劉 鑫，毛星宇，鄧耀國(guó)，楊昌波

（1.廣西大學(xué) 機(jī)械工程學(xué)院，廣西 南寧 530004；2.東風(fēng)柳州汽車(chē)有限公司 商用車(chē)技術(shù)中心，廣西 柳州 545005）

0 引言

隨著科學(xué)技術(shù)的不斷發(fā)展，汽車(chē)的電動(dòng)化、智能化越來(lái)越成為當(dāng)下汽車(chē)發(fā)展的重要主題[1]，同時(shí)新能源汽車(chē)的發(fā)展有效地緩解了能源危機(jī)和環(huán)境污染[2]。為了提高汽車(chē)的能源利用效率，專家和學(xué)者們也對(duì)各種再生制動(dòng)技術(shù)進(jìn)行了廣泛的研究。研究表明，若采用再生制動(dòng)技術(shù)可以減少15%的能源消耗[3，4]，同時(shí)可以提高車(chē)輛的行駛里程。再生制動(dòng)控制策略是通過(guò)識(shí)別駕駛員的制動(dòng)意圖以實(shí)現(xiàn)制動(dòng)力的分配[5，6]，因此對(duì)駕駛員的制動(dòng)意圖識(shí)別的準(zhǔn)確性直接影響著能量回收的效率。

目前，對(duì)于制動(dòng)意圖識(shí)別的研究主要有兩大類[7]，一類是通過(guò)研究駕駛員的腦電波信號(hào)或車(chē)輛周?chē)沫h(huán)境信息提前判斷制動(dòng)意圖，該方法雖然可以提高綜合制動(dòng)性能，但是存在可靠性差、準(zhǔn)確率低等缺點(diǎn)[8，9]。另一類是通過(guò)研究駕駛員在制動(dòng)過(guò)程中的操作信號(hào)進(jìn)行制動(dòng)意圖識(shí)別，該方法具有較高的可靠性[10，11]。Kim 等[12]提出了一種基于神經(jīng)生理學(xué)特征的制動(dòng)意圖識(shí)別模型，實(shí)現(xiàn)了在緊急情況下提前識(shí)別制動(dòng)意圖，進(jìn)行緊急制動(dòng)。Li 等[13]提出了一種隱形馬爾可夫和貝葉斯過(guò)濾的換道意圖識(shí)別模型，識(shí)別的準(zhǔn)確率達(dá)到了90.98%。周恒平等[14]提出了一種基于極限學(xué)習(xí)機(jī)的駕駛員制動(dòng)意圖識(shí)別方法，選取了制動(dòng)踏板力、制動(dòng)踏板位移及變化率為特征參數(shù)，其模型的識(shí)別準(zhǔn)確率達(dá)到了95.56%。

神經(jīng)網(wǎng)絡(luò)在制動(dòng)意圖識(shí)別中運(yùn)用比較廣泛，憑借其高效的處理非線性問(wèn)題的能力，可以獲得較高的制動(dòng)意圖識(shí)別精度[15，16]。潘寧等[17]提出了一種基于神經(jīng)網(wǎng)絡(luò)的在線制動(dòng)意圖識(shí)別方法，有效地提高了制動(dòng)機(jī)構(gòu)的使用壽命，增強(qiáng)了制動(dòng)的舒適性。劉晏宇等[18]提出一種神經(jīng)網(wǎng)絡(luò)和模糊控制的混合算法，并通過(guò)Simulink 仿真和臺(tái)架試驗(yàn)驗(yàn)證了該方法可以準(zhǔn)確的識(shí)別駕駛員的制動(dòng)需求，提高了制動(dòng)系統(tǒng)的穩(wěn)定性。趙軒等[19]通過(guò)構(gòu)建雙層隱形馬爾可夫模型實(shí)現(xiàn)了基于駕駛意圖識(shí)別的復(fù)合制動(dòng)，結(jié)果表明在低速制動(dòng)時(shí)能量回收率達(dá)到了43.84%。因此，駕駛員制動(dòng)意圖的準(zhǔn)確識(shí)別對(duì)于提高能量的利用率是非常重要的。

