資源描述：
《基于CNNs和LSTM的駕駛員疲勞和分心狀態(tài)識別研究》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在學術論文-天天文庫。
1、學校代號10532學號S1502W0237分類號U461.91密級公開工程碩士學位論文基于CNNs和LSTM的駕駛員疲勞和分心狀態(tài)識別研究學位申請人姓名李力培養(yǎng)單位機械與運載工程學院導師姓名及職稱李凡助理教授高暉高級工程師學科專業(yè)車輛工程研究方向車輛與交通安全論文提交日期2018年4月20日學校代號：10532學號：S1502W0237密級：公開湖南大學工程碩士學位論文基于CNNs和LSTM的駕駛員疲勞和分心狀態(tài)識別研究學位申請人姓名：李力導師姓名及職稱：李凡助理教授高暉高級工程師培養(yǎng)單位：機械與運載工程學院專業(yè)名稱：車輛工程論文提交日期：2018年4月20日論文答
2、辯日期：2018年5月20日答辯委員會主席：馮凱教授AStudyonRecognizingDriverFatigueandDistractionStatebyMeansofCNNsandLSTMbyLiLiB.E.(JingchuUniversityofTechnology)2015AthesissubmittedinpartialsatisfactionoftheRequirementsforthedegreeofMasterofEngineeringinVehicleEngineeringintheGraduateSchoolofHunanUniversityS
3、upervisorAssistantProfessorLIFan,SenorEngineerGaoHuiMay，2018湖南大學學位論文原創(chuàng)性聲明本人鄭重聲明：所呈交的論文是本人在導師的指導下獨立進行研究所取得的研究成果。除了文中特別加以標注引用的內(nèi)容外，本論文不包含任何其他個人或集體已經(jīng)發(fā)表或撰寫的成果作品。對論文的研究做出重要貢獻的個人和集體，均已在文中以明確方式標明。本人完全意識到本聲明的法律后果由本人承擔。作者簽名：日期：年月日學位論文版權使用授權書本學位論文作者完全了解學校有關保留、使用學位論文的規(guī)定，同意學校保留并向國家有關部門或機構送交論文的復印件和電
4、子版，允許論文被查閱和借閱。本人授權湖南大學可以將本學位論文的全部或部分內(nèi)容編入有關數(shù)據(jù)庫進行檢索，可以采用影印、縮印或掃描等復制手段保存和匯編本學位論文。本學位論文屬于1、保密□，在年解密后適用本授權書。2、不保密□√。（請在以上相應方框內(nèi)打“√”）作者簽名：日期：年月日導師簽名：日期：年月日I基于CNNs和LSTM的駕駛員疲勞和分心狀態(tài)識別研究摘要隨著汽車行業(yè)的飛速發(fā)展以及人民生活水平不斷提高，國民汽車人均保有量也不斷增加，由此引發(fā)的交通事故數(shù)量也越來越多。在所有交通事故中由于駕駛員因素引起的占所有數(shù)量的90%以上，而駕駛員因素中最主要的包括駕駛員疲勞駕駛和分心
5、駕駛，因此對駕駛員危險狀態(tài)進行監(jiān)控并且預警從而減少交通事故的發(fā)生變得越來越重要。本文主要闡述了駕駛員駕駛疲勞和駕駛分心檢測方法、相關算法的原理和模型搭建、訓練以及優(yōu)化方法。本文選取的駕駛員的生理信號數(shù)據(jù)，設計駕駛員疲勞和分心狀態(tài)實驗，運用深度學習技術來建立駕駛員疲勞和分心駕駛識別模型，對于危險狀態(tài)識別具有重要意義。首先，對國內(nèi)外駕駛員疲勞駕駛和分心駕駛監(jiān)測研究現(xiàn)狀展開了詳細介紹，對傳統(tǒng)機器學習檢測方法等指出相應不足，并提出運用駕駛員生理信號數(shù)據(jù)以及深度學習技術來建立識別模型。其次，詳細闡述了卷積神經(jīng)網(wǎng)絡和長短期記憶網(wǎng)絡結(jié)構，誤差方向傳播算法，在此基礎上，結(jié)合目前駕駛
6、員疲勞和分心實驗研究方法，設計駕駛員疲勞和分心駕駛模擬實驗，采集實驗過程中各個狀態(tài)下被試者的生理信號數(shù)據(jù)，將實驗的有效數(shù)據(jù)制作對應標簽，完成駕駛員疲勞駕駛狀態(tài)、分心駕駛狀態(tài)和正常駕駛狀態(tài)數(shù)據(jù)集，并將數(shù)據(jù)集拆分成訓練集、驗證集和測試集。分別搭建駕駛員疲勞和分心駕駛狀態(tài)的CNNs和LSTM模型，結(jié)合訓練過程可視化對模型進行優(yōu)化。最后，對比建立的卷積神經(jīng)網(wǎng)絡模型和長短期記憶網(wǎng)絡模型以及其他學者運用生理信號數(shù)據(jù)建立的支持向量機以及高斯最大似然等傳統(tǒng)機器學習模型的準確率，結(jié)果證明基于卷積神經(jīng)網(wǎng)絡和長短期記憶網(wǎng)絡方法建立的深度學習模型比特征提取加傳統(tǒng)機器學習模型效果更好，并且長
7、短期記憶網(wǎng)絡的序列模型比卷積神經(jīng)網(wǎng)絡模型效果稍好，結(jié)合駕駛員生理信號數(shù)據(jù)在駕駛員疲勞和分心駕駛狀態(tài)識別準確率可以達到94.3%。關鍵詞：駕駛疲勞；駕駛分心；卷積神經(jīng)網(wǎng)絡；長短期記憶網(wǎng)絡；機器學習II工程碩士學位論文AbstractOwingtotherapiddevelopmentofchina'scarindustryandpeople'slivingstandards,thepercapitaownershipofnationalautomobilehasgonethroughahugegrow,leadingtothehighfrequencyoftraf
