基于CSP和SFFS-SFBS的两级双向脑电导联特征选取方法

针对多任务运动想象条件下脑电导联选取质量差、搜索时间长的问题,提出了一种基于公共空间模式(CSP)和顺序浮动双向选择算法(SFFS-SFBS)的两级导联特征选取方法.首先,结合空域滤波分析各个被试的时频特性,确定相应的特征时间和特征频率;然后由训练集的CSP滤波系数计算各个导联在特征提取过程中的权重大小,根据权重排序缩小导联搜索空间;最后,运用以训练集交叉检验正确率为评价准则的SFFS-SFBS算法在相应的搜索空间内双向选择最优的导联序列.实验结果表明,在保证较高分类正确率的前提下,与传统SFFS算法和改进SFFS算法相比,该方法选取的导联数量分别减少了51. 36%,47. 52%,对应的搜索时间缩短了90. 95%,80%.因此,基于CSP和SFFS-SFBS的两级特征选取方法可快速选择优质导联序列,有效提高脑机接口的实际使用性能.     

网联电动汽车信号灯控路口经济性驾驶策略

针对智能网联电动汽车在信号灯控路口的经济性驾驶问题,提出一种基于最优控制的经济性驾驶车速优化策略.首先,构建包含信号灯、车速限制等约束,以能量消耗最小化为目标的信号灯控路口车辆速度优化问题;然后,利用庞特里亚金极小值原理解析求解最优控制率;考虑到动态交通场景中车辆对未来交通信息的预测能力有限、信号灯约束条件多变等特点,提出了一种双层滚动距离域车速优化策略,将信号灯控路口经济性驾驶问题转化为分段最优控制问题,得到分段最优速度轨迹.仿真结果表明:在有限预测能力和无限预测能力2种情况下,所提出的经济性驾驶车速优化策略较加速—匀速—制动策略分别有9.2％和10.3％的能量节省;随着预测距离和信号灯控路口通行速度的增大,在提高通行效率的同时,能量节省效率进一步提高.     

基于扩张卷积特征自适应融合的复杂驾驶场景目标检测

针对复杂驾驶场景下的目标检测问题,提出一种基于扩张卷积特征自适应融合的目标检测算法.采用单阶段目标检测网络RetinaNet作为基本框架,其包含卷积特征提取、多尺度特征融合以及目标分类与回归子网.为提高网络对多尺度特征的提取能力,设计了基于不同扩张率组合的残差卷积分支模块,以获取不同感受野下的目标特征图;然后,将不同尺度下的特征通过网络自适应学习的参数融合后输出,用于后续的目标预测;最后在大规模且多样化的复杂驾驶场景数据集BDD100K上进行实验.结果 表明,利用扩张残差卷积分支模块与特征自适应融合算法能够分别将网络的平均精度均值由0.330提升至0.338与0.344,并在采用扩张卷积特征自适应融合的情况下达到了0.349.所提算法能够有效提升目标检测算法在复杂驾驶场景下的检测性能.