基于驾驶行为的汽车主动安全预警系统研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外相关领域研究的现状 | 第11-12页 |
| 1.2.1 驾驶员驾驶行为的研究现状 | 第11-12页 |
| 1.2.2 云模型的研究现状 | 第12页 |
| 1.3 研究现状分析 | 第12-13页 |
| 1.4 本文研究内容 | 第13-15页 |
| 第二章 驾驶行为和汽车运动状态的监测系统 | 第15-21页 |
| 2.1 MEMS技术介绍 | 第15-16页 |
| 2.2 驾驶行为和汽车运动状态的监测系统 | 第16-20页 |
| 2.2.1 整体设计方案 | 第16-17页 |
| 2.2.2 智能车载终端硬件结构设计 | 第17-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 汽车运动状态数据采集及分析处理 | 第21-30页 |
| 3.1 汽车运动状态数据采集 | 第21-22页 |
| 3.1.1 试验概述 | 第21页 |
| 3.1.2 试验方法 | 第21-22页 |
| 3.2 MEMS传感器信号校正和预处理 | 第22-25页 |
| 3.2.1 MEMS传感器信号校正 | 第22页 |
| 3.2.2 Kalman滤波介绍及实现 | 第22-25页 |
| 3.3 MEMS输出信号与汽车运动状态关系 | 第25-28页 |
| 3.3.1 加速状态 | 第25-26页 |
| 3.3.2 减速状态 | 第26-27页 |
| 3.3.3 转弯状态 | 第27-28页 |
| 3.4 本章小结 | 第28-30页 |
| 第四章 驾驶行为的云模型评价与识别 | 第30-43页 |
| 4.1 云模型 | 第30-33页 |
| 4.1.1 云模型的基本概念 | 第30页 |
| 4.1.2 云的数字特征 | 第30-31页 |
| 4.1.3 云发生器 | 第31-33页 |
| 4.2 基于云模型的汽车运动状态评价 | 第33-38页 |
| 4.2.1 一维逆向云模型对汽车运动数据的分析 | 第33-35页 |
| 4.2.2 二维逆向云模型对汽车运动状态的评价 | 第35-38页 |
| 4.3 基于模糊神经网络的汽车运动状态识别 | 第38-42页 |
| 4.3.1 T-S模糊神经网络的建立 | 第38-40页 |
| 4.3.2 T-S模糊神经网络的测试与分析 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 汽车运动状态的预测 | 第43-57页 |
| 5.1 常用坐标系及转换与姿态角确定 | 第43-46页 |
| 5.1.1 常用坐标系 | 第43-44页 |
| 5.1.2 坐标系间的变换 | 第44-45页 |
| 5.1.3 姿态角的确定 | 第45-46页 |
| 5.2 姿态解算与更新 | 第46-49页 |
| 5.2.1 四元数法 | 第47-48页 |
| 5.2.2 姿态矩阵更新解算 | 第48-49页 |
| 5.3 Elman神经网络 | 第49-51页 |
| 5.3.1 Elman神经网络简介 | 第49-50页 |
| 5.3.2 Elman神经网络的学习算法 | 第50-51页 |
| 5.4 基于Elman神经网络的汽车姿态预测 | 第51-56页 |
| 5.4.1 Elman神经网络结构设计 | 第51-52页 |
| 5.4.2 试验结果及分析 | 第52-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 本文的结论 | 第57页 |
| 6.2 展望与发展 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 作者简介 | 第63页 |