通過(guò)以上分析可以看出，目前對(duì)于駕駛意圖識(shí)別仍然存在準(zhǔn)確率不高適應(yīng)性不強(qiáng)的問(wèn)題[20，21]。因此，本文提出一種基于半監(jiān)督學(xué)習(xí)支持向量機(jī)（SVM）的制動(dòng)意圖識(shí)別方法，以制動(dòng)踏板力、制動(dòng)踏板行程、制動(dòng)減速度為特征參數(shù)，并且引入未標(biāo)記的樣本進(jìn)行半監(jiān)督學(xué)習(xí)優(yōu)化SVM 制動(dòng)意圖識(shí)別模型，從而提高制動(dòng)意圖識(shí)別模型的準(zhǔn)確性。

1 實(shí)驗(yàn)數(shù)據(jù)采集

制動(dòng)意圖識(shí)別實(shí)驗(yàn)采用便攜式汽車(chē)動(dòng)態(tài)性能測(cè)試儀進(jìn)行數(shù)據(jù)采集，該測(cè)試設(shè)備主要由制動(dòng)踏板力傳感器、制動(dòng)踏板位移傳感器、數(shù)據(jù)采集卡、GPS 定位器、數(shù)據(jù)采集顯示器等部件組成，如圖1 所示。其中制動(dòng)踏板力傳感器是通過(guò)螺栓與制動(dòng)踏板相連接實(shí)時(shí)測(cè)試駕駛員對(duì)制動(dòng)踏板所施加的力。制動(dòng)踏板位移傳感器是采用的ES02 型位移傳感器，綜合誤差≤0.2%。GPS 定位器是固定在車(chē)輛頂部的中央，目的是實(shí)時(shí)測(cè)量車(chē)輛的速度。實(shí)驗(yàn)數(shù)據(jù)采集路線為南寧市區(qū)工況，其中包括城市普通道路、城市高架道路、城市擁堵道路等，如圖2 所示。實(shí)驗(yàn)的采樣頻率為1 Hz，共采集132568 條數(shù)據(jù)。采集的數(shù)據(jù)包含時(shí)間、車(chē)速、制動(dòng)踏板力、制動(dòng)踏板位移、側(cè)向加速度、方向盤(pán)轉(zhuǎn)角、車(chē)身側(cè)傾角等。

圖1 實(shí)驗(yàn)設(shè)備

圖2 實(shí)驗(yàn)路線

選取制動(dòng)踏板力、制動(dòng)踏板位移和制動(dòng)減速度作為制動(dòng)意圖識(shí)別的特征參數(shù)，并將制動(dòng)意圖分為低強(qiáng)度制動(dòng)、中強(qiáng)度制動(dòng)、高強(qiáng)度制動(dòng)三種類型。低強(qiáng)度制動(dòng)是駕駛員在車(chē)輛巡航過(guò)程中為了使速度保持在某一區(qū)間內(nèi)而進(jìn)行的緩慢減速。該工況通常會(huì)出現(xiàn)在車(chē)輛跟隨、短下坡路段等，其制動(dòng)踏板力、制動(dòng)踏板位移和制動(dòng)減速度均比較小。中強(qiáng)度制動(dòng)是駕駛員在等紅綠燈或車(chē)輛比較擁堵時(shí)進(jìn)行的制動(dòng)行為，而這些制動(dòng)工況通常是駕駛員可以提前進(jìn)行預(yù)判，并作出相應(yīng)的規(guī)劃。該工況是一種頻繁且安全的制動(dòng)情況，主要是為了主動(dòng)避讓一些障礙物而進(jìn)行的減速行為。因此該工況下的制動(dòng)踏板力、制動(dòng)踏板位移和制動(dòng)減速度為中等水平。高強(qiáng)度制動(dòng)是駕駛員在遇到緊急情況時(shí)需要立即停車(chē)而進(jìn)行的緊急制動(dòng)。該工況下的制動(dòng)踏板力、制動(dòng)踏板位移和制動(dòng)減速度是最大的。

2 識(shí)別模型建立

2.1 特征參數(shù)分析

為了將制動(dòng)意圖識(shí)別問(wèn)題轉(zhuǎn)化為可求解的數(shù)學(xué)問(wèn)題，本文將低強(qiáng)度制動(dòng)、中強(qiáng)度制動(dòng)、高強(qiáng)度制動(dòng)分別標(biāo)記為1、2、3。表1 為實(shí)驗(yàn)采集的部分制動(dòng)意圖數(shù)據(jù)。為了更直觀地描述特征參數(shù)與制動(dòng)意圖之間的相互聯(lián)系，將獲取的帶有標(biāo)記的實(shí)驗(yàn)數(shù)據(jù)集進(jìn)行計(jì)算類中心，如圖3 所示，其中黑色實(shí)心圓點(diǎn)代表三類制動(dòng)工況的類中心。從圖中可以看出三種不同制動(dòng)工況的特征參數(shù)分別匯聚在三個(gè)類中心周?chē)梢悦黠@的區(qū)分出低強(qiáng)度制動(dòng)、中強(qiáng)度制動(dòng)、高強(qiáng)度制動(dòng)。因此，本文將制動(dòng)踏板力、制動(dòng)踏板位移和制動(dòng)減速度作為制動(dòng)意圖識(shí)別的特征參數(shù)是非常合理的。

