朱天軍，孔現(xiàn)偉，李彬

(1.河北工程大學 裝備制造學院，河北 邯鄲056038;2.中國汽車技術研究中心 汽車工程研究院，天津300300;3.康考迪亞大學機械與工業(yè)工程系高級車輛工程研究中心，加拿大 蒙特利爾H3G 2W1)

0 引言

重型車輛適宜于遠程大噸位的運輸。隨著重型車輛行駛速度不斷地提高和載重量的加大，行駛安全性越來越受到關注。重型車輛的側翻問題已成為重要的安全問題之一。根據美國公路安全局統(tǒng)計［1］，在所有的交通事故中，汽車側翻事故的危害程度僅次于汽車碰撞事故，居第2 位。根據專家的統(tǒng)計，67%的車禍是由于彎道或緊急情況下突然猛打方向盤，使車輛發(fā)生側翻而造成的［2］。重型車輛側翻不僅造成財產損失和人員傷亡，而且對事故發(fā)生地的環(huán)境有可能造成嚴重污染。因此，如何實時監(jiān)測并發(fā)現(xiàn)車輛危險行駛姿態(tài)，利用主動安全系統(tǒng)提高重型車輛行駛安全性能，從而避免側翻事故發(fā)生，成為現(xiàn)代重型車輛研究的焦點問題。

近年來，隱馬爾可夫模型(HMM)由于其馬爾可夫鏈可以用來描述隱藏于隨機觀察序列中的時變特性，而使其在處理非平穩(wěn)隨機序列中具有獨特優(yōu)勢，現(xiàn)已成為國內外駕駛員意圖識別、車輛行駛狀態(tài)估計與預測等應用領域中的一個研究熱點問題。Lin 等［3］提出一種基于HMM 和數字影像的車輛狀態(tài)辨識系統(tǒng)，可以利用車輛行駛影像記錄數據實時計算和預測行駛車輛的縱向車速。Maghsood 等［4］設計了一種基于HMM 的車輛行駛狀態(tài)(直線行駛、是否彎道行駛)辨識系統(tǒng)，該系統(tǒng)利用重型卡車側向加速度信息來識別車輛行駛狀態(tài)(左轉、右轉、直線)，而且該方法可以推廣到制動、加速等駕駛狀態(tài)的辨識，但需要更多的車輛狀態(tài)參數加入到該系統(tǒng)。Gadepally 等［5］開發(fā)一套無人駕駛車輛行駛狀態(tài)估計和預測系統(tǒng)，其中車輛狀態(tài)估計采用HMM 進行估計，駕駛員行為預測采用分層隱馬爾可夫模型(HHMM)進行預測，十分適用于無人駕駛車輛對未知決策的實時判定。Pentland［6］采用HMM 對駕駛員行為和駕駛員意圖識別進行研究。利用HMM 建立車輛駕駛員行為模型，根據駕駛員的操縱輸入信息辨識當前的駕駛意圖，并預測下一時間段的駕駛行為(如左轉、移線和停車等工況)。試驗結果表明有效預測率達到95%以上，且實時性很好。國內車輛行駛狀態(tài)辨識與預測研究方面的研究才剛剛起步。吉林大學宗長富等［7］提出了基于HMM 和人工神經網絡(ANN)相結合的模型，用于實現(xiàn)駕駛意圖辨識和駕駛行為預測，從而達到輔助駕駛和提高主動安全性的目的。同濟大學呂岸等［8］提出基于HMM 的高速公路超車行為在線辨識算法，該算法利用駕駛模擬器數據，辨識出高速公路上各種工況下的正常及非正常超車行為，對駕駛員進行警告和糾正。有很多問題，特別是車輛危險行駛狀態(tài)識別等方面的問題有待解決，例如，如何保證車輛行駛姿態(tài)辨識算法在車輛各種工況(單一或復雜)下均適用、辨識準確率較高、實時性好。

