基于PCA-SVM的DCT汽車駕駛員起步意圖識(shí)別

劉海江，吳雨林

（同濟(jì)大學(xué) 機(jī)械與能源工程學(xué)院，上海 201804）

目前，國內(nèi)自主研發(fā)的DCT[1]和國外先進(jìn)產(chǎn)品相比，整體上存在不小的差距，尤其是在起步方面，會(huì)出現(xiàn)起步性能不穩(wěn)定、起步響應(yīng)慢、起步過程傳動(dòng)系統(tǒng)抖動(dòng)大、在某些惡劣行駛環(huán)境下汽車頻繁起步換擋造成離合器過熱甚至燒蝕等問題。而駕駛員在汽車行駛過程中起著決定性作用，知曉駕駛員起步意圖不僅能夠?qū)︸{駛員的駕駛行為和駕駛規(guī)律進(jìn)行一定的預(yù)測(cè)，還能夠?yàn)楹罄m(xù)研究DCT控制系統(tǒng)的智能化控制提供有利依據(jù)。因此，有必要準(zhǔn)確辨識(shí)駕駛員的準(zhǔn)確起步意圖，為DCT汽車的后續(xù)研制提供參考。

劉欣等[2]以模糊控制算法為基礎(chǔ)，提出一種利用單片機(jī)來表現(xiàn)駕駛員的起步意圖的方法，但這只是利用Matlab進(jìn)行的仿真分析，沒有進(jìn)行實(shí)車驗(yàn)證，不能保證其能夠在實(shí)際駕駛情況中充分考慮駕駛員的起步意愿。DAI等[3]分析了油門踏板開度及其一階導(dǎo)數(shù)和二階導(dǎo)數(shù)對(duì)起步意圖的影響，并采用隱馬爾可夫模型（Hidden Markov Model，HMM）對(duì)起步意圖進(jìn)行辨識(shí)，但是其識(shí)別準(zhǔn)確率為80%，仍然有待提高。王姝等[4]基于前人經(jīng)驗(yàn)，將平路起步看作一段時(shí)間內(nèi)駕駛員對(duì)油門踏板、制動(dòng)踏板等的一系列動(dòng)作的組合，并采用雙層HMM識(shí)別駕駛員的起步意圖。胡銳、陳勇[5]對(duì)純電動(dòng)車起步過程進(jìn)行動(dòng)力學(xué)分析，基于模糊控制理論設(shè)計(jì)了駕駛員意圖雙模糊辨識(shí)系統(tǒng)，可以準(zhǔn)確辨識(shí)出駕駛員起步意圖。但是，他們只考慮到了起步過程中駕駛員因?yàn)轳{駛意愿對(duì)汽車施加的操作，并沒有考慮到車輛在起步過程中對(duì)駕駛員進(jìn)行的反饋。LI Liang等[6]將加速踏板開度的統(tǒng)計(jì)規(guī)律作為輸入?yún)?shù)，提出了一種基于人工誤差反向傳播神經(jīng)網(wǎng)絡(luò)的駕駛員起動(dòng)意圖識(shí)別方法，識(shí)別正確率大于95%，但是其將整個(gè)起步過程意圖單一化，沒有考慮到駕駛員在起步過程中可能根據(jù)車輛反饋出現(xiàn)意圖的變化。

上述研究或是識(shí)別準(zhǔn)確率不高，或是沒有充分考慮汽車起步時(shí)的駕駛員和汽車進(jìn)行的雙向交互過程。針對(duì)以上問題，本文通過分析在平直道路起步過程中DCT車輛的人-車交互過程，得到表達(dá)駕駛員駕駛意愿的分析參數(shù)油門踏板開度，以及表達(dá)車輛對(duì)駕駛員反饋的分析參數(shù)縱向加速度；通過K均值聚類（K-means）對(duì)實(shí)車試驗(yàn)得到的起步數(shù)據(jù)進(jìn)行意圖劃分；通過主成分分析（Principal Component Analysis，PCA）法對(duì)所選取的特征值進(jìn)行相關(guān)性分析，并進(jìn)行降維得到新的主成分；最后構(gòu)建基于支持向量機(jī)（Support Vector Machine，SVM）的起步意圖辨識(shí)模型，用來準(zhǔn)確識(shí)別起步過程中駕駛員的起步意圖。

