环境与感知不确定性的碰撞事故分析
发布时间：2021-07-23 13:07
人工智能算法在自动驾驶领域的深度应用,极大的增强了智能车对复杂场景的感知能力。但由于智能车所面临的驾驶场景复杂性与人工智能算法的不确定性,使得人工智能算法给智能车的驾驶安全带来了新的挑战。对于智能车在驾驶过程中由于复杂驾驶环境和人工智能算法不确定性可能引发的风险进行有效分析,降低智能车在行驶过程发生事故的概率,提高智能驾驶的行车安全性,最终才能实现安全智能驾驶。因此本文的主要研究内容如下:（1）不同驾驶环境和交通事故严重程度之间存在密切联系,为了尽量降低高风险复杂场景所引起的交通事故严重性,本文提出一种研究驾驶环境和事故严重程度关系的方法。本文基于Kaggle开源的法国交通事故数据集,首先通过数据清洗进行特征处理,并提出了一种多种特征选择方式融合的方法进行特征筛选,得到对事故严重程度有重要影响的环境特征子集,组成典型事故数据集。然后基于定序回归方法构建了事故风险模型,基于模型分析环境特征对事故严重程度的显著性、相关性以及影响系数,得出与事故严重程度密切相关的几种高危场景,最后针对每种高危场景提出了对应的策略和建议。（2）针对恶劣天气高风险复杂场景下智能车极易出现感知错误而引起严重交通事...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
数据清洗的不同类型
电子科技大学硕士学位论文12决策树的普遍缺点就是容易发生过拟合，其产生原因就是在决策树构建的过程中对训练数据集过度适应，从而导致在测试数据集上效果很差。此时常用且有效的解决方法有很多，可以调整阈值来重新控制决策树的终止条件来避免决策树被分的过于细致，也可以采用剪枝来对原始决策树进行过滤来缓解过拟合的现象。2.2.2.2Adaboost算法Adaboost算法的主要原理就是结合多个弱分类器的分类效果进行一个串联式的合理结合，从而达到一个强分类器的效果。算法主要基于迭代循环的思想，每次迭代都仅仅训练一个弱分类器，训练之后得到的弱分类器将参与进行下一次迭代的训练。在第N次迭代的过程中，将会有N个弱分类器，其中N-1个均是在之前的迭代过程中训练得到的，其中前N-1个分类器的各种参数将不再参与迭代更新，当前的迭代过程只训练第N个弱分类器，主要考虑这第N个弱分类器在前N-1个分类器均分类错误的情况下的分类效果，但是最终的分类输出还是要看这N个分类器的综合分类结果。如图2-2所示为Adaboost算法的整体流程，从右至左为最终的求和与符号函数，在左边的求和之前，图中的虚线代表着不同迭代轮次的训练效果。第一次迭代时，整个算法为第一行的结构，第二次迭代时将会包含第一次迭代的算法结果。所以其实每次迭代的整个算法结构都将不同，随着迭代次数的增强，整个算法的结构与流程将变得更加复杂，但同时其算法效果将会变得越来越完备。图2-2Adaboost分类器结构图在具体的迭代过程中，第N轮迭代将会有具体的处理流程，先是新增加一个需要训练的当前弱分类器与初始的弱分类器权重，然后通过训练的数据集与数据
层输出进行求和，此时节点个数等于需要分类的总类别数；输出层：对前一层的求和层进行最后的归一化处理，得到测试样本的每种类别的分类概率，基于概率的大小来进行最后的分类，此时节点个数为一。概率神经网络的优点在于其收敛速度非常快，而且整个算法流程并不需要进行任何模型参数的训练，同时由于激活函数的存在，；理论上来说可以完成任何的非线性逼近。但此算法的缺点也很明显，由于没有模型参数的存在，所以每次迭代都要针对于所有的数据集样本，计算复杂度很高，而且泛用性较差，在不同数据集上的效果差异很大。图2-3概率神经网络结构图2.2.3.2自编码神经网络自编码网络结构[30]属于非监督学习，经过训练可以自动的从无标注的数据样本上提取特征，进行特征重构的作用。整个网络结构的目标是将输入信息在不同维度的空间内进行特征重组，并且要求重组之后的特征表达可以拥有比原始数据特征更好的表达能力，或者是更容易进行特征应用的效果。在实际应用中往往采用自编码神经网络结构得到的特征替代原始的数据特征表达。如图2-4所示，在自编码的网络结构中，一般会采用一定数量的隐藏层对输入数据进行压缩和二次表达，然后在输出层完成特征解压缩的过程，在整个数据压缩再解压缩的过程中，也会通过数据训练的方式减少信息的丢失，期望最大化的保留数据的主要特征。从隐藏层的不同维度来讲，一般只会有两种情况：当隐藏层的维度小于输入层的维度时，此时的网络在训练过程中将尝试以更小的维度去实现对数据集的另一种表达，最终完成数据降维的过程。如果网路中层与层之间的变换均满足线性条件，并且训练的损失函数也是二次型函数的时候，整个网络和PCA降维技术一样。当隐藏层的维度大于输入层维度的时候，整个网络
