深度學(xué)習(xí)的駕駛意圖識別

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(xué)習(xí)概述5

第2章　Python基礎(chǔ)知識　8
2.1　變量和簡單數(shù)據(jù)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(jù)可視化25
2.10　數(shù)據(jù)的統(tǒng)計學(xué)特征30
2.11　代數(shù)和符號數(shù)學(xué)問題34

第3章　信號處理基礎(chǔ)　37
3.1　信號的定義及應(yīng)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(jī)器學(xué)習(xí)基礎(chǔ)　62
4.1　矩陣的基本知識63
4.2　腦電信號的數(shù)據(jù)處理66
4.3　樹和隨機(jī)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(jī)72
4.7　神經(jīng)網(wǎng)絡(luò)原理77
4.8　神經(jīng)網(wǎng)絡(luò)Python基礎(chǔ)83

第5章　深度學(xué)習(xí)的駕駛意圖識別　93
5.1　腦電信號概述94
5.2　試驗方案設(shè)計98
5.3　駕駛行為與駕駛意圖105
5.4　深度學(xué)習(xí)111

第6章　駕駛意圖人機(jī)融合　124
6.1　腦機(jī)接口與CAN總線系統(tǒng)的整體設(shè)計125
6.2　腦-機(jī)接口與CAN總線系統(tǒng)的模塊化設(shè)計128
6.3　數(shù)據(jù)采集系統(tǒng)136

附錄　LSTM模型識別案例代碼　146

參考文獻(xiàn)　164