1 起步意圖分析

1.1 起步意圖的定義

起步指的是駕駛員通過踩踏油門踏板等操作使汽車從完全靜止的狀態(tài)轉(zhuǎn)變?yōu)橛幸欢ㄋ俣鹊倪\(yùn)動(dòng)狀態(tài)的過程。駕駛員可以根據(jù)自身需求、路況和環(huán)境等進(jìn)行不同程度的起步操作。根據(jù)專家的經(jīng)驗(yàn)，起步過程可以分為緩慢起步、一般起步和緊急起步[7-8]。緩慢起步指的是駕駛員緩慢輕踏油門踏板至某一較小開度，讓車輛的起步速度平緩增加，注重車輛起步的平順性；一般起步指的是駕駛員以正常速度踩踏油門踏板至一定的開度，對(duì)車輛的起步快慢和起步平順性均無特殊要求；緊急起步指的是駕駛員快速踩踏油門踏板至很大開度，讓汽車獲得盡可能大的起步加速度，追求汽車的快速起步而非平順性。

汽車起步過程是人-車交互的過程，駕駛員為實(shí)現(xiàn)初始的起步意圖對(duì)汽車施加一系列動(dòng)作，之后再根據(jù)車輛的反饋而調(diào)整其意圖和動(dòng)作，因此，有必要確定合理的意圖辨識(shí)周期。而有研究顯示[9]，面對(duì)緊急情況時(shí)駕駛員的反應(yīng)時(shí)間為0.2～0.4 s。因此，可以選擇0.4 s作為起步意圖的辨識(shí)周期，即將DCT汽車的起步過程以0.4 s為識(shí)別間隔劃分為6個(gè)時(shí)間段，在不同的時(shí)間段上分別進(jìn)行3類起步意圖的界定。

1.2 起步意圖分析參數(shù)選取

汽車起步是一個(gè)信息交換和控制的過程，如圖1所示。根據(jù)相關(guān)研究[10]，駕駛風(fēng)格不同的駕駛員因相同的起步意圖踩踏油門踏板時(shí)，油門踏板開度相近，而因不同的起步意圖踩踏油門踏板時(shí)，油門踏板開度有明顯的差異。這說明駕駛員能夠通過踩踏油門踏板的速度和深度來表達(dá)其起步意愿，所以選擇油門踏板開度作為起步意圖的一個(gè)分析參數(shù)。根據(jù)文獻(xiàn)[11]，駕駛員內(nèi)耳的前庭器官相當(dāng)于一個(gè)傳感器，可以感知到縱向加速度。這說明縱向加速度可以作為DCT汽車對(duì)于駕駛員操作的反饋，匹配駕駛員的主觀感受，所以選取縱向加速度作為起步意圖的分析參數(shù)。

圖1 汽車起步的信息交換和控制過程

1.3 起步試驗(yàn)方案設(shè)計(jì)

本試驗(yàn)與國內(nèi)某主機(jī)廠合作，選擇符合GB/T 12534—1990《汽車道路試驗(yàn)方法通則》要求的該主機(jī)廠1.5T-DCT汽車作為試驗(yàn)用車。為了控制環(huán)境變量，且考慮到車輛起步一般為平路起步，所以試驗(yàn)選擇在干燥、整潔的平直道路上進(jìn)行。試驗(yàn)采集設(shè)備包括分辨率為0.04905 m/s2的加速度測(cè)量設(shè)備和采樣頻率為100 Hz的數(shù)據(jù)采集系統(tǒng)?？梢酝ㄟ^CAN總線和x/y軸加速度傳感器獲得油門踏板開度信號(hào)和縱向加速度信號(hào)。結(jié)合該主機(jī)廠專業(yè)駕駛員的駕駛評(píng)估經(jīng)驗(yàn)，分別以不同的踩踏速度將油門踏板踩到若干個(gè)指定的油門開度。進(jìn)行多次重復(fù)試驗(yàn)，得到140組起步試驗(yàn)數(shù)據(jù)。

1.4 基于K均值聚類的起步意圖界定

K均值聚類算法是一種迭代求解的算法，具有無監(jiān)督、迭代速度快的特性[12]，可以用于已知聚類簇?cái)?shù)k值數(shù)據(jù)的劃分，因此選擇該方法界定駕駛員起步時(shí)的緩慢操作、一般操作和緊急操作。對(duì)于指定的k個(gè)簇，K均值聚類的優(yōu)化目標(biāo)是使所有簇內(nèi)樣本的離差平方之和為最小，其優(yōu)化目標(biāo)如式（1）所示。

