A G2B G2B研究了交通事故发生区域及交通流瓶颈处的变道情况G24结果表明频繁变道对此类路段
30、的道路通行能力有较大的负面影响G3B G49 G4A G37 G38 G4B等G2A G29 G2B的研究结果证明了他们提出的车道变换模型可以较为完整地揭示交通流从形成到传播的全部演化过程G3B G27 G30 G51 G30 G34等G2A G22 G2B针对不合理的变道行为对交通安全的影响进行了研究G24证明了危险变道行为增加了交通事故率G24降低了道路通行能力G3B G49 G4A G37 G38 G4BG2A G2D G2B同样对不妥当的变道行为对交通安全的威胁进行了量化分析G3BG50 G3A G33G36G39 G52 G3A G32 G33等G2A G28 G2B着重研究重型车辆
31、的车道变换过程及决策模型G24以便提升微观交通模拟软件评估和预测宏观交通流的精度G3B G44 G4A G37 G38等G2A G25 G24 G2B以变道行为与交通安全的关系为研究基础G24从辅助变道安全性方面提出了仿真算法并用计算机软件实现G3B综上所述G24已有研究覆盖了变道过程的微观和宏观层面G24但所得结论和模型多适用于城市交通条件下的变道行为G24且有关变道危险性的量化研究不充分G3B车辆完成变道的过程综合了G28人车路G29多方面因素G24是驾驶环境G25驾驶人行为及车辆操作性等多方面因素共同作用下的车辆控制过程G3B本文首先通过被试者实际驾驶试验车模拟器获取变道数据G24然后提
32、出一种基于深度学习算法与分类分析方法的危险变道量化判别模型G24进而量化分析并准确判别车辆变道过程的危险性G24从而实现可靠G25快速的自动化变道判别过程G3BG3A G3B实验设计G3A G4B G3A G3B仪器近年来G24模拟驾驶器越来越多地应用于交通安全的微观研究G24其中实验场景的真实性及模拟器的操作性成为研究的重点G2A G21 G24 G29 G22 G2BG3B现有模拟器技术已经可以较为真实地对交通环境和驾驶环境进行模拟G3B本文利用威斯康星交通操作与安全实验室G21 G2A G22 G47 G29 G22的模拟驾驶器进行试验G3B虚拟驾驶有G27个显示屏幕G24即环绕G23
33、G21 G24 G60 G23 G3B G25 G27 G42圆柱屏幕G25外后视镜及内后视镜屏幕G24如图G25所示G3B图G3A G3B模拟器驾驶环境G3A G4B G3C G3B场景设计及被试者场景构建过程分G27个步骤G23 G23将二维G44 G26 G3D图形导入到G27 G3D模型软件中生成驾驶模拟场景G26 G24将道路和路面从三维G44 G26 G3D图形导入软件生成场景G26G25将移动激光雷达数据和照片相结合创建出最终模拟场景G3B实验路段取威斯康星州联邦高速G21 G27 G60 G24 G23 G59G23 G2D G3B G22 G74G25 G2D G28 G60
34、 G25 G29 G59G27 G2B G3B G27 G74G4C至G21 G27 G60 G25 G21 G59G21 G29 G3B G2D G74 G25 G2D G28 G60 G23 G23 G59G27 G23 G3B G2D G74G4C段G21见图G23 G22 G24全程G23 G29 G3B G23 G53 G42 G3B招募了G23 G2D名持有驾驶执照的被试者G24实际驾龄均超过G25年G24平均年龄G27 G23岁G24其中男性G25女性各G25 G29名G24被试者的精神和身体状况良好G24每名被试者被要求完成G27次完整驾驶过程G3B图G3C G3B实验路线G3
35、A G4B G3F G3B实验数据采集原始数据维度较大G24部分原始数据为标签数G27G27G2D第G21期赵玮G24等G23基于深度学习G3D G55 G25算法的高速公路危险变道判别模型万方数据据G24不计入后期数据处理G24也不作为输入数据G3B实验数据采集主要分为G27个模块G23 G23登记驾驶员信息G24记录基本驾驶人数据G26 G24驾驶过程中的车辆数据采集G24包括眼动仪输出数据及车内信息G26 G25驾驶过程中的驾驶环境数据采集G24包括路测标志及路网内临近车辆信息G3BG3C G3B危险变道判别模型建立G3C G4B G3A G3B数据处理G23 G3B G25 G3B G
36、25 G26自变量选取及处理通过筛选有效信息G24最终选取的模型的输入变量G21自变量G22如表G25所示G3B表G3A G3B输入变量描述序号变量名称变量描述G25注意力距离数值型G24眼动仪关注点和驾驶车辆距离的平均值G23横向移动速度数值型G24变道过程横向位移除以所用时间G27纵向移动速度数值型G24变道过程纵向位移除以所用时间G21高度变化数值型G24变道过程高度变化值G2B行驶速度最大值数值型G24变道过程中出现的最高行驶速度G29行驶速度最小值数值型G24变道过程中出现的最低行驶速度G22前轮转角变化速率最大值变道过程前轮转角每个观测间隔时间内变化率的最大值G2D最大加速度利用观
