基于粒子群算法的图像相关反馈研究

在浩如烟海的图像库中按用户的需求去搜索图像,传统的做法是基于图像的视觉低层特征进行检索。但是由于视觉低层特征与高层语义之间存在语义鸿沟,因此检索结果往往不尽如人意。研究者发现,将相关反馈技术引入图像检索中则能提高系统的检索性能。提出将粒子群优化算法(Particle Swarm Optimization)[1]引入基于内容的图像检索之中,通过用户对检索结果进行评价,系统通过学习来动态修改各特征的权值,从而达到模拟人类的思维,提高图像检索系统的检索性能,并通过实验证明该算法的可行性和有效性。     

基于纵向激励的驾驶习性分类及辨识方法

为使先进驾驶人辅助系统更具人性化及个性化,提高智能车辆的驾乘安全性和舒适性,提出一种基于纵向激励工况的驾驶习性分类及辨识方法.以前车车速信号的周期性及突变性为依据,设计6种前车典型纵向激励工况,并通过实车道路试验完成64位驾驶人的数据采集.然后,采用客观粒子群聚类和主观量表分析相结合的分类方式,实现典型驾驶习性的分类和习性类型的定义.比较各工况下的分类结果,确定纵向最优激励工况组为正弦工况3和阶跃工况3.建立基于多维高斯隐马尔科夫过程的驾驶习性辨识模型,依据辨识准确率得到最优模型输入信号组,利用正交试验法优化模型中的关键参数.结果表明,基于纵向激励的驾驶习性分类及辨识方法能够得到更好的分类和辨识准确率.     

驾驶人纵侧向驾驶能力评价方法研究

为合理分配智能汽车人机协同共驾驾驶权,提高智能车辆的驾乘安全性和舒适性,本文提出驾驶人纵侧向驾驶能力的概念及其评价方法.对驾驶人的驾驶能力进行了定义和分析,并在此基础上设计了纵向跟车激励工况和侧向移动双移线激励工况,在搭建的驾驶人在环智能仿真平台上进行数据采集.建立了基于Hammerstein辨识过程的驾驶能力辨识模型,采用主成分分析法对驾驶能力辨识模型中的关键参数进行解耦和降维处理;通过客观蚁群聚类和主观量表分析相结合的分类方式,实现驾驶能力的分类;通过多元线性回归分析得到驾驶能力评价方程.结果表明,纵侧向驾驶能力辨识模型平均辨识及拟合精度均大于90%,经主成分分析及主客观分类处理后的纵侧向驾驶能力评价方程满足统计检验指标,具有良好的拟合及预测结果.