摘" 要： 針對麻雀搜索算法（SSA）跟隨者接近種群內(nèi)個體最佳位置時收斂速度過快而導(dǎo)致易陷入局部最優(yōu)的問題，文中提出一種基于動態(tài)自適應(yīng)的改進(jìn)型麻雀搜索算法（ASSA）。首先，在搜索尋優(yōu)過程中，對發(fā)現(xiàn)者位置和跟隨者位置進(jìn)行動態(tài)更新，為保證算法在迭代后期的收斂速度，警戒者的個數(shù)采用線性遞減的方式；其次，為防止算法陷入局部最優(yōu)而導(dǎo)致的迭代中斷，通過高斯隨機(jī)分布形成新的發(fā)現(xiàn)者；最后，為驗證改進(jìn)算法的有效性，利用4種典型的函數(shù)進(jìn)行測試，測試結(jié)果與SSA進(jìn)行對比。結(jié)果表明：ASSA能夠有效解決SSA易陷入局部最優(yōu)的問題，并在收斂速度等性能上得到了有效提升。在此基礎(chǔ)上，將ASSA算法應(yīng)用到車聯(lián)網(wǎng)駕駛行為識別中，通過優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，使得網(wǎng)絡(luò)具有更高的識別準(zhǔn)確率和性能。

關(guān)鍵詞： 麻雀搜索算法； 動態(tài)自適應(yīng)； BP神經(jīng)網(wǎng)絡(luò)； 駕駛行為識別； 車聯(lián)網(wǎng)； 高斯隨機(jī)分布

中圖分類號： TN911?34； TP2" " " " " " " " " " " 文獻(xiàn)標(biāo)識碼： A" " " " " " " " " " " 文章編號： 1004?373X（2024）23?0147?07

Dynamic adaptive sparrow search algorithm and its application

in driving behavior recognition in IoV

TU Youbin1， KAN Xinyu2， WANG Yan1， DENG Zhixiang2

（1. China Information Technology Designing amp; Consulting Institute Co.， Ltd.， Nanjing 210019， China;

2. College of Information Science and Engineering， Hohai University， Changzhou 213251， China）

Abstract： In view of the local optimum caused by the fact that the sparrow search algorithm （SSA） converges too fast when the follower approaches the optimal individual position in the population， this paper proposes an altered sparrow search algorithm （ASSA） based on dynamic adaptation. The positions of the discoverers and the followers are updated dynamically in the process of search and optimizing. Meanwhile， the number of watchmen is decreasing linearly in order to ensure the convergence speed of the algorithm in the later iteration. New producers are generated by Gaussian random distribution， so as to prevent the iteration interruption caused by the fact that the algorithm will fall into local optimum. Four typical functions are used to test the performance of the proposed algorithm to verify its validity. The test results are compared with SSA. The results show that the ASSA can effectively avoid the fact that the SSA is prone to falling into local optimum， and the convergence speed of the ASSA is satisfactory in comparison with that of the SSA. On this basis， the ASSA algorithm is applied to the driving behavior identification in the Internet of Vehicle （IoV）. By optimizing the BP neural network， the ASSA algorithm makes the network have higher recognition accuracy and superior performance.

Keywords： SSA; dynamic adaption; BP neural network; driving behavior recognition; IoV; Gaussian random distribution

0" 引" 言

隨著科學(xué)和工程問題的深入研究，對算法的性能優(yōu)化要求越來越嚴(yán)格，傳統(tǒng)的優(yōu)化算法難以滿足需求。因此，人們通過生物的群集行為，提出了許多群體智能優(yōu)化問題，其中包括通過粒子追隨找到最優(yōu)解和整個群的最優(yōu)解來完成的粒子群優(yōu)化（Particle Swarm Optimization， PSO）算法；基于改進(jìn)收斂因子策略和引入動態(tài)權(quán)重策略以及兩種策略混合改進(jìn)的灰狼優(yōu)化（Grey Wolf Optimization， GWO）算法；基于模擬螞蟻尋徑行為的蟻群優(yōu)化（Ant Colony Optimization， ACO）算法；基于麻雀種群中的覓食行為和反捕食行為提出的麻雀搜索算法（Sparrow Search Algorithm， SSA）等[1?5]。