本文采用一種基于雙層HMM 的重型車輛行駛狀態(tài)在線辨識方法，可動態(tài)辨識重型車輛各種行駛狀態(tài)及有效預測重型車輛未來的側翻危險。

1 雙層隱馬爾可夫模型

1.1 雙層隱馬爾可夫模型結構

本文建立的雙層HMM 如圖1所示，底層HMM包括3 個多維高斯隱馬爾可夫模型(MGHMM)模塊和1 個速度等級模塊。3 個MGHMM 分別用來辨識橫擺運動狀態(tài)、轉向運動狀態(tài)、側向運動狀態(tài)。在重型車輛行駛狀態(tài)辨識過程中，底層的4 個模塊一起工作。根據實時的車輛運動狀態(tài)信息和車速信息，在每個時間步長下，每個模塊中的似然度(發(fā)生的可能性)最大的模型被識別出來，這樣就可以實時辨識出當前重型車輛的行駛狀態(tài)。這樣一段時間后，就會得到4 串重型車輛運動狀態(tài)的辨識結果，它們依次對應重型車輛橫擺運動狀態(tài)、轉向運動狀態(tài)、側向運動狀態(tài)以及速度等級。底層HMM 的推理結果(4 串重型車輛運動狀態(tài)的辨識結果)被送到高層HMM，作為高層HMM 的觀察序列。高層多維離散HMM(MDHMM)對應著復雜工況下的重型車輛行駛狀態(tài)辨識。計算高層HMM 所包含的所有MDHMM 產生的可能性，選取似然度最大的模型作為當前重型車輛的行駛狀態(tài)。

1.2 多維高斯隱馬爾可夫模型(底層)

本文應用分類后的重型車輛側向運動狀態(tài)數據(側向加速度和側傾角)，分別訓練3 個有關側向運動狀態(tài)模型:側傾模型、側滑模型和側翻模型。同理，應用分類后的重型車輛橫擺運動狀態(tài)數據(橫擺角速度)，分別訓練3 個有關橫擺運動狀態(tài)模型:無擺動模型、小擺動模型和大擺動模型;應用分類后方向盤數據(方向盤轉角和方向盤角速度)，分別訓練3 個有關轉向運動狀態(tài)模型:直線行駛模型、正常轉向模型和緊急轉向模型。應用重型車輛車速的數據對速度進行分級，例如:速度的大小為80 km/h，速度的等級為8.

圖1 雙層HMM 結構Fig.1 Double-layer hidden Markov model structure

重型車輛行駛狀態(tài)對應的HMM 的觀察序列是數據處理后的重型車輛各類運動狀態(tài)信號和車速信號，且這些信號都是連續(xù)的，應用多維高斯HMM 理論來搭建重型車輛行駛狀態(tài)MGHMM.

以搭建轉向MGHMM 為例，模型的觀察序列包括方向盤轉角和方向盤角速度的處理后傳感器數據。其觀察序列以向量的形式描述，如(1)式。

式中:a(t)為方向盤轉角;b(t)為方向盤角速度。

首先，應用Baum-Welch 算法，訓練所有的轉向MGHMM［9］. 利用Matlab HMM 工具箱結合建立的MGHMM，編寫Matlab 程序，可以得到優(yōu)化后的模型參數。以轉向模型為例，其優(yōu)化后的參數如下:

式中:π 為初始狀態(tài)概率;A 為狀態(tài)轉移矩陣;B 為混淆矩陣;μ 為均值矩陣;U 為協(xié)方差矩陣。

其次，應用前向-后向算法［10］計算每個模型里的MGHMM 相對于當前的觀察序列產生的可能性并選出每個模型里的產生概率最大的模型作為當前重型車輛的運動狀態(tài)，同時對行駛速度進行分級。

具體過程為:采集某復合工況下的一長時間段的傳感器數據，按照側向運動、橫擺運動、方向盤操縱數據進行數據分類，再把每類數據截成很多小數據段。發(fā)生在同一時間段的數據被分別送到對應的MGHMM 并辨識出當前的重型車輛行駛狀態(tài)和速度等級。以上述方式逐段辨識，就得到了對應著這一長段傳感器數據的4 串辨識結果。

1.3 多維離散隱馬爾可夫模型(高層)

利用底層HMM 的推理結果(辨識得到的4 串重型車輛行駛狀態(tài)及速度數據)作為高層HMM 的觀察序列，訓練復雜工況下重型車輛行駛狀態(tài)的辨識。因為底層HMM 的結果是離散的，所以利用離散HMM 理論來搭建高層復雜工況下重型車輛行駛狀態(tài)MDHMM. 這些MDHMM 的觀察序列可以表示為

