推廣和普及無人駕駛現(xiàn)代有軌電車作為城市公共交通的重要方式,已成為政府和國內外學者解決城市交通問題的共識,而安全性是無人駕駛技術的核心內容,也是無人駕駛有軌電車應用推廣的先決條件。目前,有軌電車的體積、重量、編組、制動減速度等參數(shù)與汽車存在較大差異,無法直接使用汽車數(shù)據(jù)進行研究。深度學習方法如何具體應用于有軌電車安全性評測,仍待研究驗證。現(xiàn)有的基于軌跡預測的安全評測方法,存在對天氣、路況等環(huán)境因素適應性較差,難以反映跟車、超車等車輛間關聯(lián)性的不足。針對目前國內外尚無有軌電車開源數(shù)據(jù)集的現(xiàn)狀,本文根據(jù)有軌電車的車身特征和行駛特點,構建了有軌電車交通場景的仿真數(shù)據(jù)集。并將深度學習和神經(jīng)網(wǎng)絡方法應用于有軌電車的軌跡預測與安全性評測。在此基礎上,為解決目前基于軌跡預測的安全評測方法存在的不足,將深度神經(jīng)網(wǎng)絡技術與運動學公式相結合,重點探究了一種基于交互式分析的有軌電車安全評測方法。主要研究工作如下:1.基于有軌電車的車身特征和行駛特點,以真實道路信息為拓撲,建立道路仿真環(huán)境。通過增加車輛和行人作為目標物體,豐富交通場景;并通過設置行駛速度區(qū)間和隨機加速度區(qū)間等方式加大仿真數(shù)據(jù)的隨機性,構建了有軌電車交通場景仿真數(shù)據(jù)集。2.根據(jù)運動軌跡的時序特性,將深度學習和神經(jīng)網(wǎng)絡應用于有軌電車安全性評測,驗證了基于長短期記憶網(wǎng)絡(Long Short-Term Memory,LSTM)的軌跡預測方法。研究并分析了LSTM模型的學習參數(shù)和模型結構對預測精確度和訓練過程收斂速度的影響。3.綜合考慮實際交通場景中環(huán)境因素和車輛之間關聯(lián)性對有軌電車安全性的影響,采用了基于點域的碰撞檢測方法,將LSTM深度神經(jīng)網(wǎng)絡與車輛安全距離公式相結合,探究了一種基于交互式分析的有軌電車安全評測方法,并實驗驗證了方法可行性。實驗表明,基于LSTM的交互式安全評測模型有較好的預測精確度和模型收斂速度,驗證了方法的可行性,并得出了不同參數(shù)設置對模型性能的影響關系,找到了最優(yōu)模型。
【學位單位】：西安理工大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP183;U482.1
【部分圖文】：

新具有高方差，進而帶來損失函數(shù)的劇烈波動�？赡軣o合了 BGD 和 SGD 的特點，即在每次迭代過程學習小批ize 根據(jù)神經(jīng)網(wǎng)絡的結構和訓練數(shù)據(jù)相應確定。程中，傳統(tǒng)的 MBGD 存在很大的局限性。在 MBGD 算法，在整個訓練過程中保持不變，對誤差平面(ErrorSurf現(xiàn)象。些此外多層神經(jīng)網(wǎng)絡結構的誤差平面非常復雜，在鞍點。為了解決這類問題，一些改進的優(yōu)化算法被提用。Momentum-SGD)是模擬物理學中動量的概念，通過累積。動量法更新的不是梯度值， 是更新“更新梯度值”的速量法的原理是每次更新的梯度下降量為 SBG 梯度下降量次更新的梯度下降方向與上次方向相同時，上次的更新作用，當本次更新的梯度下降方向與上次方向相反時，上原理圖 2-4：

失函數(shù)計算輸出層的實際輸出值與期望值之間偏離程度，再根否將要進行反向傳播過程更新權值。果進行反傳傳播，誤差信息從輸出層開始逐層向上反向傳播，對各層神經(jīng)元的導數(shù)（或偏導），再用梯度下降優(yōu)化算法對各行迭代更新。斷網(wǎng)絡的總體誤差是否低于閾值，如果誤差符合計算精度或網(wǎng)止訓練，否則從第二步開始繼續(xù)循環(huán)此過程。環(huán)神經(jīng)網(wǎng)絡網(wǎng)絡(RNN)是由一或多個反饋循環(huán)構成的深層次神經(jīng)網(wǎng)絡模型是隱藏層神經(jīng)元間相互連接。在傳統(tǒng)神經(jīng)網(wǎng)絡模型中，從輸入狀態(tài)，但同層的神經(jīng)元之間無連接。因此傳統(tǒng)神經(jīng)網(wǎng)絡往往難的相關性。而 RNN 網(wǎng)絡結構的隱藏層神經(jīng)元之間相互連接，在下一時刻直接作用回自身，即在神經(jīng)元在 t 時刻的輸入除了，還包括自身在(t-1)時刻的輸出信號，見圖 2-7：