【参考文献】：
期刊论文
[1]基于CIDAS数据库的先进驾驶辅助系统安全效果研究[J]. 孙航,孙悦,解瀚光. 中国汽车. 2019(11)
[2]实用的卡方检验法[J]. 沈宏峰,陈群. 微型电脑应用. 1997(05)
本文编号：3299350
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
数据清洗的不同类型
电子科技大学硕士学位论文12决策树的普遍缺点就是容易发生过拟合，其产生原因就是在决策树构建的过程中对训练数据集过度适应，从而导致在测试数据集上效果很差。此时常用且有效的解决方法有很多，可以调整阈值来重新控制决策树的终止条件来避免决策树被分的过于细致，也可以采用剪枝来对原始决策树进行过滤来缓解过拟合的现象。2.2.2.2Adaboost算法Adaboost算法的主要原理就是结合多个弱分类器的分类效果进行一个串联式的合理结合，从而达到一个强分类器的效果。算法主要基于迭代循环的思想，每次迭代都仅仅训练一个弱分类器，训练之后得到的弱分类器将参与进行下一次迭代的训练。在第N次迭代的过程中，将会有N个弱分类器，其中N-1个均是在之前的迭代过程中训练得到的，其中前N-1个分类器的各种参数将不再参与迭代更新，当前的迭代过程只训练第N个弱分类器，主要考虑这第N个弱分类器在前N-1个分类器均分类错误的情况下的分类效果，但是最终的分类输出还是要看这N个分类器的综合分类结果。如图2-2所示为Adaboost算法的整体流程，从右至左为最终的求和与符号函数，在左边的求和之前，图中的虚线代表着不同迭代轮次的训练效果。第一次迭代时，整个算法为第一行的结构，第二次迭代时将会包含第一次迭代的算法结果。所以其实每次迭代的整个算法结构都将不同，随着迭代次数的增强，整个算法的结构与流程将变得更加复杂，但同时其算法效果将会变得越来越完备。图2-2Adaboost分类器结构图在具体的迭代过程中，第N轮迭代将会有具体的处理流程，先是新增加一个需要训练的当前弱分类器与初始的弱分类器权重，然后通过训练的数据集与数据
层输出进行求和，此时节点个数等于需要分类的总类别数；输出层：对前一层的求和层进行最后的归一化处理，得到测试样本的每种类别的分类概率，基于概率的大小来进行最后的分类，此时节点个数为一。概率神经网络的优点在于其收敛速度非常快，而且整个算法流程并不需要进行任何模型参数的训练，同时由于激活函数的存在，；理论上来说可以完成任何的非线性逼近。但此算法的缺点也很明显，由于没有模型参数的存在，所以每次迭代都要针对于所有的数据集样本，计算复杂度很高，而且泛用性较差，在不同数据集上的效果差异很大。图2-3概率神经网络结构图2.2.3.2自编码神经网络自编码网络结构[30]属于非监督学习，经过训练可以自动的从无标注的数据样本上提取特征，进行特征重构的作用。整个网络结构的目标是将输入信息在不同维度的空间内进行特征重组，并且要求重组之后的特征表达可以拥有比原始数据特征更好的表达能力，或者是更容易进行特征应用的效果。在实际应用中往往采用自编码神经网络结构得到的特征替代原始的数据特征表达。如图2-4所示，在自编码的网络结构中，一般会采用一定数量的隐藏层对输入数据进行压缩和二次表达，然后在输出层完成特征解压缩的过程，在整个数据压缩再解压缩的过程中，也会通过数据训练的方式减少信息的丢失，期望最大化的保留数据的主要特征。从隐藏层的不同维度来讲，一般只会有两种情况：当隐藏层的维度小于输入层的维度时，此时的网络在训练过程中将尝试以更小的维度去实现对数据集的另一种表达，最终完成数据降维的过程。如果网路中层与层之间的变换均满足线性条件，并且训练的损失函数也是二次型函数的时候，整个网络和PCA降维技术一样。当隐藏层的维度大于输入层维度的时候，整个网络
【参考文献】：
期刊论文
[1]基于CIDAS数据库的先进驾驶辅助系统安全效果研究[J]. 孙航,孙悦,解瀚光. 中国汽车. 2019(11)
[2]实用的卡方检验法[J]. 沈宏峰,陈群. 微型电脑应用. 1997(05)
本文编号：3299350
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3299350.html