式中:a'(t)表示辨識得到的橫擺運動狀態(tài)的數字符號;b'(t)表示辨識得到的轉向運動狀態(tài)的數字符號;c'(t)表示辨識得到的側向運動狀態(tài)的數字符號;d'(t)表示速度等級數字符號。

對離散MDHMM 模型里的前向變量和后向變量公式進行修改，修改后公式為

式中:αt(i)為前向算法中HMM 模型在t 時刻，觀察到的部分觀察序列在某狀態(tài)下的輸出概率;βt(i)為后向算法中HMM 模型在t 時刻，觀察到的部分觀察序列在某狀態(tài)下的輸出概率;o't(f)為觀察序列的變量。

混淆矩陣B 的重估公式需要修改，修改后公式為

式中:count(k(f)|j)表示在狀態(tài)sj下車輛運動狀態(tài)k發(fā)生次數的期望值，并且車輛運動狀態(tài)k 對應某運動狀態(tài)代碼f，f=1，2，3，4. 這里的車輛運動狀態(tài)包含橫擺運動、轉向運動、側向運動狀態(tài)及縱向速度等級;count(j)表示在狀態(tài)sj下發(fā)生次數的期望值。

因此，高層多維離散MDHMM 可以描述為

式中:B'1、B'2、B'3、B'4分別代表著高層MDHMM 的4 個觀察值混淆矩陣;A'代表高層車輛運動狀態(tài)之間的狀態(tài)轉移矩陣;π'代表初始時刻高層車輛運動狀態(tài)的初始概率矩陣。

利用Matlab HMM 工具箱，優(yōu)化后的復雜工況下重型車輛行駛狀態(tài)MDHMM 參數如下:

如上所述，通過雙層HMM 的建模思想，底層HMM 的短時間段重型車輛行駛狀態(tài)模塊和車速分級模塊可實時、分線程計算，這種方法實時性好、計算效率較高。本文的雙層HMM 建模方法可以將短時間段的車輛行駛狀態(tài)辨識組合為復雜工況下長時間段的行駛狀態(tài)辨識。這種方法的顯著優(yōu)點:底層建立的MGHMM 具有模塊化和可擴充性，僅需要將新增的MGHMM 辨識結果(一維觀察序列)送入高層的HMM 中即可，而不像傳統(tǒng)的單層HMM 那樣需重新訓練MGHMM，這樣可以大大減少模型訓練的工作量。

2 實驗數據處理

2.1 實驗工況確定

基于安全考慮，本文利用重型車輛動力學仿真軟件Trucksim，選取典型重型車輛行駛工況，采集相應行駛工況實驗數據作為本文考察的復雜行駛工況，如圖2所示。

圖2 重型車輛雙移線實驗工況Fig.2 Double lane change test of heavy duty vehicle

2.2 實驗數據預處理

通過Trucksim 的典型行駛工況獲得的所有車載傳感器數據構成了HMM 訓練的數據庫。這些實驗數據需按照圖3所示的流程進行實驗數據的預處理，然后才能用于訓練表征重型車輛運動狀態(tài)的HMM.

首先，考慮到實驗數據含有噪聲及傳統(tǒng)的濾波算法會造成數據的相位延遲和漂移問題，本文選取Savity-Golay 濾波［11］來消除實驗數據的噪聲，且避免數據的相位延遲和漂移。實驗數據進行放大和濾波處理后，把處理后的實驗數據按照運動類型分為4 大類:橫擺運動數據、側向運動數據、轉向運動數據和速度數據。其次把每個數據類里的數據分割為若干小段，并將其歸類，使得每個數據段集合對應一個運動狀態(tài)集合。然后采用T-G 檢驗法［12］，結合每個數據段集合的某特征參數，對數據段集合里的異常數據進行剔除。最后，應用k-means 算法，對訓練數據庫里的運動狀態(tài)界限值進行設定，為判定后續(xù)的辨識結果準確性做準備。

2.2.1 異常數據段剔除

所謂異常值指樣本中的個別值其數據明顯偏離樣本的其余值。針對重型車輛行駛狀態(tài)實驗數據來說，重型車輛的某次異常行駛操縱就可能產生異常值。本文建立HMM 模型都是基于車輛行駛狀態(tài)實驗數據訓練得到的，所以訓練前必須剔除模型訓練數據庫中的異常值，以免對重型車輛運動狀態(tài)的辨識結果產生影響。

圖3 重型車輛實驗數據預處理過程Fig.3 Test data pre-processing of heavy duty vehicle

對于一組觀察值x1，x2，…，xn，如果這一組樣本中的某個值xm的統(tǒng)計量大于臨界值，那么這個值就被認為是異常值，即

式中:Tm為xm的待測統(tǒng)計量;Tp(n)為臨界值;tp(n-2)可由分布分位數表查得;n 為可待測的觀察值個數;s'和x'分別為不包含在內的其余觀察值的樣本均值和樣本偏差。其中，p 由(10)式得到:

剔除異常值一般取α =0.01，本文選用雙側檢驗，故p=0.995.

