1.一种基于因子分析和机器学习的驾驶风格辨识算法,其特征在于,包括以下步骤:步骤一、从典型的城市跟车工况中提取与驾驶风格强相关的驾驶特征参数;
步骤二、使用包含可行性分析、公共因子确定和因子得分在内的因子分析算法降维处理驾驶特征参数,获得公共因子并赋予其具体的物理含义;
步骤三、使用高斯混合模型对公共因子进行聚类,为每个驾驶员准确的贴上驾驶风格标签;
步骤四、采用被遗传算法优化的反向传播神经网络训练驾驶风格辨识模型,准确输出不同驾驶风格。
2.根据权利要求1所述的一种基于因子分析和机器学习的驾驶风格辨识算法,其特征在于,所述步骤一中的驾驶特征参数包括:主缸压力的平均值A1、主缸压力的最大值A2、主缸压力的标准差A3、发动机转矩的平均值A4、发动机转矩的标准差A5、发动机的平均转速A6、发动机转速的标准差A7、两车车距的平均值A8、两车车距的标准差A9、两车车速差的平均值A10和两车车速差的标准差A11。
3.根据权利要求1所述的一种基于因子分析和机器学习的驾驶风格辨识算法,其特征在于,所述步骤二的具体方法如下:
21)采用正规化方法对驾驶数据进行标准化处理:
式中,N表示采集的驾驶人数据样本数;xki(i=1,2,…11)表示第k个驾驶人的第i个驾驶风格特征参数值;xkj(j=1,2,…11)表示第k个驾驶人的第j个驾驶风格特征参数值;
表示N个驾驶人第i个驾驶特征参数的平均值; 表示N个驾驶人第j个驾驶特征参数的平均值;x′ki表示第k个驾驶人的第i个正规化后的驾驶风格特征参数值;x′kj表示第k个驾驶人的第j个正规化后的驾驶风格特征参数值;
22)对标准化后的特征数据进行了相关性分析:
式中,rij表示相关系数矩阵中的元素;x′ki表示第k个驾驶人的第i个正规化后的驾驶风格特征参数值;N表示采集的驾驶人数据样本数;x′kj表示第k个驾驶人的第j个正规化后的驾驶风格特征参数值;
23)根据特征方程求解相关系数矩阵的特征根和对应的特征向量:
|λjI-Rij|=0 (4)
RijUj=λjUj (5)
式中,λj(j=1,2,…11)表示相关系数矩阵Rij的特征根;I表示单位系数矩阵;Uj表示特征根对应的特征向量矩阵;Rij表示相关系数矩阵;
24)选取因子F3×1作为驾驶数据的公共因子,并且通过因子负载矩阵进行分析;因子负载矩阵A11×3由特征值λ3×1和特征向量U11×3求得;
式中,A11×3表示因子负载矩阵;λ1,λ2,λ3分别表示公共因子F3×1对应的特征值;Ui,j(i=
1,2,…11,j=1,2,3)表示公共因子F3×1对应的特征向量;
25)采用最大方差法旋转因子负载矩阵,特征参数A4-A7命名为驱动因子;特征参数A1-A3命名为制动因子;特征参数A8-A11命名为环境因子;
26)因子得分模型为:
Xm×1=Am×3·F3×1+εm×1 (9)
式中,Xm×1(m=1,2,3)表示因子得分模型;Am×3表示因子得分系数;εm×1表示特殊因子,本专利取εm×1为零向量进行求解;F3×1表示选定的三个公共因子;使用Anderson-Rubin回归法求解得到因子得分系数,最终根据因子的分析树获得的公共因子表达式为:式中,F1表示第一公共因子,即驱动因子;F2表示第二公共因子,即制动因子;F3表示第三公共因子,即环境因子;A1表示主缸压力的平均值;A2表示主缸压力的最大值;A3表示主缸压力的标准差;A4表示发动机转矩的平均值;A5表示发动机转矩的标准差;A6表示发动机的平均转速;A7表示发动机转速的标准差;A8表示两车车距的平均值;A9表示两车车距的标准差;A10表示两车车速差的平均值;A11表示两车车速差的标准差。