式中：x(u)為屬于第v個(gè)簇的樣本u；γ(v)為第v個(gè)簇的簇中心；nv為第v個(gè)簇的樣本總量。

而且本文所研究的起步意圖類別有3個(gè)，是已確定的，因此，在對(duì)試驗(yàn)所得的140組起步試驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理，并以0.4 s為間隔分割完畢之后，分別選取每一個(gè)時(shí)間段內(nèi)的油門踏板均值、縱向加速度均值作為特征值，利用K均值聚類算法對(duì)駕駛員的3種起步意圖界限值進(jìn)行確定。以0～0.4 s內(nèi)DCT汽車的起步數(shù)據(jù)為例，其聚類流程為：確定類別數(shù)目為k=3；選取初始聚類中心點(diǎn)（1.65, 0.46）、（34.88, 1.13）、（70.14, 0.65）；分別計(jì)算其余樣本和這3個(gè)聚類中心點(diǎn)的距離，并根據(jù)各樣本與這3個(gè)聚類中心的最小距離確定其類別；重新計(jì)算3個(gè)簇中樣本的均值，并以均值作為新的聚類中心；在經(jīng)過6次迭代之后，聚類中心變化穩(wěn)定，從而得到最終的聚類中心（11.60, 0.24）、（33.82, 0.27）、（54.13,0.42）。其余時(shí)間段內(nèi)的駕駛員起步意圖數(shù)據(jù)集劃分過程與之類似，不再贅述。

所有時(shí)間段的起步意圖聚類中心見表1，聚類結(jié)果如圖2所示?？梢钥闯?，不同起步意圖的聚類中心有較為顯著的差異，在各個(gè)時(shí)間段內(nèi)相同起步意圖的特征點(diǎn)分布集中。在0～0.4 s內(nèi)不同起步意圖之間的縱向加速度分布相近，但是依靠油門踏板開度的明顯差異，仍然能夠很好地區(qū)分這3種不同的起步意圖；0.4 s后隨著時(shí)間的推移，不同起步意圖間縱向加速度的分布差異也越來越明顯，綜合油門踏板開度和縱向加速度可以確定不同起步意圖的顯著界限。因此，基于K均值聚類對(duì)駕駛員的起步意圖進(jìn)行劃分是合理的。

圖2 各時(shí)間段駕駛員起步意圖聚類結(jié)果

表1 各個(gè)時(shí)間段起步意圖最終聚類中心

2 構(gòu)建起步意圖識(shí)別模型

2.1 基于PCA法的特征提取

PCA法[13]是一種將t個(gè)相關(guān)的原始特征p1,p2,....,pt經(jīng)由線性變換組成新的互不相關(guān)的r個(gè)新特征Q1,Q2, ...,Qr的特征降維方法，可用如下模型表示：

式中：aij為主成分系數(shù)，（i= 1,2, … ,r；j= 1,2,… ,t）。

然而PCA的運(yùn)用依賴于變量間的相關(guān)關(guān)系，因此，在進(jìn)行PCA之前要進(jìn)行相關(guān)性分析。KMO（Kaiser-Meyer-Olkin）檢驗(yàn)統(tǒng)計(jì)量用于比較樣本相關(guān)系數(shù)和樣本偏相關(guān)系數(shù)，可以用來檢驗(yàn)樣本是否適合進(jìn)行PCA。它的取值在0～1之間，值越接近1，則說明樣本越適合進(jìn)行PCA，一般要求該值大于0.5。巴特利特球形度檢驗(yàn)（Bartlett’s Test of Sphericity）是一種檢驗(yàn)各個(gè)變量之間相關(guān)性程度的檢驗(yàn)方法，它的原假設(shè)是相關(guān)系數(shù)矩陣為單位矩陣，即原始變量互不相關(guān)。如果巴特利特球形檢驗(yàn)的統(tǒng)計(jì)量較大，且其對(duì)應(yīng)的相伴概率值小于用戶心中顯著性水平（一般認(rèn)為小于0.05），那么就拒絕原假設(shè)，認(rèn)為原始變量之間存在相關(guān)性，適合進(jìn)行PCA。

