| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第17-27页 |
| 1.1 研究背景及意义 | 第17-18页 |
| 1.2 驾驶员模型的研究现状 | 第18-24页 |
| 1.2.1 传递函数驾驶员模型 | 第19-21页 |
| 1.2.2 神经网络驾驶员模型 | 第21-22页 |
| 1.2.3 模糊控制驾驶员模型 | 第22-23页 |
| 1.2.4 算法融合驾驶员模型 | 第23-24页 |
| 1.3 研究内容及关键技术 | 第24-27页 |
| 1.3.1 研究内容 | 第24-26页 |
| 1.3.2 关键技术 | 第26-27页 |
| 第2章 基于驾驶行为模仿的个性化驾驶员建模 | 第27-61页 |
| 2.1 引言 | 第27页 |
| 2.2 汽车测试数据及预处理 | 第27-32页 |
| 2.2.1 汽车测试数据 | 第27-30页 |
| 2.2.2 原始数据预处理 | 第30-32页 |
| 2.3 直接逆模型法和CMAC | 第32-35页 |
| 2.3.1 直接逆模型法 | 第32页 |
| 2.3.2 CMAC神经网络 | 第32-35页 |
| 2.4 个性化驾驶员建模 | 第35-42页 |
| 2.4.1 基于直接逆模型法的驾驶员模型 | 第35-36页 |
| 2.4.2 驾驶员模型训练 | 第36-38页 |
| 2.4.3 神经网络参数确定 | 第38-42页 |
| 2.5 基于驾驶员模型的车辆测试 | 第42-46页 |
| 2.5.1 汽车标准工况 | 第42-43页 |
| 2.5.2 基于BP神经网络汽车模型的建立 | 第43-45页 |
| 2.5.3 基于驾驶员模型的车辆测试 | 第45-46页 |
| 2.6 测试结果 | 第46-56页 |
| 2.6.1 驾驶风格对测试结果的影响 | 第47-52页 |
| 2.6.2 相同风格驾驶员模型的多样性 | 第52页 |
| 2.6.3 辅助控制器的作用 | 第52-54页 |
| 2.6.4 总体评价 | 第54-56页 |
| 2.7 企业应用 | 第56-59页 |
| 2.8 本章小结 | 第59-61页 |
| 第3章 基于相空间重构的驾驶风格定量评估 | 第61-81页 |
| 3.1 引言 | 第61-62页 |
| 3.2 驾驶行为标准化系统 | 第62-63页 |
| 3.3 相空间重构与关联维数 | 第63-68页 |
| 3.3.1 相空间重构理论 | 第63-66页 |
| 3.3.2 关联维数的分析方法 | 第66-68页 |
| 3.4 基于相空间重构的驾驶行为分析 | 第68-74页 |
| 3.4.1 对原始驾驶行为的相空间重构 | 第68-71页 |
| 3.4.2 对标准化驾驶行为的相空间重构 | 第71-74页 |
| 3.5 基于关联维数的驾驶风格指数 | 第74-79页 |
| 3.5.1 基于关联维数的驾驶风格指数 | 第74-76页 |
| 3.5.2 基于k-means聚类算法对StyIn的评估 | 第76-79页 |
| 3.6 驾驶风格指数在驾驶风格分类中的应用 | 第79-80页 |
| 3.7 本章小结 | 第80-81页 |
| 第4章 基于稀疏自编码器深度神经网络的异常驾驶行为检测 | 第81-97页 |
| 4.1 引言 | 第81-83页 |
| 4.2 异常驾驶行为分析及其仿真 | 第83-87页 |
| 4.2.1 酒驾/疲劳与异常驾驶行为 | 第83-84页 |
| 4.2.2 鲁莽与异常驾驶行为 | 第84-86页 |
| 4.2.3 开车打电话与异常驾驶行为 | 第86-87页 |
| 4.3 基于深度神经网络算法的异常驾驶行为检测 | 第87-92页 |
| 4.3.1 稀疏自动编码器 | 第87-89页 |
| 4.3.2 去噪编码 | 第89-90页 |
| 4.3.3 Dropout | 第90页 |
| 4.3.4 基于深度神经网络算法的异常驾驶行为检测 | 第90-92页 |
| 4.4 试验与性能分析 | 第92-96页 |
| 4.4.1 异常驾驶行为的识别效果 | 第93-94页 |
| 4.4.2 去噪编码和Dropout的影响 | 第94页 |
| 4.4.3 分类器的影响 | 第94-96页 |
| 4.5 本章小结 | 第96-97页 |
| 第5章 总结与展望 | 第97-99页 |
| 5.1 工作总结 | 第97-98页 |
| 5.2 研究展望 | 第98-99页 |
| 参考文献 | 第99-111页 |
| 攻读博士学位期间主要研究成果 | 第111页 |
