面向車輛行駛安全的自動駕駛意圖識別

第1章 緒論
1．1 研究背景
1．2 研究目的及意義
1．3 主要研究內(nèi)容
第2章 車輛行駛安全與駕駛意圖分析
2．1 概述
2．2 車輛行駛安全與駕駛行為分析
2．2．1 車輛行駛安全及影響因素分析
2．2．2 駕駛行為分析
2．3 駕駛意圖分析
2．3．1 車輛行駛安全與駕駛意圖分析
2．3．2 駕駛意圖分析
2．3．3 駕駛意圖識別
2．4 腦-機(jī)接口技術(shù)研究
2．4．1 腦-機(jī)接口技術(shù)的運用及發(fā)展
2．4．2 腦-機(jī)接口技術(shù)的國內(nèi)外發(fā)展?fàn)顩r
2．4．3 智能駕駛技術(shù)的發(fā)展
2．5 小結(jié)
第3章 腦-機(jī)接口數(shù)據(jù)采集與分析
3．1 概述
3．2 實驗方案設(shè)計
3．2．1 實驗原理
3．2．2 實驗設(shè)備組成
3．3 實驗?zāi)康募皩嶒灧椒?br />3．3．1 實驗?zāi)康?br />3．3．2 實驗方法
3．3．3 實驗過程
3．3．4 駕駛意圖數(shù)據(jù)測量的電極測試選擇
3．3．5 實驗環(huán)境與腦電波測試
3．3．6 腦電數(shù)據(jù)的分配及分析
3．4 小結(jié)
第4章 駕駛意圖的腦電信號特征提取處理技術(shù)
4．1 概述
4．2 駕駛意圖原理
4．2．1 駕駛行為概述
4．2．2 駕駛意圖概述
4．2．3 駕駛意圖時窗的選擇
4．3 腦電信號中的非平穩(wěn)信號處理技術(shù)
4．3．1 傅立葉變換
4．3．2 功率譜
4．3．3 小波變換和小波包變換
4．3．4 枕部的8個電極的情況分析
4．4 小結(jié)
第5章 基于粒子群算法的支持向量機(jī)的駕駛意圖識別
5．1 概述
5．2 支持向量機(jī)算法原理
5．2．1 駕駛意圖與支持向量機(jī)
5．2．2 支持向量機(jī)算法原理
5．3 粒子群算法分析
5．3．1 粒子群算法
5．3．2 粒子群算法的支持向量機(jī)框圖
5．4 基于粒子群算法的支持向量機(jī)的駕駛意圖識別分析
5．5 小結(jié)
第6章 基于粒子群算法的神經(jīng)網(wǎng)絡(luò)駕駛意圖識別
6．1 概述
6．2 人工神經(jīng)網(wǎng)絡(luò)及其優(yōu)化技術(shù)
6．2．1 神經(jīng)網(wǎng)絡(luò)模型
6．2．2 神經(jīng)網(wǎng)絡(luò)優(yōu)化技術(shù)
6．3 基于粒子群算法的神經(jīng)網(wǎng)絡(luò)駕駛意圖分析
6．3．1 三種區(qū)域的識別分類
6．3．2 駕駛意圖識別分類（8通道）
6．4 駕駛意圖識別效果分析
6．5 小結(jié)
第7章 基于腦-機(jī)接口的自動駕駛系統(tǒng)設(shè)計
7．1 概述
7．2 腦-機(jī)接口與CAN總線系統(tǒng)設(shè)計
7．2．1 CAN總線基本知識
7．2．2 駕駛意圖腦電信號的處理
7．2．3 整體系統(tǒng)設(shè)計
7．3 腦-機(jī)接口與CAN總線系統(tǒng)的模塊化設(shè)計
7．3．1 節(jié)點設(shè)置
7．3．2 數(shù)據(jù)采集系統(tǒng)的模塊化設(shè)計
7．3．3 電源模塊
7．3．4 數(shù)據(jù)通信模塊
7．3．5 CAN通信接口硬件模塊
7．4 數(shù)據(jù)采集系統(tǒng)
7．4．1 采集系統(tǒng)設(shè)計
7．4．2 轉(zhuǎn)角數(shù)據(jù)采集系統(tǒng)
7．4．3 緊急信號采集系統(tǒng)
7．4．4 車速采集系統(tǒng)
7．5 小結(jié)
第8章 結(jié)論與展望
8．1 結(jié)論
8．2 創(chuàng)新點
8．3 研究展望
參考文獻(xiàn)