推廣和普及無(wú)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(guó)內(nèi)外學(xué)者解決城市交通問(wèn)題的共識(shí),而安全性是無(wú)人駕駛技術(shù)的核心內(nèi)容,也是無(wú)人駕駛有軌電車應(yīng)用推廣的先決條件。目前,有軌電車的體積、重量、編組、制動(dòng)減速度等參數(shù)與汽車存在較大差異,無(wú)法直接使用汽車數(shù)據(jù)進(jìn)行研究。深度學(xué)習(xí)方法如何具體應(yīng)用于有軌電車安全性評(píng)測(cè),仍待研究驗(yàn)證�，F(xiàn)有的基于軌跡預(yù)測(cè)的安全評(píng)測(cè)方法,存在對(duì)天氣、路況等環(huán)境因素適應(yīng)性較差,難以反映跟車、超車等車輛間關(guān)聯(lián)性的不足。針對(duì)目前國(guó)內(nèi)外尚無(wú)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(diǎn),構(gòu)建了有軌電車交通場(chǎng)景的仿真數(shù)據(jù)集。并將深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于有軌電車的軌跡預(yù)測(cè)與安全性評(píng)測(cè)。在此基礎(chǔ)上,為解決目前基于軌跡預(yù)測(cè)的安全評(píng)測(cè)方法存在的不足,將深度神經(jīng)網(wǎng)絡(luò)技術(shù)與運(yùn)動(dòng)學(xué)公式相結(jié)合,重點(diǎn)探究了一種基于交互式分析的有軌電車安全評(píng)測(cè)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(diǎn),以真實(shí)道路信息為拓?fù)?建立道路仿真環(huán)境。通過(guò)增加車輛和行人作為目標(biāo)物體,豐富交通場(chǎng)景;并通過(guò)設(shè)置行駛速度區(qū)間和隨機(jī)加速度區(qū)間等方式加大仿真數(shù)據(jù)的隨機(jī)性,構(gòu)建了有軌電車交通場(chǎng)景仿真數(shù)據(jù)集。2.根據(jù)運(yùn)動(dòng)軌跡的時(shí)序特性,將深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)應(yīng)用于有軌電車安全性評(píng)測(cè),驗(yàn)證了基于長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)的軌跡預(yù)測(cè)方法。研究并分析了LSTM模型的學(xué)習(xí)參數(shù)和模型結(jié)構(gòu)對(duì)預(yù)測(cè)精確度和訓(xùn)練過(guò)程收斂速度的影響。3.綜合考慮實(shí)際交通場(chǎng)景中環(huán)境因素和車輛之間關(guān)聯(lián)性對(duì)有軌電車安全性的影響,采用了基于點(diǎn)域的碰撞檢測(cè)方法,將LSTM深度神經(jīng)網(wǎng)絡(luò)與車輛安全距離公式相結(jié)合,探究了一種基于交互式分析的有軌電車安全評(píng)測(cè)方法,并實(shí)驗(yàn)驗(yàn)證了方法可行性。實(shí)驗(yàn)表明,基于LSTM的交互式安全評(píng)測(cè)模型有較好的預(yù)測(cè)精確度和模型收斂速度,驗(yàn)證了方法的可行性,并得出了不同參數(shù)設(shè)置對(duì)模型性能的影響關(guān)系,找到了最優(yōu)模型。
【學(xué)位單位】：西安理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP183;U482.1
【部分圖文】：

新具有高方差，進(jìn)而帶來(lái)?yè)p失函數(shù)的劇烈波動(dòng)�？赡軣o(wú)合了 BGD 和 SGD 的特點(diǎn)，即在每次迭代過(guò)程學(xué)習(xí)小批ize 根據(jù)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和訓(xùn)練數(shù)據(jù)相應(yīng)確定。程中，傳統(tǒng)的 MBGD 存在很大的局限性。在 MBGD 算法，在整個(gè)訓(xùn)練過(guò)程中保持不變，對(duì)誤差平面(ErrorSurf現(xiàn)象。些此外多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的誤差平面非常復(fù)雜，在鞍點(diǎn)。為了解決這類問(wèn)題，一些改進(jìn)的優(yōu)化算法被提用。Momentum-SGD)是模擬物理學(xué)中動(dòng)量的概念，通過(guò)累積。動(dòng)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(shí)，上次的更新作用，當(dāng)本次更新的梯度下降方向與上次方向相反時(shí)，上原理圖 2-4：

