您的浏览器不支持JavaScript,请开启后继续
深度学习的驾驶意图识别

深度学习的驾驶意图识别

  • 作者
  • 李敏、刘碧龙 著

本书主要介绍了Python基础知识、信号处理基础、机器学习基础、深度学习的驾驶意图识别、驾驶意图人机融合。书中运用小波理论、小波包理论、主成分分析法等对信号进行处理,并通过Python实现;介绍了深度学习模型循环神经网络、LSTM 模型;同时还介绍了输入脑电信号对驾驶意图识别的试验,识别后的驾驶意图可运用到自动驾驶领域,为保障行车安全提供借鉴。 本书可供信号处理、车辆...


  • ¥88.00

ISBN: 978-7-122-38667-0

版次: 1

出版时间: 2021-05-01

图书介绍

ISBN:978-7-122-38667-0

语种:汉文

开本:16

出版时间:2021-05-01

装帧:平

页数:173

编辑推荐

——介绍Python的基础操作,通过示例进行编程展示; ——讲解信号处理基础,通过Python编程对小波理论、小波包理论等信号处理技术进行编程; ——介绍机器学习的模型及原理,并运用Python编程来实现; ——分析驾驶行为,运用小波理论和小波包理论等对脑电信号进行处理、分析并提取特征参数,将提取的特征参数输入到深度学习模型中,对驾驶意图进行识别; ——对深度学习驾驶意图识别模型进行仿真验证,将驾驶意图转换为相应的指令控制车辆自动驾驶。

图书前言

传统交通安全研究中,主要以车辆状态和道路环境信息作为交通安全研究的主要因素。近年来,随着主动安全研究的深入,驾驶意图在主动安全控制中的关键作用被重视,驾驶意图识别逐渐成为交通安全的研究热点。深度学习的不断发展对驾驶意图的识别提供了有力的工具,为了更清晰、更深入地了解和掌握深度学习的驾驶意图的识别,本书从最基础的矩阵基础、信号处理基础、Python基础编程、驾驶行为及意图的发展等到深度学习的驾驶意图由浅入深地进行了讲解。
本书的主要特色在于:采用Python编程,运用信号处理技术对信号进行处理并分析,采用深度学习对驾驶意图进行识别,并把驾驶意图输入车辆CAN总线进行控制,实现人机融合。具体研究内容如下。
①对Python的基础操作进行介绍,并通过示例进行编程展示,以便对基础的Python知识能更好地掌握并运用于后面的机器学习和深度学习的编程。
②对信号处理基础进行了讲解,以便了解并掌握机器学习和深度学习中对信号的处理,并通过Python对本书中运用的小波理论、小波包理论等信号处理技术进行编程。
③对机器学习基础进行了介绍,以便后续对机器学习的模型理解,对机器学习的各种模型的原理进行了讲解,并运用Python编程来实现。
④运用小波理论和小波包理论等对脑电信号进行处理、分析并提取特征参数,提取的特征参数输入深度学习模型,对驾驶意图进行识别。
⑤对建立的深度学习的驾驶意图识别模型进行仿真验证,并对识别的驾驶意图转换为相应的指令控制车辆自动驾驶。
本书的出版得到了国家自然科学基金(No.11874034),山东省泰山学者建设工程专项(No.ts201712054),山东省自然科学基金(ZR2019MEE072),工业流体节能与污染控制教育部重点实验室项目(背景噪声下小波包处理技术的深度学习声纹识别研究),教育部高等教育司“人因与工效学”产学合作协同育人项目(基于人因工程的“交通工程学”教研实践探索与创新)等资助,在此一并表示感谢。
最后,还要衷心感谢本书引用的参考资料的所有作者,感谢编辑对本书的出版所付出的努力,由于作者水平有限,书中难免有疏漏和不妥之处,恳请读者批评指正。

著者

精彩书摘

本书主要介绍了Python基础知识、信号处理基础、机器学习基础、深度学习的驾驶意图识别、驾驶意图人机融合。书中运用小波理论、小波包理论、主成分分析法等对信号进行处理,并通过Python实现;介绍了深度学习模型循环神经网络、LSTM 模型;同时还介绍了输入脑电信号对驾驶意图识别的试验,识别后的驾驶意图可运用到自动驾驶领域,为保障行车安全提供借鉴。
本书可供信号处理、车辆工程、交通工程等领域的技术人员、编程人员阅读,也可供相关专业的师生学习参考。

目录

第1章 绪论 1
1.1 驾驶意图识别概述2
1.2 驾驶意图识别研究现状2
1.3 深度学习概述5

第2章 Python基础知识 8
2.1 变量和简单数据类型9
2.2 数字11
2.3 列表12
2.4 列表切片15
2.5 if语句16
2.6 字典17
2.7 while循环20
2.8 函数23
2.9 数据可视化25
2.10 数据的统计学特征30
2.11 代数和符号数学问题34

第3章 信号处理基础 37
3.1 信号的定义及应用38
3.2 信号的分类39
3.3 连续时间信号的频域分析44

第4章 机器学习基础 62
4.1 矩阵的基本知识63
4.2 脑电信号的数据处理66
4.3 树和随机森林算法67
4.4 KNN算法69
4.5 贝叶斯理论70
4.6 支持向量机72
4.7 神经网络原理77
4.8 神经网络Python基础83

第5章 深度学习的驾驶意图识别 93
5.1 脑电信号概述94
5.2 试验方案设计98
5.3 驾驶行为与驾驶意图105
5.4 深度学习111

第6章 驾驶意图人机融合 124
6.1 脑机接口与CAN总线系统的整体设计125
6.2 脑-机接口与CAN总线系统的模块化设计128
6.3 数据采集系统136

附录 LSTM模型识别案例代码 146

参考文献 164


发送电子邮件联系我们