選取特定的重型車輛運動狀態(tài)的相應特征值，對正常轉向和緊急轉向來說，選取重型車輛運動狀態(tài)參數的側向加速度做特征值，對異常數據段進行剔除;對于重型車輛側翻狀態(tài)來說，選取車輛側傾角做特征值，對異常數據段進行剔除。

以轉向運動的實驗數據為例，選取40 個緊急轉向和正常轉向運動的最大側向加速度，如表1所示，采用T-G 檢驗法依次逐個剔除40 個數據中的異常數據，為后續(xù)訓練車輛運動狀態(tài)的MGHMM 模型做準備。

已知p =0.995，查詢國家標準GB4086.3—83的“t 分布分位數表”［13］，可計算得到tp(n -2)=2.711 6. 故

以緊急轉向異常數據剔除為例，根據(9)式，分別計算各個轉向運動傳感器數據觀察值，相對于各樣本的統(tǒng)計量Tm(如圖4). 根據Tp(40)的值，當統(tǒng)計量Tm大于臨界值Tp(40)時，判定當前數據段異常并剔除。剔除前、后的數據如圖5、圖6所示。

2.2.2 正常轉向、緊急轉向和側翻限值的確定

正常轉向模型、緊急轉向模型和側翻模型這些重型車輛運動狀態(tài)模型的訓練是利用上述預處理后的車輛運動狀態(tài)實驗數據來訓練的，為了驗證辨識結果的正確與否，采用了K-means 算法對重型車輛的正常轉向、緊急轉向和側翻的界限值進行確定。

具體K-means 算法［14］的聚類過程如圖7所示。首先給定一個包含X 個數據對象的數據庫和要生成的類的數目K，隨機從X 個對象中選擇K 個對象作為初始的聚類中心。然后計算剩余的X-K 對象與這K 個聚類中心的距離，把離聚類中心距離最近的對象分配給這個類，再重新計算得到新的聚類中心。不斷重復計算和分配對象直到相鄰兩次的聚類中心沒有變化，聚類中心收斂到固定值，則輸出聚類結果，聚類結束。

表1 正常轉向最大側向加速度(最大側向加速度1)和緊急轉向最大側向加速度(最大側向加速度2)Tab.1 The maximum lateral accelerations of normal steering(data sequence 1)and emergency steering (data sequence 2) g

3 復雜工況下行駛姿態(tài)辨識模型驗證

為了驗證離線訓練雙層HMM 參數及在線辨識重型車輛行駛狀態(tài)的總體方案，搭建Trucksim、Matlab/Simulink 和Matlab/HMM 工具箱聯(lián)合在線驗證模型參數及辨識平臺，對本文提出來的重型車輛行駛狀態(tài)辨識方案進行驗證，其在線驗證示意圖如圖8所示。

圖4 各個緊急轉向最大側向加速度數據觀察值相對于最大側向加速度樣本的統(tǒng)計量Fig.4 The maximum lateral acceleration observation values of emergency steering relative to maximum lateral acceleration sample statistics

圖5 異常數據剔除前緊急轉向最大側向加速度數據觀察值Fig.5 The maximum lateral acceleration observation values of emergency steering before the deletion of abnormal data

圖6 異常數據剔除后緊急轉向最大側向加速度數據觀察值Fig.6 The maximum lateral acceleration observation values of emergency steering after the deletion of abnormal data