失函數(shù)計(jì)算輸出層的實(shí)際輸出值與期望值之間偏離程度，再根否將要進(jìn)行反向傳播過(guò)程更新權(quán)值。果進(jìn)行反傳傳播，誤差信息從輸出層開始逐層向上反向傳播，對(duì)各層神經(jīng)元的導(dǎo)數(shù)（或偏導(dǎo)），再用梯度下降優(yōu)化算法對(duì)各行迭代更新。斷網(wǎng)絡(luò)的總體誤差是否低于閾值，如果誤差符合計(jì)算精度或網(wǎng)止訓(xùn)練，否則從第二步開始繼續(xù)循環(huán)此過(guò)程。環(huán)神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)(RNN)是由一或多個(gè)反饋循環(huán)構(gòu)成的深層次神經(jīng)網(wǎng)絡(luò)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(luò)模型中，從輸入狀態(tài)，但同層的神經(jīng)元之間無(wú)連接。因此傳統(tǒng)神經(jīng)網(wǎng)絡(luò)往往難的相關(guān)性。而 RNN 網(wǎng)絡(luò)結(jié)構(gòu)的隱藏層神經(jīng)元之間相互連接，在下一時(shí)刻直接作用回自身，即在神經(jīng)元在 t 時(shí)刻的輸入除了，還包括自身在(t-1)時(shí)刻的輸出信號(hào)，見圖 2-7：

西安理工大學(xué)工程碩士專業(yè)學(xué)位論文8所示為RNN網(wǎng)絡(luò)在時(shí)間軸上展開的形式，RNN的反向優(yōu)化過(guò)程被稱序列的反向傳播。其中， ( )為訓(xùn)練數(shù)據(jù)集在 t 時(shí)刻的輸入信號(hào)，對(duì)應(yīng)為(t-1)和(t+1)時(shí)刻輸入。 ( )為神經(jīng)網(wǎng)絡(luò)在 t 時(shí)刻的損失函數(shù)， ( )為記狀態(tài)，在 RNN 網(wǎng)絡(luò)結(jié)構(gòu)中， ( )由 ( )和 ( )共同作用決定， ( )為模 ( )只由 ( )決定。 ( )表示 t 時(shí)刻輸入信號(hào)對(duì)應(yīng)的真實(shí)輸出值， 、 示網(wǎng)絡(luò)模型的線性關(guān)系參數(shù)，在網(wǎng)絡(luò)結(jié)構(gòu)中是共享狀態(tài)，通過(guò)三者提反饋。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳亮;王震;王剛;;深度學(xué)習(xí)框架下LSTM網(wǎng)絡(luò)在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J];電力信息與通信技術(shù);2017年05期

2 王國(guó)棟;韓斌;孫文赟;;基于LSTM的艦船運(yùn)動(dòng)姿態(tài)短期預(yù)測(cè)[J];艦船科學(xué)技術(shù);2017年13期

3 周生強(qiáng);;LSTM對(duì)上證指數(shù)的實(shí)證分析[J];現(xiàn)代經(jīng)濟(jì)信息;2017年09期

4 關(guān)鵬飛;李寶安;呂學(xué)強(qiáng);周建設(shè);;注意力增強(qiáng)的雙向LSTM情感分析[J];中文信息學(xué)報(bào);2019年02期

5 杜舒靜;徐凡;王明文;;實(shí)體驅(qū)動(dòng)的雙向LSTM篇章連貫性建模[J];中文信息學(xué)報(bào);2017年06期

6 保羅;郭旭琦;喬鐵柱;閻高偉;;改進(jìn)LSTM神經(jīng)網(wǎng)絡(luò)在磨機(jī)負(fù)荷參數(shù)軟測(cè)量中的應(yīng)用[J];中國(guó)礦山工程;2017年03期

7 季學(xué)武;費(fèi)聰;何祥坤;劉玉龍;劉亞輝;;基于LSTM網(wǎng)絡(luò)的駕駛意圖識(shí)別及車輛軌跡預(yù)測(cè)[J];中國(guó)公路學(xué)報(bào);2019年06期

8 陳卓;孫龍祥;;基于深度學(xué)習(xí)LSTM網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)方法[J];電子技術(shù);2018年01期

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

10 李珍珍;吳群;;基于LSTM神經(jīng)網(wǎng)絡(luò)的股票預(yù)測(cè)算法研究[J];福建電腦;2019年07期

相關(guān)碩士學(xué)位論文 前10條

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

2 肖爽;基于LSTM的無(wú)人駕駛有軌電車安全評(píng)測(cè)方法研究[D];西安理工大學(xué);2019年

3 李少鵬;結(jié)合CNN和LSTM的滾動(dòng)軸承剩余使用壽命預(yù)測(cè)方法研究[D];哈爾濱理工大學(xué);2019年

4 甄遠(yuǎn)濤;基于深度學(xué)習(xí)LSTM神經(jīng)網(wǎng)絡(luò)的障礙可轉(zhuǎn)債設(shè)計(jì)與定價(jià)[D];蘭州財(cái)經(jīng)大學(xué);2019年

5 杜心;基于LSTM神經(jīng)網(wǎng)絡(luò)的可用停車位預(yù)測(cè)模型研究[D];武漢理工大學(xué);2018年

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

7 閆澤杭;基于互助雙向LSTM與遞進(jìn)解碼機(jī)制的圖像標(biāo)題生成[D];大連理工大學(xué);2018年

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

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

10 劉婉婉;基于LSTM神經(jīng)網(wǎng)絡(luò)的蒙漢機(jī)器翻譯的研究[D];內(nèi)蒙古工業(yè)大學(xué);2018年

本文編號(hào)：2848278