基于扩展计划行为理论的驾驶员跟驰意向分析

未来道路交通流将呈现自动驾驶车辆和传统车辆混行的现象,为探究人机混驾环境下传统车辆驾驶员对自动驾驶车辆跟驰意向的影响因素,引入驾驶员对自动驾驶车辆的了解程度、风险感知及接受程度3个变量,构建基于扩展计划行为理论的驾驶员跟驰意向模型框架．通过问卷调查获取331份主观评价数据,并借助SPSS和AMOS软件检验数据的内部一致性及可靠性．运用结构方程模型进行路径分析及中介效应分析以检验影响因素间的关系．结果表明,基于扩展计划行为理论的驾驶员跟驰意向结构方程模型对人机混驾环境下驾驶员的跟驰意向具有良好解释力;行为态度、主观规范和知觉行为控制对驾驶员跟驰意向具有显著正向直接效应;风险感知和接受程度通过中介变量对驾驶员跟驰意向产生显著间接效应,其中,风险感知作用为负向,接受程度作用为正向;了解程度对驾驶员跟驰意向既有显著正向直接效应又有显著正向间接效应．研究结果可作为人机混驾环境下车辆交互行为分析的基础．     

基于最小安全间距的应急交通疏散车辆跟驰模型

本研究通过对突发事件情况下驾驶员心理与行为特性问卷调查,得到驾驶员在非常态交通环境下的行为差异和经验判断比率分布,对Gipps跟驰模型进行了改进,提出了基于最小安全跟车间距的应急疏散车辆跟驰模型.与正常交通条件下建立的跟驰模型相比,将驾驶员对突发事件的心理行为反应纳入建模过程,能更准确地反映应急疏散的交通流特征和疏散交通实际情况.     

Bierley非线性跟驰模型特性仿真分析

非线性跟驰模型是描述车辆跟驰行为的经典模型之一,通过对GM模型发展过程的分析与阐述,引入Bierley非线性跟驰模型,应用Matlab构建仿真环境,以车头间距为研究对象,拟定试验情景,分别对不同参数的变化进行仿真分析.结果表明：Bierley非线性跟驰模型可以较好地反映交通流的波动性、滞后性和制约性,模型参数α0与驾驶员对外界刺激的反应负相关,h与车头间距的波动幅度正相关,k与车头间距达到稳定态的时间负相关;跟驰队列头车速度v0和初始车头间距l0均不影响跟驰队列的稳定状态,仅影响到达稳定状态的过程和时间.     

车辆跟驰模拟模型的建立

在微观交通流模拟中,由于驾驶行为的不确定性,难以建立精确模型,本文以期望间距为基准参量,考虑驾驶员的心理和生理因素,建立了车辆跟驰模型,为研究驾驶行为提供了一种新的思路。     

基于长短期记忆神经网络方法的车辆跟驰模型

为模拟驾驶员的跟驰驾驶行为,并考虑驾驶员不确定性和记忆效应,基于实车跟驰实验数据,提出并训练了一种基于长短期记忆(LSTM)神经网络方法的车辆跟驰模型。基于该模型研究驾驶员的记忆效应影响时长并进行交通仿真。结果表明:与同体积隐藏层神经元的前馈神经网络比较,LSTM神经网络的跟驰模型预测结果更加贴近观测值且更加平滑,接近驾驶员的实际驾驶行为;驾驶员行为受当前环境及其前1.0～3.5 s内的记忆影响;该模型能够消散交通流中的扰动,模型具有较好的抗干扰能力和稳定性。     

跟驰车队流中驾驶员感知能力模型的初步探讨

在对跟驰车队流基本参数车队队速VP,两车净间距XP的研究基础上,提出后车驾驶员感知能力模型,根据此模型提出跟驰车辆驾驶员视觉滞后时间的计算公式,本文指出后车反应时间t应为视觉滞后时间τ,驾驶员制动时间t制和车辆机械反应时间t车之和,根据本模型计算分析,τ、t制、t车为同一数量级.     