37、测间隔及间隔内的速度值计算G28最大减速度利用观测间隔及间隔内的速度值计算注G23每次变道的起始时间和终止时间由车头转角的角度变化及驾驶车道的改变来共同决定G3BG26 G26定义第G4C个样本的车辆驾驶状态向量G3FG4C如下G23G40G4CG2F G2C G41G4C G25G24 G41G4C G23G30 G24 G41G4C G28G2D G21 G25 G22相应的车辆驾驶状态矩阵为G31G4CG2F G2A G40G25G26 G40G23G26 G30 G26 G40G4CG2B G21 G23 G22式中G24 G4C为G31G4C的样本数量G26 G41G4C G25G2
38、4 G41G4C G23G24 G30 G24 G41G4C G28为在样本数量G4C情况下的车辆驾驶状态自变量G3B经过预处理G24进入后期模型的有效变道数据为G2D G2B G23组G24即G4CG2F G25 G24 G23 G24 G30 G24 G2D G2B G23 G3BG23 G3B G25 G3B G23 G26因变量计算模型本文因变量值为G24或G25 G24 G25表示危险变道G24 G24表示非危险变道G24其具体取值根据G44 G4A G37 G38等G2A G25 G24 G2B提出的变道模型确定G24车辆之间的距离小于最小安全距离为危险变道G24否则为非危险变道G
39、3B假定车辆G31的加速度满足G26G31G2F G21 G44G24G2A G44G31G21 G24 G22 G22 G3E G40G34G26 G26 G24 G29 G40G29 G40G34G21 G27 G22式中G24 G26G31为车辆G31的加速度G26 G44G24为道路安全限速G26G44G31G21 G24 G22为车辆G31初始速度G26 G40为车辆G31从初始速度加速到G44G24所用的时间G26 G40G34为车辆G31加速驶入目标车道的时间G3B考虑乘客的舒适性G24车辆G31的加速度G26G31取值范围为G24 G34 G23 G42 G3E G40G23G
40、24车辆之间的安全距离G3A G21 G40 G22表达式如下G23G3A G21 G40 G22 G2F G3A G21 G24 G22 G31G25G23G26G31G40G23G31 G21 G44G31G21 G24 G22 G2A G44G2AG22 G40G26 G26 G40G23 G2A G24 G24 G40G34G2BG21 G21 G22式中G24 G3A G21 G40 G22表示在G40时间时车辆到车辆的安全距离G26 G44G2A为车辆G2A的行驶速度G24且G44G2AG29 G44G24G26 G24G51为车辆G31的车长G3B当且仅当G3A G21 G40
41、G22 G2D G24G51时G24可确保车辆G31和车辆G2A在变道过程中不会发生碰撞G24进而推导出下式G23G3A G21 G24 G22 G2D G21 G44G2AG2A G44G31G21 G24 G22 G22 G40 G2AG25G23G26G31G40G23G31 G24G51G26 G26 G40G23 G2A G24 G24 G40G34G2BG21 G2B G22由式G21 G2B G22可得出如下结论G23G25 G22当G44G2AG2A G44G31G21 G24 G22 G29 G24 G24车辆G31在原车道加速G24然后变道至目标车道G24当满足G3A G2
42、1 G24 G22 G30 G24G51时G24车辆G31不与车辆G2A碰撞G3BG23 G22当G44G2AG2A G44G31G21 G24 G22 G30 G24时G24车辆G31在原车道加速G24当车辆G31的速度达到G44G2A时G24距离G3A G21 G40 G22达到最小G24此时车辆G31从起始位置到两车冲突点处所用的时间为G40G35G2F G21 G44G2AG2A G44G31G21 G24 G22 G22 G3E G26G31G3B故G3A G21 G24 G22最小安全距离为G3A G21 G24 G22G42 G36G38G2F G21 G44G2AG2A G44
43、G31G21 G24 G22 G22 G40G35G2AG25G23G26G31G40G23G35G31 G24G51G21 G29 G22G3C G4B G3C G3B深度学习与深度信念网络G21 G48 G57 G50 G22深度学习理论源于人工神经网络的发展G24学者们对深层神经网络已进行了很多研究G2A G25 G25 G25 G23 G2BG3B G2B G36G38 G31G3A G38等G2A G25 G27 G2B提出了深度信念网络的模型和学习算法G24即基于层叠的G24 G55 G50深度信念网络的学习算法G3B G3D G55 G25解决了传统G55 G47算法需要训练多层