圖7 K-means 算法的聚類過程Fig.7 Clustering process of K-means algorithm

聯(lián)合在線辨識重型車輛行駛狀態(tài)方案首先要確定在循環(huán)執(zhí)行的時間步長。對于時間步長的選取有兩個要求:一是要滿足辨識的實時性，二是要滿足辨識的準確性。本文在確定時間步長時進行了大量實驗，考慮到辨識實時性和準確性，首先分別選取0.05 s、0.06 s、0.07 s、0.08 s、0.09 s 和0.10 s 不同時間步長進行實驗，得到了時間步長與辨識準確率的關系圖，如圖9所示。最后選取時間步長為0.09 s，既滿足了實時性要求，也滿足辨識的準確率。

重型車輛主要參數如表2所示。

由于HMM 模型是基于最大期望值的統(tǒng)計學算法，本文通過重型車輛行駛狀態(tài)在線辨識平臺，為建立的重型車輛行駛狀態(tài)MDHMM 設置了最大似然度門檻值，即只有給定觀察序列相對于某個MDHMM 產生的概率超過該MDHMM 的似然度門檻值，這個MDHMM 對應的行駛狀態(tài)才能判斷真實發(fā)生。本文利用重型車輛行駛狀態(tài)在線辨識平臺，在線驗證了2 000 次緊急轉向、正常轉向、側翻及橫擺等行駛狀態(tài)，辨識準確率達到99.7%.

圖8 在線驗證示意圖Fig.8 Schematic diagram of online verification

圖9 辨識準確率與循環(huán)時間步長的關系Fig.9 The relationship between identification accuracy and cycle time step

表2 重型車輛模型主要參數Tab.2 Main parameters of vehicle model

其中轉向運動狀態(tài)的辨識結果如表3所示，共列出了15 個轉向運動的數據段:5 個直線行駛的數據段、5 個正常轉向的數據段及5 個緊急轉向的數據段。同時，也在表3中列出了上述數據段相對轉向運動狀態(tài)MGHMM 產生的概率(似然度值)并以對數形式給出。由表3可知，觀察序列和某MGHMM 的匹配程度越高，這個似然度值(負值)就越大。在表3中將正確的辨識結果用淺藍色背景標注。

表3 重型車輛行駛狀態(tài)辨識結果Tab.3 Identification results of heavy duty vehicle status

對復雜工況(雙移線工況)下處理后的方向盤傳感器數據，其轉向運動數據和行駛狀態(tài)的辨識結果如圖10 所示。

應用本文提出的基于雙層HMM 模型的重型車輛行駛狀態(tài)辨識的方法，在線辨識各個復雜工況的傳感器數據對應的車輛行駛狀態(tài)。側向運動、橫擺運動傳感器數據和行駛狀態(tài)在線辨識結果如圖11、圖12 所示，圖中標示出側向運動、橫擺運動數據(側向加速度、側傾角和橫擺角速度)和在線辨識的結果。

圖11 重型車輛側向運動狀態(tài)辨識結果Fig.11 Identification results of heavy vehicle lateral motion status

圖12 重型車輛橫擺運動狀態(tài)辨識結果Fig.12 Identification results of heavy vehicle yaw motion status

從圖10、圖11、圖12 中可以看出，隨著傳感器數據的變化，本文提出的在線辨識算法可以實時、準確地辨識出重型車輛各種行駛狀態(tài)(緊急、正常、直線行駛、側傾、側翻、橫擺等)。

縱向車速等級在線辨識結果如圖13 所示，對于縱向車速為70 km/h 時，其速度等級定義為7，其他縱向車速等級依次類推。

圖13 重型車輛車速等級在線辨識結果Fig.13 Identification results of heavy vehicle speed

由上述可知，本文建立的基于分層HMM 的重型車輛行駛狀態(tài)辨識方法可以有效、準確地完成重型車輛行駛狀態(tài)辨識任務，同時實時性較好。經過實驗驗證，該辨識方法的準確率為99.7%.

4 結論

本文提出一種基于雙層HMM 的重型車輛行駛狀態(tài)辨識方法，可動態(tài)辨識重型車輛單一或復雜工況下的行駛狀態(tài)(緊急轉向、正常、直線行駛、側傾、側翻、橫擺等)。實驗結果表明，本文提出的重型車輛行駛狀態(tài)辨識算法可以實現(xiàn)對重型車輛各種行駛狀態(tài)進行有效的識別，并且可達到較高的準確率，同時實時性較好。