表1 典型制動(dòng)意圖的部分?jǐn)?shù)據(jù)

圖3 實(shí)驗(yàn)數(shù)據(jù)散點(diǎn)

由于制動(dòng)踏板力、制動(dòng)踏板行程、制動(dòng)減速度的量綱不同且差異較大，為了防止特征參數(shù)在后續(xù)的分析計(jì)算中失真，本文采用min-max 歸一化處理，將特征參數(shù)的值轉(zhuǎn)換到[0，1]之間。計(jì)算公式為：

式中，x*i為歸一化后的特征參數(shù)，xi為原始的特征參數(shù)，min（x）為特征參數(shù)的最小值，max（x）為特征參數(shù)的最大值。

2.2 基于C4.5 算法的制動(dòng)意圖識(shí)別模型

C4.5 算法是一種自頂向下生成決策樹(shù)的經(jīng)典分類算法，具有結(jié)構(gòu)簡(jiǎn)單、準(zhǔn)確率高等優(yōu)點(diǎn)。本文構(gòu)建的C4.5 制動(dòng)意圖識(shí)別模型的決策樹(shù)如圖4 所示。其中類別分為三類：1-低強(qiáng)度制動(dòng)、2-中強(qiáng)度制動(dòng)、3-高強(qiáng)度制動(dòng)，特征參數(shù)為：a-制動(dòng)踏板力、b-制動(dòng)踏板行程、c-制動(dòng)減速度。假設(shè)制動(dòng)意圖識(shí)別模型的數(shù)據(jù)集樣本訓(xùn)練集為D，類集合為Ci（i= 1，2，3），屬性為A，其中Ci類樣本占集合D的比例為pi。

圖4 基于C4.5 制動(dòng)意圖識(shí)別模型的決策樹(shù)

D的信息熵為：

A 的信息熵為：

A 的信息增益為：

A 的分裂信息為：

A 的信息增益率為：

重復(fù)以上過(guò)程即可計(jì)算出每個(gè)屬性的信息增益率，屬性A 的重要程度與信息增益率成正比。因此選擇信息增益率大的A 作為決策樹(shù)的分裂屬性。

2.3 基于ELM 的制動(dòng)意圖識(shí)別模型

ELM 是一種單層前饋人工神經(jīng)網(wǎng)絡(luò)，與BP 神經(jīng)網(wǎng)絡(luò)相比，具有計(jì)算復(fù)雜度低、運(yùn)算速度快等優(yōu)點(diǎn)。ELM 在訓(xùn)練時(shí)只需計(jì)算隱藏層和輸出層之間的連接權(quán)值，其他權(quán)值均為隨機(jī)產(chǎn)生。ELM 是由三層神經(jīng)網(wǎng)絡(luò)構(gòu)成，分別為輸入層、隱藏層、輸出層，如圖5 所示。

圖5 ELM 網(wǎng)絡(luò)結(jié)構(gòu)

假設(shè)有M 個(gè)樣本X= （xj，tj），其中xj= [xj1，xj2，…，xjm]?Rm，tj= [tj1，tj2，…，tjn]?Rn，隱藏層數(shù)目為L(zhǎng)。則ELM 的輸入輸出關(guān)系可以表示為：

式中，wi為第i個(gè)隱藏層單元的輸入權(quán)重，bi為第i個(gè)隱藏層單元的偏置，βi為第i個(gè)隱藏層單元的輸出權(quán)重，gc為激活函數(shù)。

ELM 的學(xué)習(xí)目標(biāo)是輸出誤差最小，即意味著代價(jià)函數(shù)值最小，與xj相關(guān)聯(lián)的期望值tj為：

最小損失函數(shù)為：

2.4 基于SVM 的制動(dòng)意圖識(shí)別模型

SVM 是一種監(jiān)督學(xué)習(xí)算法，它是通過(guò)核函數(shù)將樣本從低維空間映射到高維空間，以轉(zhuǎn)化為線性可分問(wèn)題。SVM 對(duì)解決高維度、小樣本的分類問(wèn)題具有較高準(zhǔn)確性，該方法的靈感主要來(lái)源與二元分類，但是在解決實(shí)際問(wèn)題時(shí)大部分為多分類問(wèn)題。因此為了構(gòu)建多分類的SVM，本文使用多個(gè)二元SVM 集成一個(gè)多分類SVM。