石灰質(zhì)量符合Ⅲ級(jí)以上標(biāo)準(zhǔn)，并在使用前7d進(jìn)行充分消解。水泥采用32.5級(jí)復(fù)合硅酸鹽水泥，初凝時(shí)間不小于4h，終凝時(shí)間不小于6h。

由于縱向加速度油門和踏板開度在時(shí)間序列上都是變化的，為了反映在某段時(shí)間內(nèi)的這兩個(gè)信號(hào)的穩(wěn)態(tài)特征，選擇縱向加速度均值、平均油門踏板開度作為初始特征值。根據(jù)文獻(xiàn)[3]、文獻(xiàn)[8]、文獻(xiàn)[14]的研究，以油門踏板開度變化率作為特征值，可以反映出該時(shí)間段內(nèi)油門踏板的動(dòng)態(tài)特征，有效識(shí)別出駕駛員的駕駛意圖，所以選取油門踏板開度變化率作為一個(gè)初始特征值。根據(jù)文獻(xiàn)[15]的研究，不同駕駛意圖下的縱向加速度均方差有著顯著差異，所以選取縱向加速度均方差作為一個(gè)初始特征值。為了消除上述數(shù)據(jù)量綱、量級(jí)的差異，使之具有可比性，利用Z得分法（Z-score）進(jìn)行標(biāo)準(zhǔn)化。以0～0.4 s的起步數(shù)據(jù)為例，將標(biāo)準(zhǔn)化后的縱向加速度均值（p1）、縱向加速度均方差（p2）、平均油門踏板開度（p3）、油門踏板開度變化率（p4）進(jìn)行相關(guān)性分析，分析結(jié)果如表2和表3所示。其KMO取樣適切性量數(shù)為0.654，大于0.5，而Bartlett球形度檢驗(yàn)的顯著性值小于0.001，說明這4個(gè)特征值之間存在著顯著的耦合關(guān)聯(lián)性，有產(chǎn)生較大的信息重疊，適合進(jìn)行PCA。

表2 相關(guān)系數(shù)矩陣

表3 KMO和巴特利特球形度檢驗(yàn)

選取主成分的原則是盡可能多地保留重要信息，而衡量信息的指標(biāo)是主成分的方差，方差越大，說明其含有的主成分信息量越大[17]。第k個(gè)主成分的方差貢獻(xiàn)率為：

式中：μk為相關(guān)系數(shù)矩陣的特征值，k= 1, 2,…,t，且μ1＞μ2＞ … ＞μt。其中特征值μk對(duì)應(yīng)的單位特征向量為αk=(αk1,αk2, ...,αkt)。

根據(jù)特征值的累計(jì)方差貢獻(xiàn)率來確定主成分個(gè)數(shù)r。按照經(jīng)驗(yàn)，通常取累計(jì)方差貢獻(xiàn)率大于或等于85%[16]。前m個(gè)主成分的累積方差貢獻(xiàn)率為：

對(duì)0～0.4 s起步數(shù)據(jù)進(jìn)行主成分分析后，得到的分析結(jié)果見表4。由表4可知，第1主成分累積方差貢獻(xiàn)率為71.71%，小于85%，而第1主成分和第2主成分的累積方差貢獻(xiàn)率達(dá)到92.73%，大于85%，所以可以確定主成分的個(gè)數(shù)為2。新主成分的表達(dá)式為：

表4 PCA分析結(jié)果

第1個(gè)主成分Q1能代表縱向加速度均值p1、縱向加速度均方差p2、油門踏板開度變化率p4的信息，而第2個(gè)主成分Q1能代表平均油門踏板開度p3的信息。將特征值所對(duì)應(yīng)的單位特征向量作為主成分模型中的權(quán)重系數(shù)，排除人為干預(yù)帶來的主觀誤差，這兩個(gè)主成分可作為之后用于起步意圖識(shí)別模型的新特征值。

2.2 基于SVM的起步意圖識(shí)別

SVM作為一種有監(jiān)督的學(xué)習(xí)算法，通過將低維線性不可分空間轉(zhuǎn)變?yōu)楦呔S線性可分空間，從而擁有較高的預(yù)測(cè)準(zhǔn)確率。對(duì)所劃分的每個(gè)時(shí)間段內(nèi)都分別建立1個(gè)SVM模型，進(jìn)行該時(shí)間段內(nèi)的駕駛員起步意圖識(shí)別。SVM算法的分類原理如下[18]：

