| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第16-27页 |
| 1.1 研究背景 | 第16-19页 |
| 1.2 国内外研究现状 | 第19-24页 |
| 1.2.1 驾驶行为建模的研究现状 | 第19-22页 |
| 1.2.2 驾驶行为识别的研究现状 | 第22-23页 |
| 1.2.3 基于个体特性的DSAS系统的研究现状 | 第23-24页 |
| 1.3 研究的意义 | 第24-25页 |
| 1.3.1 为驾驶行为操纵模式建模提供新思路和方法 | 第25页 |
| 1.3.2 为基于个性化的驾驶行为识别研究提供新的方法 | 第25页 |
| 1.4 论文的主要研究内容 | 第25-26页 |
| 1.5 论文的结构 | 第26页 |
| 1.6 本章小结 | 第26-27页 |
| 第二章 实验数据采集及驾驶行为相关理论介绍 | 第27-42页 |
| 2.1 实验数据采集 | 第27-30页 |
| 2.1.1 实验数据采集设备 | 第27-28页 |
| 2.1.2 实验过程及注意事项 | 第28页 |
| 2.1.3 样本数据示例 | 第28-29页 |
| 2.1.4 建模所需的数据类型 | 第29-30页 |
| 2.2 卡尔曼滤波 | 第30-33页 |
| 2.2.1 卡尔曼滤波的数学模型 | 第30-31页 |
| 2.2.2 离散卡尔曼滤波方程 | 第31-32页 |
| 2.2.3 卡尔曼滤波算法特点 | 第32-33页 |
| 2.3 驾驶行为操纵模式建模理论基础 | 第33-36页 |
| 2.3.1 驾驶行为与操纵动作之间的内在机理 | 第33-34页 |
| 2.3.2 个性化驾驶行为操纵模式建模原理 | 第34-36页 |
| 2.4 ART自适应谐振神经网络 | 第36-41页 |
| 2.4.1 ART1型神经网络 | 第36-38页 |
| 2.4.2 ART1神经网络的算法实现 | 第38-40页 |
| 2.4.3 ART神经网络特点 | 第40-41页 |
| 2.5 本章小结 | 第41-42页 |
| 第三章 个性化驾驶行为操纵模式建模方法研究 | 第42-68页 |
| 3.1 建模所需数据的类型 | 第43页 |
| 3.2 实验数据预处理 | 第43-47页 |
| 3.2.1 实验数据平滑处理 | 第43-46页 |
| 3.2.2 驾驶行为操纵数据片段截取 | 第46-47页 |
| 3.3 连续型操纵动作节点的控制与生成 | 第47-60页 |
| 3.3.1 连续型操纵动作节点的生成机理 | 第47-49页 |
| 3.3.2 连续型操纵动作中的个体特性分析 | 第49-59页 |
| 3.3.3 连续型操纵动作节点生成阈值的确定 | 第59-60页 |
| 3.4 开关型操纵动作节点的控制与生成 | 第60-61页 |
| 3.4.1 开关型操纵数据的变化特点 | 第60页 |
| 3.4.2 开关型操纵动作节点的生成 | 第60-61页 |
| 3.5 操纵模式建模过程及结果分析 | 第61-67页 |
| 3.5.1 超车行为操纵模式建模 | 第61-63页 |
| 3.5.2 加速行为操纵模式建模 | 第63-65页 |
| 3.5.3 右转弯行为操纵模式建模 | 第65-67页 |
| 3.6 本章小结 | 第67-68页 |
| 第四章 基于ART2A-E算法的驾驶行为识别方法研究 | 第68-79页 |
| 4.1 ART2A-E神经网络及其算法 | 第68-74页 |
| 4.1.1 ART2A的网络结构及工作原理 | 第68-70页 |
| 4.1.2 ART2A网络的数学模型与学习算法 | 第70-73页 |
| 4.1.3 基于ART2A-E的改进算法 | 第73-74页 |
| 4.2 基于ART2A-E改进算法的分类器组成 | 第74-75页 |
| 4.3 分类器性能仿真 | 第75-78页 |
| 4.3.1 操纵模式数据至输入特征向量的转换 | 第75-76页 |
| 4.3.2 分类器性能仿真结果及分析 | 第76-78页 |
| 4.4 本章小结 | 第78-79页 |
| 第五章 总结与展望 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第85-86页 |