假設(shè)有W 個(gè)樣本，訓(xùn)練集為X′ = {（x1，y1），（x2，y2），…，（xw，yw）}，類標(biāo)簽為YW?{1，2，3}。首先通過(guò)訓(xùn)練數(shù)據(jù)集訓(xùn)練制動(dòng)意圖識(shí)別模型，然后通過(guò)測(cè)試數(shù)據(jù)集對(duì)訓(xùn)練模型進(jìn)行驗(yàn)證。由于本研究將制動(dòng)類別分為低強(qiáng)度制動(dòng)、中強(qiáng)度制動(dòng)、高強(qiáng)度制動(dòng)三種，所以需要訓(xùn)練三種不同類別的SVM 分類器才能實(shí)現(xiàn)對(duì)三種制動(dòng)意圖的識(shí)別，每一個(gè)SVM 二分類器都可以看作一個(gè)二次規(guī)劃問(wèn)題：

式中，α為L(zhǎng)agrange 乘子。

采用RBF 核函數(shù)作為SVM 的核函數(shù)，以提高SVM 分類器的準(zhǔn)確性，其表達(dá)式為：

式中，σ為核函數(shù)的寬度參數(shù)。

分類決策函數(shù)為：

為了提高SVM 制動(dòng)意圖識(shí)別模型的計(jì)算精度和收斂速度，本文采用粒子群算法對(duì)尋優(yōu)的核函數(shù)參數(shù)和懲罰因子進(jìn)行優(yōu)化。優(yōu)化流程如圖6 所示。

圖6 PSO 優(yōu)化核函數(shù)參數(shù)和懲罰因子的流程

2.5 基于半監(jiān)督學(xué)習(xí)SVM 的制動(dòng)意圖識(shí)別模型

為了提高制動(dòng)意圖識(shí)別模型的準(zhǔn)確性，因此需要大量有標(biāo)記的訓(xùn)練樣本集。然而實(shí)際生活中有標(biāo)記的數(shù)據(jù)是少量的，僅通過(guò)實(shí)驗(yàn)?zāi)M進(jìn)行獲取的，但是存在大量無(wú)標(biāo)記的數(shù)據(jù)。本文所利用的有標(biāo)記數(shù)據(jù)均為后期自行標(biāo)記的，對(duì)于采集到的海量數(shù)據(jù)標(biāo)記部分僅為一小部分。為了充分利用未標(biāo)記數(shù)據(jù)提升SVM 制動(dòng)意圖識(shí)別模型，本文將啟發(fā)式半監(jiān)督學(xué)習(xí)的思想運(yùn)用到SVM 制動(dòng)意圖識(shí)別模型中。首先通過(guò)有標(biāo)簽的數(shù)據(jù)訓(xùn)練一個(gè)SVM 分類器，然后對(duì)未標(biāo)記的數(shù)據(jù)進(jìn)行分類，從而獲得這部分?jǐn)?shù)據(jù)的“偽標(biāo)簽”，最后將置信度高的數(shù)據(jù)擴(kuò)充的訓(xùn)練集中。通過(guò)以上方法實(shí)現(xiàn)了半監(jiān)督學(xué)習(xí)SVM 的制動(dòng)意圖識(shí)別模型，流程如圖7所示。

圖7 基于半監(jiān)督學(xué)習(xí)SVM 的制動(dòng)意圖識(shí)別模型訓(xùn)練流程

在基于半監(jiān)督學(xué)習(xí)SVM 的制動(dòng)意圖識(shí)別模型構(gòu)建過(guò)程中，對(duì)于置信度較高的“偽標(biāo)簽”數(shù)據(jù)的選取是非常重要的。因此本文采用K-means 聚類思想對(duì)“偽標(biāo)簽”數(shù)據(jù)進(jìn)行分析。

假設(shè)樣本中兩個(gè)數(shù)據(jù)點(diǎn)為：x=（x1，x2，x3）、y=（y1，y2，y3），則它們之間的距離為：

假設(shè)樣本容量為N 的數(shù)據(jù)集{a1=（x1，y1，z1），…，an=（xn，yn，zn），}，則每個(gè)樣本點(diǎn)到其他點(diǎn)之間的距離之和為：