對(duì)于線性可分的SVM，假設(shè)訓(xùn)練樣本是(uk,vk)，k=1, 2,…,N，v∈｛-1 ,1｝，存在某分割超平面αTu+β=0將正負(fù)樣本點(diǎn)進(jìn)行區(qū)分，使不同類型的樣本分布在該超平面的不同側(cè)，此時(shí)形成距離為的“分割帶”，使|αTuk+β|=1的樣本點(diǎn)與該超平面的距離達(dá)到最小?？紤]到本研究中設(shè)計(jì)的樣本可能為非線性可分，即無法通過某線性超平面直接對(duì)樣本點(diǎn)進(jìn)行分割，必須通過某種變換φ（u）將其映射到高維空間中，于是引入松弛因子ξ和懲罰系數(shù)C修正優(yōu)化目標(biāo)和約束。采用拉格朗日（Lagrange）對(duì)偶性可以將該最優(yōu)化問題等價(jià)轉(zhuǎn)換：

式中：γk，γl為 Lagrange 系數(shù)。

最終可獲得最優(yōu)分類函數(shù)，如式（7）所示。

最優(yōu)分類函數(shù)也可轉(zhuǎn)化為：

SVM模型的性能主要取決于懲罰系數(shù)C和核函數(shù)K。越大的懲罰系數(shù)會(huì)使“分割帶”帶寬越小，雖然提高了訓(xùn)練集上樣本的正確分類個(gè)數(shù)，卻可能導(dǎo)致模型過擬合；而懲罰系數(shù)過小會(huì)造成模型欠擬合。改變核函數(shù)的形式和它的參數(shù)會(huì)隱式地改變樣本點(diǎn)從原始空間到高維空間的映射，在實(shí)際應(yīng)用中，采用不同的核函數(shù)將導(dǎo)致出現(xiàn)不同的SVM算法。本研究基于專家經(jīng)驗(yàn)知識(shí)，分別列舉出多個(gè)懲罰系數(shù)C以及各個(gè)常用核函數(shù)K參數(shù)可能的取值，采用網(wǎng)格搜索法，對(duì)其進(jìn)行排列組合，并將所有的組合結(jié)果生成“網(wǎng)格”；然后利用5折交叉驗(yàn)證，將起步數(shù)據(jù)集的訓(xùn)練集平均分成5份，其中4份為學(xué)習(xí)集，第5份為驗(yàn)證集，對(duì)所有“網(wǎng)格”進(jìn)行評(píng)估，重復(fù)5次，從而確定最佳的懲罰系數(shù)C、核函數(shù)K以及該核函數(shù)的參數(shù)，結(jié)果見表5。

表5 SVM模型的參數(shù)選擇

綜上所述，基于PCA-SVM的起步意圖識(shí)別流程如圖3所示。首先設(shè)計(jì)并進(jìn)行DCT汽車起步試驗(yàn)，獲得所需要的起步數(shù)據(jù)集；在對(duì)測(cè)試參數(shù)進(jìn)行缺失值處理、異常值剔除、去噪等預(yù)處理后，利用K均值聚類對(duì)各時(shí)間段內(nèi)的起步意圖進(jìn)行界定；然后基于PCA確定新的特征值用于之后起步意圖的識(shí)別；最后將起步數(shù)據(jù)集劃分成訓(xùn)練集和測(cè)試集，利用訓(xùn)練集獲得基于SVM的起步意圖識(shí)別模型的懲罰系數(shù)和核函數(shù)，利用測(cè)試集對(duì)所訓(xùn)練出的模型性能進(jìn)行驗(yàn)證。

圖3 基于PCA-SVM的起步意圖識(shí)別流程

3 模型性能驗(yàn)證

基于K均值聚類得到的各時(shí)間段內(nèi)不同起步意圖的樣本數(shù)量見表6，單個(gè)起步樣本包含經(jīng)由K均值聚類得到的意圖標(biāo)簽和經(jīng)由PCA后得到的新特征值。采用留出法，按照3∶1將這6個(gè)時(shí)間段內(nèi)的起步數(shù)據(jù)集劃分為訓(xùn)練樣本集和測(cè)試樣本集；利用Python軟件，根據(jù)訓(xùn)練樣本集分別完成6個(gè)SVM模型的訓(xùn)練；將測(cè)試樣本集送入訓(xùn)練好的SVM進(jìn)行起步意圖識(shí)別，并與原本的意圖標(biāo)簽進(jìn)行對(duì)比以檢驗(yàn)?zāi)Ｐ偷淖R(shí)別效果。以此得到的駕駛員起步意圖識(shí)別結(jié)果混淆矩陣如圖4所示，圖中1代表緩慢起步，2代表一般起步，3代表緊急起步。

