基于LSTM的驾驶行为风险评估研究

为解决驾驶行为引起的交通冲突预测误差大的问题,采用LabVIEW构建了驾驶员驾驶行为数据集,并利用LSTM(Long Short-Term Memory)算法对驾驶行为进行风险评估,得出综合风险因数;在实车测试中,将风险因数与跟驰模型结合,建立了驾驶员碰撞风险评估模型,并验证其精度。研究结果表明:1)综合风险因数是道路风险预测的主要参数,其分值越高则事故发生率越高;2)基于LSTM的碰撞风险评估准确率为96.26%,高风险驾驶行为的识别速度可缩短到1.72 s;3)基于LSTM驾驶行为的碰撞风险评估模型精度高、评估稳定、反应迅速,可为预防交通事故、促进智能交通发展提供及时可靠的安全预警信息。

车载自然语音采集识别系统

本文研究一种基于阵列麦克风语音采集技术和深度神经网络语音识别技术的车载自然语音采集识别系统。本系统集成于汽车方向盘,麦克风阵列语音采集模块完成噪声环境下车载语音的采集;智能语音识别模块通过建立LSTM深度神经网络模型进行语音识别,并将识别结果通过CAN总线通信发送给车机系统,车机系统根据当前工况协调控制车载电子设备。

青少年篮球训练运动中关节损伤预警模型

为准确预警青少年在篮球训练中的关节损伤,构建了青少年篮球训练运动中关节损伤预警模型。使用基于独立成分分析和经验模态分解的关节受力信号去噪方法,保留有效信号,在CNN网络中提取关节受力特征后,输入LSTM网络识别关节受力信号的损伤级别后通过蜂鸣器预警。结果显示:所构建模型对青少年篮球训练运动中关节损伤级别识别结果符合实际,预警错误次数为0次,预警结果具有可信度。