《深度學習的駕駛意圖識別》主要介紹了Python基礎知識、信號處理技術、機器學習基礎、深度學習的駕駛意圖識別、駕駛意圖人機融合。書中運用小波理論、小波包理論、主成分分析法等對信號進行處理,并通過Python實現(xiàn);介紹了深度學習模型循環(huán)神經網絡、LSTM模型;同時還介紹了輸入腦電信號對駕駛意圖識別的試驗,識別后的駕駛意圖可運用到自動駕駛領域,輔助保障行車安全。本書可幫助讀者更好地理解基于信號技術的深度學習的駕駛意圖識別,更深入地理解并掌握人機融合的駕駛技術原理。
本書可供信號處理、車輛工程、交通工程等領域的技術人員、編程人員閱讀,也可供相關專業(yè)的師生學習參考。
第1章 緒論 1
1.1 駕駛意圖識別概述2
1.2 駕駛意圖識別研究現(xiàn)狀2
1.3 深度學習概述5
第2章 Python基礎知識 8
2.1 變量和簡單數(shù)據類型9
2.2 數(shù)字11
2.3 列表12
2.4 列表切片15
2.5 if語句16
2.6 字典17
2.7 while循環(huán)20
2.8 函數(shù)23
2.9 數(shù)據可視化25
2.10 數(shù)據的統(tǒng)計學特征30
2.11 代數(shù)和符號數(shù)學問題34
第3章 信號處理基礎 37
3.1 信號的定義及應用38
3.2 信號的分類39
3.3 連續(xù)時間信號的頻域分析44
第4章 機器學習基礎 62
4.1 矩陣的基本知識63
4.2 腦電信號的數(shù)據處理66
4.3 樹和隨機森林算法67
4.4 KNN算法69
4.5 貝葉斯理論70
4.6 支持向量機72
4.7 神經網絡原理77
4.8 神經網絡Python基礎83
第5章 深度學習的駕駛意圖識別 93
5.1 腦電信號概述94
5.2 試驗方案設計98
5.3 駕駛行為與駕駛意圖105
5.4 深度學習111
第6章 駕駛意圖人機融合 124
6.1 腦機接口與CAN總線系統(tǒng)的整體設計125
6.2 腦-機接口與CAN總線系統(tǒng)的模塊化設計128
6.3 數(shù)據采集系統(tǒng)136
附錄 LSTM模型識別案例代碼 146
參考文獻 164