基于PCA与BP神经网络的制动行为模型

为建立驾驶员在跟驰过程中的制动行为模型,利用驾驶模拟仪采集了大量在跟车行驶状态下避免追尾碰撞时驾驶员所采取的制动操纵行为的数据。采用主成分分析法确定了与驾驶员制动行为有关的贡献率达97.04%的4个主要参数,将这4个参数作为BP神经网络的输入值,建立了符合驾驶员危险感知特性的制动行为模型。依此建立的制动行为模型仿真效果较好,符合驾驶人的行车习惯,丰富了驾驶行为模型,并可进一步应用于智能交通领域中的汽车辅助驾驶系统。     

雾霾天气低能见度对不同跟驰状态驾驶行为的影响

利用8自由度高逼真度驾驶模拟器,从工程学和人类心理学角度分析了雾霾天气低能见度对不同跟驰状态(加速、减速和平稳跟驰)驾驶行为的影响。结果表明:雾霾天气低能见度对不同跟驰状态驾驶行为的影响存在明显差异性。加速跟驰过程中,雾霾天气低能见度下驾驶员对速度差变化、距离差变化的反应敏感性和最大意愿加速度分别比晴天显著降低了29.3%、33.1%和17.4%,且驾驶行为异质性明显升高;减速跟驰过程中,雾霾天气低能见度下驾驶员对速度差变化的反应敏感性、最大意愿减速度和感知前车最大减速度分别比晴天显著提高了31.7%、17.8%和16.3%,对距离差变化的反应敏感性显著降低了32.1%,而驾驶行为异质性有所降低;平稳跟驰过程中,雾霾天气低能见度下驾驶员对速度差变化反应敏感性比晴天显著提高了41.6%,最大意愿加速度和减速度均值小于晴天,期望速度和对距离差变化的反应敏感性与晴天无显著差异。加减速反应阈值方面,驾驶员在雾霾天气低能见度下倾向于采取更加积极的加速反应来紧随前车,同时又更加谨慎地采取减速反应避免碰撞。本文研究结果为雾霾天气低能见度等紧急事件下应急疏散微观交通仿真的建立提供了理论支撑。     

基于车头间距与前车速度的改进优化速度模型

为了更加准确地描述城市交叉路口中车辆间的跟驰行为,分析处于跟驰状态下车辆间的跟驰行为特性,结合交叉路口采集的实际数据,对优化速度模型进行了验证。针对优化速度模型与实际数据误差较大的问题,通过简化时变期望间距的表达式,添加与两车车头间距与前车速度相关的加速度补偿项,得到改进后的优化速度模型,结合实测数据对该改进模型进行验证,将结果与原模型进行对比分析。从实验结果可以看出,改进后的优化速度模型与交叉路口中车辆间的实际跟驰行为更为接近。     

稳态控制驾驶行为下车辆跟驰模型的稳定性分析

通过考虑驾驶员针对车头间距的自我稳态控制效应,并基于全速度差模型,本文提出了一种改进的车辆跟驰模型。然后利用线性摄动理论,得到了本文改进模型在小扰动下保持稳态的中性稳定性条件;该稳定性条件的解析式表明驾驶员的稳态控制行为可以有效提高交通流系统的稳定性,并且比全速度差模型具有更高的稳定性。最后通过数值模拟研究了不同强度的稳态控制行为对交通流系统车头间距、速度以及迟滞回环的影响;数值结果显示:随着稳态控制系数的增大,交通流系统将变得更加稳定。数值结果和稳定性条件的解析结果完全吻合。     

基于模糊神经网络的移动机器人自适应行为设计

将模糊控制和神经网络相结合,形成模糊神经网络(fuzzy neural network,FNN)控制器,利用联想记忆进行离线训练,用来记忆预先利用强化Q学习(Q-Learning,QL)在线训练获得的移动机器人自适应行为的模糊控制规则。FNN经过离线训练后,把规则隐含地分布在整个网络之中,在控制应用时,不必进行复杂的规则搜索和推理,无需查表,只需通过高速并行的分布计算就可产生最佳输出的自适应行为。仿真结果表明,由于输入模糊子集接近于网络所用的训练模糊子集,所以输出几乎和该条训练规则的结果相同。     

基于模糊神经网络的模糊辨识方法及其应用研究

利用模糊神经网络（FNN）的学习能力从控制操作的现场数据中获取模糊规则,并自动调节隶属函数,把建模的过程转化为FNN网络结构多数的生成与学习问题。用于一个非线性过程的模糊模型参数辨识问题,取得了满意的结果。     