計(jì)算該數(shù)據(jù)集的類中心點(diǎn)：

計(jì)算每個(gè)樣本點(diǎn)到聚類中心的距離：

樣本點(diǎn)的聚類邊界為：

如果樣本數(shù)據(jù)點(diǎn)的bm

3 模型驗(yàn)證與結(jié)果分析

本文將所采集的制動(dòng)意圖識(shí)別數(shù)據(jù)集的70%作為訓(xùn)練集，剩余的30%作為測(cè)試集。對(duì)所構(gòu)建的C4.5、ELM、SVM 和半監(jiān)督學(xué)習(xí)SVM 的制動(dòng)意圖識(shí)別模型分別進(jìn)行訓(xùn)練和驗(yàn)證，其測(cè)試結(jié)果如圖8 所示。從圖中可以看出C4.5 制動(dòng)意圖識(shí)別模型有8 次識(shí)別錯(cuò)誤，ELM 制動(dòng)意圖識(shí)別模型有8 次識(shí)別錯(cuò)誤，SVM 制動(dòng)意圖識(shí)別模型有7 次識(shí)別錯(cuò)誤，半監(jiān)督學(xué)習(xí)SVM 制動(dòng)意圖識(shí)別模型僅有5 次識(shí)別錯(cuò)誤，小于其他3 種識(shí)別模型。因此,本文構(gòu)建的基于半監(jiān)督學(xué)習(xí)SVM 制動(dòng)意圖識(shí)別模型的識(shí)別正確率高于其他三種。

圖8 制動(dòng)意圖識(shí)別模型測(cè)試結(jié)果

為了更加準(zhǔn)確地分析所構(gòu)建的制動(dòng)意圖識(shí)別模型的準(zhǔn)確性，統(tǒng)計(jì)了多次訓(xùn)練結(jié)果并建立了各種識(shí)別模型的混淆矩陣，如圖9 所示。與混淆矩陣相對(duì)應(yīng)的正確率和錯(cuò)誤率矩陣如圖10 所示。在低強(qiáng)度制動(dòng)意圖識(shí)別任務(wù)中，通過(guò)對(duì)860 次制動(dòng)意圖的識(shí)別，C4.5模型有40 次識(shí)別錯(cuò)誤，正確率為95.3%；ELM 模型有54 次識(shí)別錯(cuò)誤，正確率為93.7%；SVM 模型有14 次識(shí)別錯(cuò)誤，正確率為98.3%；半監(jiān)督學(xué)習(xí)SVM 模型僅有6 次識(shí)別錯(cuò)誤，正確率達(dá)到了99.3%。并且對(duì)于低強(qiáng)度制動(dòng)意圖識(shí)別錯(cuò)誤的樣本均被識(shí)別為中強(qiáng)度制動(dòng)工況，沒(méi)有被錯(cuò)誤識(shí)別為高強(qiáng)度制動(dòng)工況，說(shuō)明所構(gòu)建的模型參數(shù)較為合理。在中強(qiáng)度制動(dòng)意圖識(shí)別任務(wù)中，通過(guò)對(duì)860 次制動(dòng)意圖的識(shí)別，C4.5 模型有114 次識(shí)別錯(cuò)誤，正確率為86.7%；ELM 模型有142次識(shí)別錯(cuò)誤，正確率為83.5%；SVM 模型有100 次識(shí)別錯(cuò)誤，正確率為88.6%；半監(jiān)督學(xué)習(xí)SVM 模型僅有72 次識(shí)別錯(cuò)誤，正確率達(dá)到了91.6%。在高強(qiáng)度制動(dòng)意圖識(shí)別任務(wù)中，通過(guò)對(duì)880 次制動(dòng)意圖的識(shí)別，C4.5 模型有32 次識(shí)別錯(cuò)誤，正確率為96.4%；ELM模型有56 次識(shí)別錯(cuò)誤，正確率為93.6%；SVM 模型有30 次識(shí)別錯(cuò)誤，正確率為96.6%；半監(jiān)督學(xué)習(xí)SVM 模型僅有16 次識(shí)別錯(cuò)誤，正確率達(dá)到了98.2%。通過(guò)以上數(shù)據(jù)的對(duì)比，說(shuō)明基于半監(jiān)督學(xué)習(xí)SVM 的制動(dòng)意圖識(shí)別模型在低強(qiáng)度制動(dòng)、中強(qiáng)度制動(dòng)、高強(qiáng)度制動(dòng)三個(gè)工況均有較高的識(shí)別精度，均優(yōu)于C4.5 模型、ELM 模型和SVM 模型。