SSA算法相較于其他群體智能優(yōu)化算法具有魯棒性強(qiáng)、收斂速度快、易操作等優(yōu)點(diǎn)，但是SSA算法與其他群體優(yōu)化算法類似，在跟隨者接近種群內(nèi)個體最佳位置時，由于其收斂速度過快，會導(dǎo)致種群多樣性降低，算法容易陷入局部最優(yōu)。為了進(jìn)一步提高SSA的優(yōu)化性能，本文提出了一種基于動態(tài)自適應(yīng)的改進(jìn)型麻雀搜索算法（Altered Sparrow Search Algorithm， ASSA），通過設(shè)置一定的選擇概率同時依賴遍歷性隨機(jī)數(shù)來接近最優(yōu)位置，這不僅保證了全局的收斂性，而且能夠保證遍歷搜索最優(yōu)位置的可靠性，不會導(dǎo)致種群多樣性的缺失，從而有效解決算法易陷入局部最優(yōu)的問題。

本文對標(biāo)準(zhǔn)麻雀搜索算法進(jìn)行改進(jìn)，并系統(tǒng)地驗證優(yōu)化后的算法性能，使用改進(jìn)型麻雀搜索算法優(yōu)化標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)模型，并將其應(yīng)用在車聯(lián)網(wǎng)駕駛行為識別檢測上，對識別效果進(jìn)行全面的對比，驗證了此算法的可行性和有效性。

1" 自適應(yīng)麻雀搜索算法

1.1" 麻雀搜索算法

麻雀搜索算法是2020年提出的基于麻雀種群搜尋食物區(qū)域同時躲避獵食者行為的群智能優(yōu)化算法[5]，具有較好的全局搜索和局部開發(fā)能力。

在SSA算法運(yùn)行過程中，進(jìn)行每一次迭代時，發(fā)現(xiàn)者的位置更新如式（1）所示：

[xt+1ij=xtij?exp-iα?itermax，" " "R2lt;STxtij+Q?L，" " "R2≥ST] （1）

式中：[t]代表當(dāng)前迭代數(shù)；[j=1，2，…，d]；itermax代表初始化時設(shè)置的最大迭代次數(shù)；[xtij]代表麻雀種群中第[t]次迭代時第[i]個個體的第[j]維位置；[α]∈（0，1]代表隨機(jī)數(shù)；[R2]（[R2]∈[0，1]）和ST（ST∈[0.5，1]）代表警戒值與安全值；[Q]為服從標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)；[L]代表[1×d]的矩陣，矩陣中各元素均為1。在式（1）中，若[R2]lt;ST，表明當(dāng)前覓食區(qū)域附近無危險，發(fā)現(xiàn)者能夠?qū)κ澄镔Y源進(jìn)行廣泛搜尋；[R2]≥ST意味著覓食區(qū)域有危險，需要立刻前往安全區(qū)域進(jìn)行覓食。

在每次迭代過程中，跟隨者的位置更新描述公式如下：

[xt+1ij=Q?expxtwj-xtiji2，" " " "igt;n 2xtij+xtij-xt+1pj?A+?L，" " " "otherwise] （2）

式中：[xt+1pj]為第[t]+1次迭代時發(fā)現(xiàn)者的最優(yōu)位置；[xtwj]為第[t]次迭代時的全局最差位置；[A]為[1×d]矩陣并且滿足[A+=AT（AAT）-1]，矩陣?yán)锔髟夭捎?或者-1隨機(jī)進(jìn)行賦值。如果[igt;n2]，說明適應(yīng)度值低的第[i]個跟隨者沒有獲取到食物資源，必須飛向別的區(qū)域搜尋食物，獲取個體所需的能量。

跟隨者依據(jù)式（1）和式（2）更新自身位置，在麻雀群搜索食物時，若跟隨者察覺到發(fā)現(xiàn)者搜尋到更優(yōu)的食物資源，則會與其進(jìn)行競爭，一旦戰(zhàn)勝，立刻吞并發(fā)現(xiàn)者占有的食物，否則只能繼續(xù)執(zhí)行式（2）。