文中沒有考慮重型車輛載荷發(fā)生變化，比如中途卸貨等，沒有研究在載荷發(fā)生變化的情況下辨識結果是否存在很大差異。在以后的研究中，需要完善辨識方法，實現(xiàn)各種載荷和駕駛工況下準確辨識重型車輛行駛狀態(tài)的目標。本研究的下一步計劃，將盡快將上述離線驗證算法應用到HiL 硬件在環(huán)實驗和實車試驗中。

References)

［1］朱天軍，宗長富，吳炳勝，等. 基于改進TTR 算法的重型車輛側翻預警系統(tǒng)［J］.機械工程學報，2011，47(10):88 -94.ZHU Tian-jun，ZONG Chang-fu，WU Bing-sheng，et al. Rollover warning system of heavy duty vehicle based on improved TTR algorithm［J］. Journal of Mechanical Engineering，2011，47(10):88 -94.(in Chinese)

［2］Zong C F，Zhu T J，Wang C，et al. Research on multi-objective stability control algorithm of heavy tractor semi-trailer based on differential braking［J］. Chinese Journal of Mechanical Engineering，2012，25(1):88 -97.

［3］Lin C C，Wang M S. Vehicle speeding early warning model using frame feature detection and HMM［C］∥IEEE 15th International Symposium on Consumer Electronics. Singapore:IEEE，2011:241 -244.

［4］Maghsood R，Johannesson P. Detection of the curves based on lateral acceleration using hidden Markov models［J］. Procedia Engineering，2013，66:425 -434.

［5］Gadepally V，Kurt A，Krishnamurthy A. Driver/vehicle state estimation and detection［C］∥14th International IEEE Conference on Intelligent Transportation Systems. Washington DC:IEEE，2011:582 -587.

［6］Pentland A P . Graphical models for driver behavior recognition in a smart car［C］∥Proceedings of the IEEE Intelligent Vehicles Symposium 2000.Dearborn，MI，US:IEEE，2000:7 -12.

［7］宗長富，楊肖，王暢，等. 汽車轉向時駕駛員駕駛意圖辨識與行為預測［J］.吉林大學學報:工學版，2009，39(1):28 -32.ZONG Chang-fu，YANG Xiao，WANG Chang，et al. Driving intentions identification and behaviors prediction in car lane change［J］. Journal of Jilin University :Engineering and Technology Edition，2009，39(1):28 -32.(in Chinese)

［8］呂岸，胡振程，陳慧. 基于高斯混合隱馬爾科夫模型的高速公路超車行為辨識與分析［J］.汽車工程，2010，32(7):630-634.LYU An，HU Zhen-cheng，CHEN Hui. Recognition and analysis on highway overtaking behavior based on gaussia mixture-hidden Markov model ［J］. Journal of Automotive Engineering，2010，32(7):630 -634.(in Chinese)

［9］Rabiner L R. A tutorial on hidden Markov models and selected applications in speech recognition［J］. Proceedings of the IEEE，1989，77(2):257 -286.

［10］Yu S Z，Hisashi K. An efficient forward-backward algorithm for an explicit-duration hidden markove model ［J］. IEEE Signal Processing Letters，2003，10(1):11 -14.

［11］蔡天凈，唐濠. Savitay-Golay 平滑濾波器的最小二乘擬合原理綜述［J］.數字通信，2011(1):63 -68.CAI Tian-jing，TANG Hao. The principle of least-squares review of Savitay-Golay smoothing filter ［J］. Digital Telecommunications，2011(1):63 -68.(in Chinese)

［12］肖樹臣，秦玉勛，韓吉慶. 基于格拉布斯法的試驗數據分析方法［J］.彈前與制導學報，2007，27(1):275 -277.XIAO Shu-chen，QING Yu-xun，HAN Ji-qing. A test analysis method based on Grubbs in experiments［J］. Journal of Projectiles，Rockets，Missiles and Guidance，2007，27(1):275 -277.(in Chinese)

［13］全國文獻工作標準化技術委員會.GB4883—85 數據的統(tǒng)計處理和解釋正態(tài)樣本異常值的判定和處理［S］. 北京:中國標準出版社，1985.Technical Committee of National Literature Work Standardization.GB4883—85 The statistical processing and interpretation of data processing and decision of the abnormal value of normal sample［S］. Beijing:China Standard Press，1985.(in Chinese)

［14］Agha M E L. Efficient and fast initialization algorithm for Kmeans clustering［J］. International Journal Intelligent Systems and Applications，2012(1):21 -31.