圖9 制動(dòng)意圖識(shí)別結(jié)果的混淆矩陣

圖10 制動(dòng)意圖識(shí)別結(jié)果的正確率與錯(cuò)誤率矩陣

為了進(jìn)一步對(duì)半監(jiān)督學(xué)習(xí)SVM 的制動(dòng)意圖識(shí)別模型進(jìn)行評(píng)估，采用KIA系數(shù)對(duì)模型的正確率進(jìn)行評(píng)價(jià)，KIA系數(shù)是一種衡量分類精度的指標(biāo)，系數(shù)越高說(shuō)明該模型的分類準(zhǔn)確度越高。KIA系數(shù)的計(jì)算公式為：

式中，p0為觀測(cè)精確性單元的比例，pc為偶然性一致單元的比例，xii為混淆矩陣中對(duì)角線上的元素，x+i為第i行所有元素之和，x+i為第i列所有元素之和，N為所有元素之和。

圖11 為不同識(shí)別模型在訓(xùn)練過(guò)程中KIA的變化曲線圖。從圖中可以看出，半監(jiān)督學(xué)習(xí)SVM 模型的KIA值最大，ELM 模型的KIA值最小，C4.5 模型和SVM 模型介于兩者之間。說(shuō)明半監(jiān)督學(xué)習(xí)SVM 制動(dòng)意圖識(shí)別模型的分類精度是最高的，其平均值達(dá)到了0.941。并且半監(jiān)督學(xué)習(xí)SVM 模型的KIA曲線比較平緩，說(shuō)明半監(jiān)督學(xué)習(xí)SVM 制動(dòng)意圖識(shí)別模型的穩(wěn)定型較好，每次訓(xùn)練的差異性較小。

圖11 不同識(shí)別模型的KIA 變化曲線

4 結(jié)論

針對(duì)制動(dòng)意圖識(shí)別過(guò)程中準(zhǔn)確率低的問(wèn)題，提出一種基于半監(jiān)督學(xué)習(xí)SVM 制動(dòng)意圖識(shí)別方法，并通過(guò)實(shí)車(chē)采集的數(shù)據(jù)對(duì)該模型進(jìn)行了驗(yàn)證獲得以下結(jié)論：

（1）以制動(dòng)踏板力、制動(dòng)踏板行程、制動(dòng)減速度為特征參數(shù)構(gòu)建了制動(dòng)意圖識(shí)別模型，并將制動(dòng)意圖分為低強(qiáng)度制動(dòng)、中強(qiáng)度制動(dòng)、高強(qiáng)度制動(dòng)。

（2）在訓(xùn)練的數(shù)據(jù)中加入了大量未標(biāo)記的數(shù)據(jù)，解決了現(xiàn)實(shí)中缺乏標(biāo)記數(shù)據(jù)的問(wèn)題，實(shí)現(xiàn)了在少量標(biāo)記數(shù)據(jù)下進(jìn)行高效精準(zhǔn)的制動(dòng)意圖的識(shí)別。采用半監(jiān)督學(xué)習(xí)SVM 方法，通過(guò)對(duì)未標(biāo)記數(shù)據(jù)分配“偽標(biāo)簽”并計(jì)算其置信度，從而將置信度高的數(shù)據(jù)擴(kuò)充到訓(xùn)練集中，實(shí)現(xiàn)數(shù)據(jù)的高效利用。

（3）通過(guò)實(shí)驗(yàn)采集的數(shù)據(jù)對(duì)所構(gòu)建的半監(jiān)督學(xué)習(xí)SVM 制動(dòng)意圖識(shí)別模型進(jìn)行驗(yàn)證。結(jié)果表明，半監(jiān)督學(xué)習(xí)SVM 制動(dòng)意圖識(shí)別模型的識(shí)別準(zhǔn)確率高于C4.5、ELM 和SVM 模型，其中對(duì)低強(qiáng)度制動(dòng)、中強(qiáng)度制動(dòng)、高強(qiáng)度制動(dòng)的識(shí)別正確率分別為99.3%、91.6%、98.2%，平均為96.4%，大大提高了制動(dòng)意圖識(shí)別的準(zhǔn)確性。