论文部分内容阅读
特定交通环境下的驾驶员行为的变化是一个非线性的复杂系统，传统的驾驶决策模型和车辆行驶模型难以体现驾驶员的感知、判断、决策、动作等一系列心理、生理活动的不确定性和不一致性，而人工神经网络特别适合于因果间不易建立明确联系的问题。提出了基于神经网络集成的驾驶员行为学习算法DNNIA，该算法的有效性通过标准数据集和仿真实验得到了验证，学习到的诸如驾驶员踩踏踏板的习惯行为的仿真结果与采集的样本数据总体趋势较为一致，且实现了系统泛化性能的提高。