基于D-S理论的汽车驾驶员疲劳决策研究

发布时间：2017-10-20 22:22

  本文关键词：基于D-S理论的汽车驾驶员疲劳决策研究

  更多相关文章： 疲劳驾驶 神经网络 粗糙集 D-S理论

【摘要】：疲劳驾驶是导致交通事故的主要原因,对驾驶员疲劳状态进行判断并及时发出疲劳预警,对减少由疲劳驾驶所引发的交通事故具有重要意义。本文针对驾驶员疲劳监测技术的研究现状及实际应用需求出发,开展了模拟疲劳驾驶实验,采用实验研究与理论相结合的方法研究了人体生理信号与驾驶员疲劳之间的关系,具体研究内容如下:1.基于模拟驾驶实验平台,实时同步采集驾驶员驾车过程中面背压力、脉搏血氧和心率等特征数据,利用基于疲劳量表的驾驶员自我评定、他人的客观疲劳评定及PVT测试三者相结合的方法建立疲劳判定标准,对采集数据实现疲劳和清醒两种状态下的分类。2.基于面背压传感器的无仪器佩戴驾驶员呼吸信号提取方法的研究,选取256个背靠压力测试点中最大压力点进行三次样条插值处理,并与从脉搏血氧中提取出的呼吸信号进行相关性分析,得到背靠压力信号中蕴藏呼吸波的结论。该方法既确保了呼吸信号的准确性,又为实现无仪器佩戴式疲劳监测提供了重要的参考依据。3.对不同驾驶状态下呼吸周期、呼吸幅值、心率、脉搏血氧等特征的变化规律以统计学方法进行研究,采用单因素实验设计的方法,分别定量研究不同驾驶状态下、不同时间窗内各特征参数的平均值和标准差之间的差异性,筛选出最优时间窗内驾驶员疲劳特征参数。4.基于粗糙集的最有效疲劳特征的提取。根据提取的最优时间窗下的疲劳特征参数建立对应疲劳属性的决策表,基于信息熵的离散化断点规则对数据进行离散化并建立差别矩阵,进行疲劳特征参数的属性约简,获得最有效的疲劳决策属性集,不仅避免了疲劳特征属性重复提取,也提高了疲劳判定准确率。5.基于D-S理论的疲劳决策级信息融合。首先通过对最有效生理特征数据运用、训练模糊神经网络,然后将相关专家的经验判断和采集的模糊信息一并融入疲劳决策过程,将其输出的结果归一化后设置为基本概率函数,最后采用D-S进行组合决策识别疲劳状态。先使用模糊神经网络提取驾驶疲劳信息特征,再用D-S融合,充分利用了疲劳驾驶特征的信息,很大程度上提高了决策准确率,同时避免了分析单一疲劳驾驶特征进行疲劳识别的片面性和模糊性。
【关键词】：疲劳驾驶 神经网络 粗糙集 D-S理论
【学位授予单位】：天津职业技术师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U463.6
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-16
• 1.1 课题来源9
• 1.2 研究背景及意义9-10
• 1.3 疲劳驾驶监测的研究现状10-14
• 1.3.1 主观评价法10
• 1.3.2 生理现象监测法10-12
• 1.3.3 驾驶行为监测法12-13
• 1.3.4 多传感器融合监测法13-14
• 1.4 疲劳驾驶监测存在问题及发展趋势14-15
• 1.5 本文研究内容及技术路线15-16
• 第2章 疲劳驾驶数据采集16-23
• 2.1 实验平台16-19
• 2.1.1 实验仪器16-18
• 2.1.2 实验平台18-19
• 2.2 实验过程19-20
• 2.3 实验数据同步采集20
• 2.4 疲劳状态评价20-22
• 2.5 本章小结22-23
• 第3章 疲劳特征分析23-34
• 3.1 呼吸信号23-29
• 3.1.1 基于驾驶员脉搏波的呼吸波提取23-24
• 3.1.2 基于面背压力信号的呼吸波提取24-25
• 3.1.3 呼吸信号的相关性分析25
• 3.1.4 呼吸信号统计分析25-26
• 3.1.5 呼吸信号特征参数26-29
• 3.2 心率信号29-32
• 3.2.1 心率统计分析30
• 3.2.2 心率特征参数30-32
• 3.3 脉搏血氧饱和度32-33
• 3.3.1 血氧统计分析32
• 3.3.2 血氧特征参数32-33
• 3.4 本章小结33-34
• 第4章 驾驶员疲劳参数的属性约简34-41
• 4.1 粗糙集基本理论34-37
• 4.1.1 基于信息熵的连续属性集离散化34-36
• 4.1.2 基于差别矩阵的属性约简36-37
• 4.2 驾驶员疲劳参数的属性约简37-40
• 4.2.1 基于粗糙集的疲劳判定流程37
• 4.2.2 疲劳决策各属性值的确定37-38
• 4.2.3 疲劳判定决策集的确定38-40
• 4.3 本章小结40-41
• 第5章 驾驶员疲劳状态决策41-48
• 5.1 D-S基本理论41-44
• 5.1.1 基本概念41-42
• 5.1.2 D-S决策规则42-43
• 5.1.3 基本概率函数的获取43-44
• 5.2 获取疲劳特征信息的基本概率分配44-46
• 5.3 D-S理论疲劳驾驶决策融合46-47
• 5.3.1 基于D-S的指标组合46-47
• 5.3.2 基于基本概率分配的决策47
• 5.4 本章小结47-48
• 第6章 结论与展望48-50
• 6.1 结论48-49
• 6.2 展望49-50
• 参考文献50-54
• 致谢54-55
• 申请学位期间的研究成果及发表的学术论文55-56
• 附录A 主观疲劳判定表56

【相似文献】

中国期刊全文数据库 前10条

1 李家文;成波;;驾驶人状态适应式疲劳预警方法的研究[J];汽车工程;2011年08期

2 李家文;成波;;驾驶员疲劳状态适应式复合预警方法的研究[J];汽车工程;2012年03期

3 韩清鹏;;利用EEG信号的小波包变换与非线性分析实现精神疲劳状态的判定[J];振动与冲击;2013年02期

4 王黎;于涛;闻邦椿;;基于脑电α波的非线性参数人体疲劳状态判定[J];东北大学学报;2005年12期

5 马乐;姜立标;王会荣;王蒙;;驾驶员疲劳驾驶预警系统的设计[J];哈尔滨工业大学学报;2011年05期

6 张静,魏平,胡明敏,周克印;疲劳状态检测元件的研究[J];理化检验(物理分册);2003年09期

7 李家文;成波;;针对驾驶员疲劳状态的防撞报警算法的研究[J];汽车工程;2013年06期

8 王雯丽;孙s，

本文编号：1069705