44、神经网络的难题G24不再需要大量含标签的训练样本集G24并且其收敛速度较快G24更易找到全局最优解G3BG3C G4B G3F G3B受限玻尔兹曼机G21 G3E G57 G49 G22G23 G3B G27 G3B G25 G26 G24 G55 G50模型G2A G25 G21 G2BG24 G55 G50利用随机神经网络解释概率图G24与一般玻尔兹曼机的区别在于网络中的神经元随机分布G24且层内神经元之间无连接G3B其输出状态只有G23种G24状态的取值依据概率统计法则G3B G24 G55 G50是由神经元G25神经元之间的连线构成的二分图G24包含可视层和隐层G24神经元之间相互独立
45、G24隐藏神经元也相互独立G2A G25 G2B G2BG3B所有的可视神经元与隐藏神经元都有连接G24即层间全连接G26所有的可视神经元与可视神经元G25隐藏神经元与隐藏神经元不连接G24即层内不连接G2A G25 G27 G2BG3B可视层由显元组成G24用作训练数据的输入G26隐层由隐元组成G24用于特征检测器的输入与输出G3B每层都是随机的二进制向量G24表示为G21G27G2D东南大学学报G21自然科学版G22 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26第G21 G22卷万方数据G22 G2F G2C G42G25G24 G
46、42G23G24 G30 G24 G42G27G24 G30 G2DG2AG23 G2C G24 G24 G25 G2DG4BG2B G2F G2C G22G25G24 G22G23G24 G30 G24 G22G2BG24 G30 G2DG2AG23 G2C G24 G24 G25 G2DG50G21 G22 G22式中G24 G22G2B为可视节点G2B的二进制状态G26 G42G27为隐藏节点G27的二进制状态G26 G50为可视节点数量G26 G4B为隐藏节点的数量G3B令矩阵G24表示可视层与隐层之间的权重G24 G2CG2BG27表示G22G2B和G42G27之间的权重G3B向量G
47、25 G2F G2C G2FG25G24 G2FG23G24 G30 G24 G2FG2BG24G30 G2DG2A表示各可视神经元的偏置向量G24向量G3E G2F G2C G26G25G24G26G23G24 G30 G24 G26G27G24 G30 G2DG2A表示各隐藏神经元的偏置向量G3BG24 G55 G50中神经元的全概率分布满足玻尔兹曼分布G24G24 G55 G50的某一状态G21 G2B G24 G22 G22的联合组态能量定义如下G23G46 G21 G2B G24 G22 G26 G29 G22 G5A G5B G2BG2AG24 G22 G5B G25G2AG2B
48、G5B G3EG2AG22 G5AG5BG24G50G2B G5A G25G24G4BG27 G5A G25G2CG2BG27G22G2BG42G27G5BG24G50G2B G5A G25G2FG2BG22G2BG5BG24G4BG27 G5A G25G26G27G42G27G21 G2D G22式中G24 G2FG2B为可视节点G2B的偏置G26 G26G27为隐藏节点G27的偏置G26 G29 G2F G2C G58 G24 G2F G24 G26 G2D为模型参数G3BG23 G3B G27 G3B G23 G26 G24 G55 G50训练算法利用对数似然概率G34G3A G4B G
49、21 G4D G21 G2B G26 G29 G22 G22的梯度G24可以推导出G24 G55 G50权值更新公式如下G23G2B G2CG2BG27G2F G46G3CG21 G22G2BG42G27G22 G2A G46G42 G3A G39 G37 G34G21 G22G2BG42G27G22 G21 G28 G22式中G24 G46G3CG21 G22G2BG42G27G22表示样本训练集的期望G26 G46G42 G3A G39 G37 G34G21 G22G2BG42G27G22为模型定义的期望G24由于实践中难于求解G24一般采用与梯度方法类似的对比散度方法训练G24 G55 G50 G3B对比散度算法是训练G24 G55 G50的标准算法G24采样步数用G4C表示G24取值通常很小G3B G2B G36G38 G31G3A G38等G2A G25 G27 G2B在实践中发现G24当G4C取G25时就可以保证良好效果G24本文G24 G55 G50的训练采用G44 G3D G48G25算法G3B其中G24 G2C为G44 G3D算法随机梯度下降的学习率G26 G30表示更新趋势大小G26 G53 G21 G42G23G2F G25 G22G23G22表示可视层向量G26的每个元素为G53 G21 G42G23 G27G2F G25 G
限制150内