基于多分类监督学习的驾驶风格特征指标筛选

交通事故与驾驶风格具有强烈的相关性,而驾驶风格的直观体现是驾驶行为。为深入分析驾驶行为与驾驶风格的关联性,探索不同驾驶风格群体之间的差异,筛选驾驶风格分类与识别影响因素,建立驾驶风格识别模型并验证有效性。依托车联网实验数据,利用K-means++算法对驾驶员样本数据集进行驾驶风格聚类,设计支持向量机-递归特征消除(SVC-RFE)与随机森林-递归特征消除(RF-RFE)算法进行驾驶特征重要度排序,利用筛选出的特征指标搭建神经网络驾驶风格识别模型。结果表明:(1)特征个数n=6时,2种特征排序算法的排序正确率均高于85%,其中RF-RFE的正确率可达90%;(2)特征排序中重要度最高的指标为最大速度,其在3种驾驶风格群体中的差异可达10 m/s;(3)仅以最大速度作为输入,驾驶风格识别模型精度为86.1%,表明最大速度可有效区分驾驶风格。

属性约简结合GWO-SVC的乳腺恶性肿瘤数据诊断研究

乳腺癌是最常见的恶性肿瘤之一,也是仅次于肺癌死亡的第二大凶手。乳腺恶性肿瘤的准确迅速诊断对于癌症的治疗有着重要的意义。模式识别机器学习算法用于乳腺肿瘤的辨识可有效弥补传统诊断方法辨识精度的不足。提出一种支持向量机递归特征消去(Support Vector Machine Recursive Feature Elimination,SVM-RFE)与灰狼优化支持向量分类(Grey Wolf Optimal Support Vector Classification,GWO-SVC)的组合算法。用SVM-RFE对乳腺肿瘤数据的30条属性进行约简,将属性约简后得到的18条属性数据用于GWO-SVC学习建模,发现训练集分类准确率高达99.33%,测试集分类准确率高达99.11%,耗时只需2.12s。通过对比不同的智能算法分类结果表明,该方法具有较高的辨识精度与泛化能力。