圖4 起步意圖識(shí)別結(jié)果混淆矩陣

表6 各時(shí)間段內(nèi)不同起步意圖樣本數(shù)量

能夠正確識(shí)別出駕駛員的真實(shí)起步意圖是DCT控制系統(tǒng)智能化的基礎(chǔ)，因此，選取準(zhǔn)確率和命中率作為評(píng)估該起步意圖識(shí)別模型性能的指標(biāo)。其中，準(zhǔn)確率為識(shí)別正確的樣本數(shù)占所有樣本數(shù)的百分比；命中率為每類樣本中識(shí)別正確的樣本數(shù)與該類別樣本數(shù)目的比值。計(jì)算不同起步階段不同起步意圖下的準(zhǔn)確率和命中率，結(jié)果見表7。由表可知，這6個(gè)PCA-SVM模型的識(shí)別準(zhǔn)確率均在90%以上，且平均識(shí)別準(zhǔn)確率也高達(dá)94.92%；而只用線性SVM模型分別對(duì)這6個(gè)時(shí)間段的起步意圖進(jìn)行識(shí)別時(shí)，其識(shí)別準(zhǔn)確率分別為62.86%、91.43%、91.43%、65.71%、82.46%、74.29%，平均識(shí)別準(zhǔn)確率為78.03%，小于PCA-SVM模型的識(shí)別準(zhǔn)確率，如圖5和圖6所示。而且，這6個(gè)PCA-SVM識(shí)別模型中對(duì)緩慢起步的識(shí)別命中率最高，均在90%以上；而對(duì)于一般起步和緊急起步的識(shí)別，最低的識(shí)別命中率也在85%以上，平均命中率分別為94.36%和89.74%。這表明了基于PCA-SVM的起步意圖識(shí)別模型具有很高的識(shí)別準(zhǔn)確率和命中率，泛化性能好。由表8可知，PCA-SVM模型和SVM模型的單個(gè)片段起步意圖識(shí)別時(shí)間分別為0.008 s和0.002 s，均小于通常情況下駕駛員面對(duì)危急情形時(shí)的反應(yīng)時(shí)間0.2～0.4 s，因此，PCA-SVM模型具有較好的實(shí)時(shí)性。

圖5 線性SVM模型和PCA-SVM模型的識(shí)別準(zhǔn)確率對(duì)比

圖6 PCA-SVM模型與線性SVM模型識(shí)別準(zhǔn)確率之差

表7 PCA-SVM模型的識(shí)別準(zhǔn)確率和命中率

表8 PCA-SVM模型與線性SVM辨識(shí)時(shí)間對(duì)比

4 結(jié)論

本文提出了一種基于PCA-SVM模型的DCT汽車駕駛員起步意圖識(shí)別方法，與其他起步意圖識(shí)別方法相比，該方法不僅關(guān)注駕駛員起步意圖的動(dòng)態(tài)變化，而且識(shí)別效果較好，結(jié)論如下：

（1）在起步過程中，綜合駕駛員的主觀感受和DCT汽車的起步響應(yīng)，將起步過程以0.4 s為間隔劃分為6個(gè)時(shí)間段，充分考慮了駕駛員起步意圖的變化。

（2）采用K均值聚類算法對(duì)DCT汽車駕駛員在各個(gè)時(shí)間段內(nèi)的緩慢、一般和緊急操作進(jìn)行了界定，得到具有明顯差異性的3類不同的起步意圖。

（3）針對(duì)原有特征值相關(guān)性較高的問題，提出了采用PCA進(jìn)行降維的方法，得到新的特征值。

（4）構(gòu)建了6個(gè)PCA-SVM模型，用作DCT汽車各個(gè)階段起步意圖的識(shí)別，其平均識(shí)別準(zhǔn)確率達(dá)到94.92%，各起步意圖的最低識(shí)別命中率也在85%以上，而且其模型單個(gè)片段的平均識(shí)別時(shí)間為0.008 s，實(shí)時(shí)性能良好。