在模型構(gòu)建過程中，警戒者的數(shù)量占種群的10%～20%，其位置是隨機(jī)產(chǎn)生的。根據(jù)式（3），在每次迭代的過程中，警戒者位置更新的數(shù)學(xué)表達(dá)式如下：

[xt+1ij=xtij+β?xtij-xtbj，" " " figt;fgxtij+K?xtij-xtwj（fi-fw）+ε，" " " fi=fg] （3）

式中：[xtbj]表示第[t]次迭代時麻雀種群中的最優(yōu)位置；[β]表示均值為0、方差為1的正態(tài)分布，是控制麻雀個體位置移動的隨機(jī)數(shù)變量；[ fi]、[ fg]、[ fw]分別表示當(dāng)前麻雀個體的適應(yīng)度值、全局最優(yōu)及最差適應(yīng)度值，[figt;fg]意味著位于種群的邊緣，易被獵食者捕食，[fi=fg]意味著種群內(nèi)的警戒者察覺到了獵食者的存在，需要立即向安全位置移動；[ε]為常數(shù)，避免分母為零；[K]∈[-1，1]為隨機(jī)數(shù)，既可以體現(xiàn)種群的遷移方位，同樣也是控制麻雀個體位置移動的參數(shù)變量。

1.2" 基于動態(tài)自適應(yīng)的改進(jìn)型麻雀搜索算法

在發(fā)現(xiàn)者個體的位置更新公式中，當(dāng)[R2lt; ]ST時，麻雀個體收斂于當(dāng)前最優(yōu)解的方式是直接跳躍到當(dāng)前最優(yōu)解附近，當(dāng)麻雀搜索算法中的跟隨者接近種群內(nèi)個體的最佳位置時，雖然可以快速收斂，但由于收斂速度過快，會導(dǎo)致種群多樣性降低，算法容易陷入局部最優(yōu)。通過設(shè)置一定的選擇概率，同時依賴遍歷性隨機(jī)數(shù)來接近最優(yōu)位置，這不僅保證了全局的收斂性，而且能夠確保遍歷搜索最優(yōu)位置的可靠性，不會導(dǎo)致種群多樣性的缺失，能夠有效解決算法易陷入局部最優(yōu)的問題。具體更新規(guī)則如下。

1） 發(fā)現(xiàn)者位置更新公式修改為：

[xt+1ij=xtij+randn（0，1），" "概率為Psxtij-randn（0，1），" "概率為1-Ps，" R2lt;STxtij+Q?L，" " " " " " " R2≥ST] （4）

式中[Ps]為選擇概率。當(dāng)[R2lt;ST]時，表示附近沒有天敵，發(fā)現(xiàn)者執(zhí)行廣泛的搜索，在搜索尋優(yōu)過程中，對發(fā)現(xiàn)者位置進(jìn)行動態(tài)更新，規(guī)則是：以概率[Ps]采用[xtij+randn（0，1）]進(jìn)行位置更新，其他采用[xtij-randn（0，1）]進(jìn)行位置更新；[R2]≥ST時，更新規(guī)則和原式相同，randn（0，1）表示均值為0、方差為1的高斯隨機(jī)分布。

[Ps]的計算公式為：

[Ps=-exp1-titermax20+θ] （5）

式中[θ]為調(diào)整參數(shù)，設(shè)置為0.05。

2） 跟隨者位置更新公式更改為：

[xt+1ij=Q?expxtwj-xtiji2，" " "igt;n2xtij+xtkj-xtij×F×randn（0，1），" " otherwise] （6）

式中：[xtkj]代表發(fā)現(xiàn)者位置；[F]∈[0，1]代表跟隨者跟隨發(fā)現(xiàn)者尋找食物的概率。其他情況下跟隨者以一定概率向發(fā)現(xiàn)者靠近，隨機(jī)數(shù)[randn（0，1）]保證了全局的收斂性和種群的多樣性。

3） 警戒者可用于提升SSA算法的全局搜索能力，但若警戒者的個數(shù)始終處于恒定狀態(tài)，會在一定程度上減緩算法后期的收斂速度，所以對于警戒者個數(shù)的更迭，選擇線性遞減的方式。警戒者個數(shù)隨迭代次數(shù)增加而線性遞減的公式如下：