西安理工大學工程碩士專業(yè)學位論文8所示為RNN網(wǎng)絡在時間軸上展開的形式，RNN的反向優(yōu)化過程被稱序列的反向傳播。其中， ( )為訓練數(shù)據(jù)集在 t 時刻的輸入信號，對應為(t-1)和(t+1)時刻輸入。 ( )為神經(jīng)網(wǎng)絡在 t 時刻的損失函數(shù)， ( )為記狀態(tài)，在 RNN 網(wǎng)絡結構中， ( )由 ( )和 ( )共同作用決定， ( )為模 ( )只由 ( )決定。 ( )表示 t 時刻輸入信號對應的真實輸出值， 、 示網(wǎng)絡模型的線性關系參數(shù)，在網(wǎng)絡結構中是共享狀態(tài)，通過三者提反饋。
【相似文獻】

相關期刊論文 前10條

1 陳亮;王震;王剛;;深度學習框架下LSTM網(wǎng)絡在短期電力負荷預測中的應用[J];電力信息與通信技術;2017年05期

2 王國棟;韓斌;孫文赟;;基于LSTM的艦船運動姿態(tài)短期預測[J];艦船科學技術;2017年13期

3 周生強;;LSTM對上證指數(shù)的實證分析[J];現(xiàn)代經(jīng)濟信息;2017年09期

4 關鵬飛;李寶安;呂學強;周建設;;注意力增強的雙向LSTM情感分析[J];中文信息學報;2019年02期

5 杜舒靜;徐凡;王明文;;實體驅動的雙向LSTM篇章連貫性建模[J];中文信息學報;2017年06期

6 保羅;郭旭琦;喬鐵柱;閻高偉;;改進LSTM神經(jīng)網(wǎng)絡在磨機負荷參數(shù)軟測量中的應用[J];中國礦山工程;2017年03期

7 季學武;費聰;何祥坤;劉玉龍;劉亞輝;;基于LSTM網(wǎng)絡的駕駛意圖識別及車輛軌跡預測[J];中國公路學報;2019年06期

8 陳卓;孫龍祥;;基于深度學習LSTM網(wǎng)絡的短期電力負荷預測方法[J];電子技術;2018年01期

9 何立健;林穗;翁海瑞;;基于LSTM的圖像生成詩歌模型[J];信息技術與網(wǎng)絡安全;2019年04期

10 李珍珍;吳群;;基于LSTM神經(jīng)網(wǎng)絡的股票預測算法研究[J];福建電腦;2019年07期

相關碩士學位論文 前10條

1 馬藝翔;深度學習在多因子選股交易中的應用研究[D];北方工業(yè)大學;2019年

2 肖爽;基于LSTM的無人駕駛有軌電車安全評測方法研究[D];西安理工大學;2019年

3 李少鵬;結合CNN和LSTM的滾動軸承剩余使用壽命預測方法研究[D];哈爾濱理工大學;2019年

4 甄遠濤;基于深度學習LSTM神經(jīng)網(wǎng)絡的障礙可轉債設計與定價[D];蘭州財經(jīng)大學;2019年

5 杜心;基于LSTM神經(jīng)網(wǎng)絡的可用停車位預測模型研究[D];武漢理工大學;2018年

6 李永帥;基于雙向LSTM的動態(tài)情感詞典構建方法研究及文本情感分析[D];鄭州大學;2019年

7 閆澤杭;基于互助雙向LSTM與遞進解碼機制的圖像標題生成[D];大連理工大學;2018年

8 鄧楠;基于LSTM的汽車評論文本分類研究與應用[D];合肥工業(yè)大學;2018年

9 陳帆;基于LSTM情感分析模型的微博謠言識別方法研究[D];華中師范大學;2018年

10 劉婉婉;基于LSTM神經(jīng)網(wǎng)絡的蒙漢機器翻譯的研究[D];內蒙古工業(yè)大學;2018年

本文編號：2848278