道路交叉口信号的模糊神经网络控制

应用模糊神经网络对交通系统进行控制是一种新的尝试，它可以充分发挥模糊逻辑和神经网络的优势，实现更为有效的控制。提出了一种基于模糊神经网络的道路交叉口交通信号控制方法，根据两相位的关键车流信息来决定绿灯延长时间，形成控制策略。仿真结果表明，与传统的定时控制方法相比，所提出的神经网络控制方法在车辆平均延误时间和排队长度方面都有较大改进，该方法有效、可行。     

一种新的模糊神经元网络建模方法

基于零阶Ｔ－Ｓ模糊模型,本文指出了一种实用的输入输出的数据进行复杂系统的模糊神经元网络建模的方法,该方法的主要目的是解决模糊神经元网络中结构辨识的困难。 种所谡语言模型被用来寻找系统输入变量的最佳组合。     

基于T-S模糊神经网络的电晕放电模式识别方法

提出了基于T-S模糊神经网络的电晕放电模式识别方法,设计制作了三类电晕放电实验模型,并从采集的电晕放电信号中提取最大值、最小值、均值及其分形维数作为网络的输入特征向量,根据特征向量维数、隶属度函数类型及隶属度函数个数对T-S模糊神经网络的拓扑结构进行分析,将输入神经元个数为4、隶属度函数层为3个高斯型函数的网络确定为电...     

旋转机械故障诊断的模糊神经网络方法

本文给出了一种模糊神经网络方法 ,并将其应用于旋转机械故障诊断。文中针对旋转机械几种典型故障的诊断 ,将模糊神经网络方法与传统 BP网络方法和模糊分类方法进行了比较。结果证明 ,模糊神经网络方法具有更好的诊断效果 ,特别是在处理多故障情况时更为有效     

基于模糊神经元网络的阀控马达系统仿真

提出了一种基于模糊神经元网络的阀控马达控制方案.在系统中，将模糊控制技术与神经元网络技术相结合，构建了模糊神经元网络控制器.该控制器结合模糊控制与神经元网络各自的优点，既具有模糊控制器简单和有效的非线性控制作用，又具有神经元网络自学习和自适应能力,改善了控制系统的性能.     

基于综合算法的补偿模糊神经网络建模方法

针对常规模糊神经网络和补偿模糊神经网络的不足,提出了一种综合聚类算法和梯度下降法的补偿模糊神经网络。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用关系度聚类方法,自动地划分输入/输出空间,确定模糊规则的数目及每条规则中前提部分和结论部分的初始参数,即构造一个初始模糊模型;在参数辨识中,采用具有五层结构的补偿模糊神经网络,并根据梯度下降法调整所建的初始模糊模型参数,使其具有更高的精度。通过对一非线性系统的建模,仿真结果表明,该网络在建模精度和收敛速度上均优于常规模糊神经网络和补偿模糊神经网络。     

模糊神经网络用于非线性系统模型辨识

提出了一种非线性系统的模型辨识方法。在只有被辨识系统的输入输出数据的情况下,利用一种无监督的聚类算法来进行结构辨识,从而自动获得模糊规则库,并可以得到模糊系统的初始参数。在聚类的基础上,构造一个与之相匹配的模糊神经网络,用它的学习算法来训练网络得到一个精确的模糊模型,从而实现参数辨识。同时,证明了所构造的模糊神经网络具有通用逼近能力,这个能力在模糊建模和模糊控制方面非常有用。通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

RS与FNN集成在焊接缺陷识别中应用

针对焊接图像缺陷识别中提取的特征受噪声干扰比较严重,以及现有的识别算法准确率低的问题,提出了一种粗糙集(RS)和模糊神经网络(FNN)集成的缺陷识别算法.首先使用模糊C-均值聚类算法对样本属性离散化,然后使用RS对离散化后的样本数据进行属性约简得到决策规则,并使用π函数根据聚类的中心和半径对属性进行模糊化,克服RS对噪声敏感问题;根据得到的精简模糊决策规则和模糊逻辑推理确定FNN的结构,使用依赖度和规则的条件覆盖度确定网络的初始参数,考虑到样本中数据的可信度问题,用加权代价函数调整模型参数.仿真实验表明,本算法解决了分类过程中样本数据受到噪声干扰引起的不确定性、FNN结构难以确定的问题,能有效地提高焊缝图像缺陷的识别能力.