[Num=int1-titermax×Numi+1] （7）

式中：Num表示當(dāng)前警戒者數(shù)量；[t]表示當(dāng)前迭代次數(shù)；itermax表示最大迭代次數(shù)；[Numi]表示初始化時設(shè)置的警戒者數(shù)量。

4） 針對SSA算法因為陷入局部最優(yōu)而導(dǎo)致出現(xiàn)的迭代中斷現(xiàn)象，借助高斯隨機(jī)分布的方式形成新的發(fā)現(xiàn)者個體，新的發(fā)現(xiàn)者個體位置定義見式（8）。

[xt+1i=Gaussian（xti，σ）] （8）

[σ=cosπ×t2itermax×xti-x*t（t）] （9）

式中[x*t]代表發(fā)現(xiàn)者群體中的任意一只麻雀。隨著算法運(yùn)行過程中迭代次數(shù)的上升，改進(jìn)算法能夠使算法整體和局部的搜索性能達(dá)到均衡。

1.3" SSA算法和ASSA算法性能對比測試

為了進(jìn)一步體現(xiàn)標(biāo)準(zhǔn)麻雀算法以及改進(jìn)型麻雀算法的有效性，采用以下4種常見的測試函數(shù)對算法性能進(jìn)行測試。測試函數(shù)類型及定義如表1所示。

與目前常見的群智能優(yōu)化算法相比，SSA具備收斂速度快的優(yōu)勢。在此基礎(chǔ)上，還需要進(jìn)一步比較SSA算法和ASSA算法的性能，評估改進(jìn)后的麻雀搜索算法的優(yōu)化效果。在進(jìn)行SSA和ASSA模擬實驗測試之前，必須對SSA和ASSA的各個參數(shù)進(jìn)行設(shè)置，以確保自變量完全相同。其中：[n]為麻雀種群總量的數(shù)目，取值設(shè)為100；PD為發(fā)現(xiàn)者占種群總量的比例，取值為40%；SD為警戒者占種群總量的比例，取值為20%；[R2]為預(yù)警值，取0.6；迭代次數(shù)iter設(shè)定為100次；兩種算法運(yùn)行次數(shù)[C]=10次。

為了更加直觀清晰地對比SSA算法和ASSA算法的優(yōu)化過程及收斂速度，選取表1中4個函數(shù)進(jìn)行對比分析。如圖1所示，[f1（x）]、[f2（x）]為單峰測試函數(shù)，[f3（x）]、[f4（x）]為多峰測試函數(shù)，對每組測試函數(shù)運(yùn)行10次，取平均值。

如表2所示是SSA算法和ASSA算法的測試對比情況，對4個標(biāo)準(zhǔn)測試函數(shù)獨(dú)立測試10次得到最優(yōu)值、平均值、最差值并取其平均值作為結(jié)果。

由上述實驗展示的相關(guān)測試函數(shù)的結(jié)果，在相同的測試函數(shù)條件下ASSA算法無論是在收斂速度、達(dá)到目標(biāo)值的迭代次數(shù)，還是優(yōu)化過后的平均值、最小值、最大值等各個方面都要優(yōu)于SSA算法，表明ASSA算法相比SSA算法在性能上得到了有效的提升。

2" 基于ASSA算法的車聯(lián)網(wǎng)駕駛行為識別

2.1" 車聯(lián)網(wǎng)駕駛行為識別流程

歷史數(shù)據(jù)表明，近90%的碰撞事故是由駕駛員的錯誤駕駛行為引起的。車輛的智能化網(wǎng)聯(lián)化是緩解交通事故、提高公路交通安全性能，保障人身安全及財產(chǎn)的有效技術(shù)和手段。對駕駛行為進(jìn)行分析與預(yù)測是智能交通的研究熱點(diǎn)內(nèi)容之一[6]。車聯(lián)網(wǎng)通過現(xiàn)代信息技術(shù)采集并融合車輛、路基和駕駛員等信息，通過物聯(lián)網(wǎng)實現(xiàn)信息的互聯(lián)互通，駕駛行為分析也是車聯(lián)網(wǎng)領(lǐng)域的重要研究內(nèi)容之一，主要方法包括機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)[7]、基于注意力機(jī)制的識別方法[8]等。

