驾驶疲劳险态分级方法研究
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 驾驶疲劳特征检测技术 | 第9-10页 |
| 1.2.2 驾驶疲劳机理研究 | 第10-13页 |
| 1.2.3 驾驶疲劳识别存在的问题及发展方向 | 第13-14页 |
| 1.3 主要研究内容及论文结构安排 | 第14-16页 |
| 2 驾驶疲劳机理分析 | 第16-30页 |
| 2.1 驾驶疲劳评价指标 | 第16-21页 |
| 2.1.1 主观评价方法 | 第16-17页 |
| 2.1.2 客观评价方法 | 第17-21页 |
| 2.2 驾驶疲劳评估模型 | 第21-23页 |
| 2.2.1 贝叶斯网络 | 第21-22页 |
| 2.2.2 隐马尔科夫模型 | 第22-23页 |
| 2.2.3 支持向量机 | 第23页 |
| 2.2.4 神经网络 | 第23页 |
| 2.3 HMM理论基础 | 第23-28页 |
| 2.3.1 HMM基本思想 | 第23页 |
| 2.3.2 HMM定义 | 第23-24页 |
| 2.3.3 HMM解决的三类问题 | 第24-25页 |
| 2.3.4 HMM类型 | 第25-27页 |
| 2.3.5 HMM建立过程 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 3 聚类分析理论 | 第30-43页 |
| 3.1 聚类分析理论基础 | 第30-33页 |
| 3.1.1 聚类分析的基本概念 | 第30-31页 |
| 3.1.2 聚类的数据结构 | 第31页 |
| 3.1.3 数据聚类的三个要点 | 第31页 |
| 3.1.4 聚类分析的步骤与应用 | 第31-33页 |
| 3.2 常用的聚类方法 | 第33-38页 |
| 3.2.1 k-means算法 | 第33-34页 |
| 3.2.2 层次聚类算法 | 第34-35页 |
| 3.2.3 SOM聚类算法 | 第35-36页 |
| 3.2.4 FCM聚类算法 | 第36-38页 |
| 3.3 聚类分析的效果评测 | 第38-42页 |
| 3.3.1 聚类有效性的定义及评估标准 | 第38-39页 |
| 3.3.2 常用评价指标 | 第39-41页 |
| 3.3.3 FCM与k-means聚类算法分析 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 4 基于HMM的驾驶员疲劳评估 | 第43-54页 |
| 4.1 最佳聚类数确定 | 第43-47页 |
| 4.1.1 观测指标最佳聚类数的确定 | 第43-45页 |
| 4.1.2 隐含指标最佳聚类数确定 | 第45-47页 |
| 4.2 驾驶疲劳评估模型构建 | 第47-52页 |
| 4.2.1 HMM结构类型的确定 | 第47-48页 |
| 4.2.2 HMM参数训练 | 第48-52页 |
| 4.3 疲劳评估模型分析 | 第52-53页 |
| 4.3.1 Viterbi算法 | 第52页 |
| 4.3.2 模型评估 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 5 基于驾驶员疲劳评估模型的实验 | 第54-63页 |
| 5.1 实验目标 | 第54页 |
| 5.2 实验方案 | 第54-58页 |
| 5.2.1 实验系统组成 | 第54-56页 |
| 5.2.2 实验环境 | 第56-57页 |
| 5.2.3 实验内容与流程 | 第57-58页 |
| 5.3 数据处理与分析 | 第58-62页 |
| 5.3.1 观测指标分析 | 第58-60页 |
| 5.3.2 隐含指标分析 | 第60-61页 |
| 5.3.3 HMM模型稳定性分析 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表学术论文情况 | 第68-69页 |
| 致谢 | 第69-71页 |
