الگوریتم یادگیری مبتنی بر شبکه عصبی یکپارچه پویا

الگوریتم یادگیری مبتنی بر شبکه عصبی یکپارچه پویا


ادراک، قضاوت، تصمیم گیری و عکس العمل نسبت به محیط ترافیک در راننده خودرو معمولاً در طول رانندگی نامشخص و متناقض است. بنابراین، تحت این شرایط استفاده از مدل سنتی تصمیم گیری رانندگی برای پیش بینی دقیق رفتارهای رانندگی دشوار است. در این مقاله یک الگوریتم DNNIA برای توصیف رفتار رانندگی توسط شبکه های عصبی مصنوعی یکپارچه شدۀ پویا پیشنهاد شده است. به طور خاص، نخست برخی از شبکه های عصبی مصنوعی برای یادگیری انواع مختلف رفتارهای رانندگی بر اساس داده های نمونه آموزش داده می شود و پس از آن مقدار بسیار کمی از این شبکه های عصبی را با حداقل تعمیم خطا E انتخاب شده و برای پیش بینی رفتار نهایی رانندگی یکپارچه شده اند. از روش تابع لاگرانژی جهت حل ضریب ωi برای انتخاب گروه بهینه استفاده شده است. علاوه بر این، با معرفی ایده اتحاد عامل، در این تحقیق هر ANN مجزا را به عنوان یک عامل در اتحاد در نظر گرفته است و حداکثر مقدار در میان تمام خروجی های متوسط وزنی نورون در هر ANN مجزا را بعنوان خروجی انتخاب کرده است. روش ارائه شده بر روی برخی از مجموعه داده های محک برای نشان دادن اثربخشی آن ارزیابی شده است. علاوه بر این، رفتار پیش بینی شده همیشگی راننده توسط DNNIA، مانند ترمزگرفتن، که به طور مداوم منطبق با آنچه توسط داده های نمونه ارائه شده است، عملی بودن خود را برای حل مسائل دنیای واقعی ثابت می کند.


دانلــود
حجم فایل : 747KB

نظرات کاربران



عبارت امنیتی :حاصل 3 × 1 می شود :
متن پیام :