4.根据权利要求1所述的一种基于因子分析和机器学习的驾驶风格辨识算法,其特征在于,所述步骤三的具体方法如下:
31)设定驾驶人驾驶风格分别为激进型、一般型和保守型三种;
32)采用多维的高斯混合模型对公共因子进行概率计算,并定义为:
式中,Fi表示第i个驾驶人驾驶习性数据降维后获得的公共因子;P(Fi)表示第i个驾驶人的公共因子Fi的特征概率密度函数;K表示高斯混合模型的聚类簇,包含三类驾驶风格,因此设定K=3;μk表示每个聚类簇的平均值;σk表示每个聚类簇的协方差;p(Fi|k)=N(Fi|μk,σk)表示第k个高斯模型的概率密度函数;πk是第k个高斯模型的权重,且高斯混合模型聚类的目标是找到合适的高斯分布使得聚类的概率趋近于最大;将这个目标值设定为最大似然函数:式中,πk是第k个高斯模型的权重;N表示采集的驾驶人数据样本数;Fi表示第i个驾驶人驾驶习性数据降维后获得的公共因子;μk表示每个聚类簇的平均值;σk表示每个聚类簇的协方差。
采用期望最大化即Expectation-Maximization算法求解最大似然函数;在期望步骤时,我们设定高斯混合模型的初始聚类簇的平均值μint、协方差σint以及高斯模型权重值πint,并基于此计算每个公共因子属于第k个高斯混合模型的可能性:式中, 表示第i个驾驶人的驾驶习性公共因子属于第k个高斯混合模型的概率;πk和πj分别是第k个和第j个高斯模型的权重,且 N表示采集的驾驶人数据样本数;Fi表示第i个驾驶人驾驶习性数据降维后获得的公共因子;μk和μj分别表示第k个和第j个聚类簇的平均值;σk和σj分别表示第k个和第j个聚类簇的协方差;
最大化步骤时,根据期望步骤求得的 求解每个高斯混合模型聚类簇新的平均值、新的协方差以及新的高斯模型权重值:然后,令高斯混合模型的初始聚类簇的平均值 高斯混合模型的初始聚类
簇的协方差 高斯混合模型的初始聚类簇的权重值 代入到公式
(11),重复期望最大化算法直到公式(10)中的最大似然函数收敛即辨识出激进型、一般型和保守型三种驾驶人的人数。
5.根据权利要求1所述的一种基于因子分析和机器学习的驾驶风格辨识算法,其特征在于,所述步骤四的具体方法如下:
41)遗传算法的适应度函数设置为:
式中,Fit表示遗传算法的适应度函数;y表示正确的驾驶员驾驶风格类型;W1表示反向传播神经网络隐含层的权重;W2表示反向传播神经网络输出层的权重;B1表示反向传播神经网络隐含层的阈值;B2表示反向传播神经网络输出层的阈值;f1表示反向传播神经网络隐含层的激活函数;f2表示反向传播神经网络输出层的激活函数,其中隐含层激活函数设置为tansig函数,输出层的激活函数设置为pureline函数;p表示模型输入的公共因子;
42)将遗传算法的初始种群设置为50个,将反向传播神经网络中的全部权值和阈值分别编码成遗传算法的染色体结构;然后将当代种群中适应度函数值最大的染色体完全替换最差的染色体,当代染色体之间互相交换自己包含的权值和阈值产生新的染色体;此外通过随机改变个别染色体的染色体结构获得新的染色体,其中变异的方向式中朝向种群适应度最优方向,表示为:式中,Fitbest表示当代染色体中适应度函数的最大值;Fit表示适应度函数;xt表示随机选中用于变异的当代染色体;xt+1表示变异后的新一代染色体;
随后不断的重复遗传、杂交、变异的过程直至适应度函数满足约束条件,解码染色体还原权重和阈值,并将其设置为反向传播神经网络的初始值。