基于类人行为表征的场景可迁移决策控制方法

为提升智能车对不同驾驶场景的适应能力和在复杂场景下的决策控制性能,提出了一种基于类人行为表征的智能车场景可迁移决策控制方法.该方法在人类驾驶数据采集的基础上进行类人行为表征与决策基元提取,采用强化学习方法构建决策控制模型,完成在复杂驾驶场景下的决策基元选取与场景通行.进一步从决策基元迁移和决策基元组合优化迁移两个维度构建决策控制迁移模型,并在仿真环境下对算法和模型进行了试验验证.结果表明,所提出的智能车场景可迁移决策控制方法能够实现在同类场景下的通行效率提升,提升百分比达到21.9%;在异类场景之间迁移的任务完成率达到97.5%.

基于神经网络的人脸朝向识别研究

人脸识别近年来是模式识别领域的研究热点,由于人脸形状的不规则性以及光线和背景条件的多样性,增加了识别问题的复杂程度。现有较为成熟算法BP神经网络存在易过拟合,抗干扰能力差等缺陷,而SVM算法数据是否预处理会极大地影响识别精度。针对两种算法的缺陷,提出一种基于LVQ神经网络的人脸朝向识别模型。对任意给出的人脸图像进行5个朝向的预测和识别,并与BP和SVM算法的仿真结果进行对比分析。结果表明,LVQ神经网络的人脸朝向识别率明显高于传统BP和未归一化样本的SVM算法,可以很好解决人脸朝向识别问题,具有较强的环境适应能力和抗干扰能力。