車聯(lián)網(wǎng)的重要工作是異常駕駛行為識別、駕駛行為預(yù)測和危險行為預(yù)警。車聯(lián)網(wǎng)利用智能終端（如智能手機(jī)、車載OBD終端、行車記錄儀等）攜帶的MEMS慣性傳感器采集表征環(huán)境感知、車輛運(yùn)行動態(tài)與駕駛行為的各種傳感器數(shù)據(jù)[9]，通過神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，得到各類較為精準(zhǔn)的駕駛行為模型，與感知數(shù)據(jù)關(guān)鍵特征匹配后確定其駕駛行為類別，然后進(jìn)行駕駛行為預(yù)測和危險行為預(yù)警。車聯(lián)網(wǎng)駕駛行為識別流程如圖2所示。

車聯(lián)網(wǎng)駕駛行為檢測識別流程主要包括如下步驟：

1） 通過數(shù)據(jù)感知采集車輛行駛數(shù)據(jù)，并進(jìn)行歸一化和去噪；

2） 通過端點(diǎn)檢測算法檢測出駕駛行為的起止點(diǎn)，構(gòu)建數(shù)據(jù)的特征向量；

3） 設(shè)計并改進(jìn)分類識別算法，構(gòu)建數(shù)據(jù)集對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和測試，確定待識別駕駛行為的類別。

相對于傳統(tǒng)模式識別算法，神經(jīng)網(wǎng)絡(luò)算法自動學(xué)習(xí)特征權(quán)重，有效挖掘數(shù)據(jù)的時空特性，具有準(zhǔn)確度高、并行分布處理能力強(qiáng)、分布存儲及學(xué)習(xí)能力強(qiáng)、對噪聲有較強(qiáng)的魯棒性和容錯能力、能充分逼近復(fù)雜的非線性關(guān)系等優(yōu)點(diǎn)。

2.2" ASSA?BP神經(jīng)網(wǎng)絡(luò)算法模型

由于BP神經(jīng)網(wǎng)絡(luò)初始的權(quán)值和閾值是隨機(jī)選取的，易陷入局部極小值，導(dǎo)致訓(xùn)練模型的誤差較大，分類識別效果不佳。SSA算法用于改進(jìn)SVM性能，從而提高檢測精度[10?13]。

本文將ASSA算法用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。首先，利用ASSA算法將BP神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閾值映射為種群內(nèi)麻雀個體位置的適應(yīng)度值，并對ASSA模型中種群個體適應(yīng)度值進(jìn)行尋優(yōu)；再將ASSA算法輸出的最優(yōu)適應(yīng)度值映射為其訓(xùn)練模型的權(quán)值和閾值；然后進(jìn)行訓(xùn)練，并計算和評估同BP神經(jīng)網(wǎng)絡(luò)產(chǎn)生的誤差間的關(guān)系；最后，將BP神經(jīng)網(wǎng)絡(luò)產(chǎn)生的誤差評價指標(biāo)反饋給麻雀種群，利用適應(yīng)度函數(shù)進(jìn)行相應(yīng)的適應(yīng)度計算，搜索適應(yīng)度值更優(yōu)的麻雀個體。

ASSA?BP算法具體步驟如下。

步驟1：建立BP神經(jīng)網(wǎng)絡(luò)，確定神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。

步驟2：隨機(jī)生成初始的權(quán)值和閾值并輸入到BP神經(jīng)網(wǎng)絡(luò)中。

步驟3：使用訓(xùn)練樣本和測試樣本分別對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試。

步驟4：如果達(dá)到訓(xùn)練精度，測試誤差，并轉(zhuǎn)至ASSA算法進(jìn)行種群初始化；如果不滿足訓(xùn)練精度且沒有達(dá)到最大迭代次數(shù)，返回至步驟2；如果不滿足訓(xùn)練精度但達(dá)到迭代次數(shù)，同樣跳轉(zhuǎn)至ASSA算法模塊。

步驟5：將權(quán)值和閾值映射為麻雀種群內(nèi)個體的適應(yīng)度值，并根據(jù)適應(yīng)度函數(shù)評估個體。

步驟6：采用動態(tài)自適應(yīng)改進(jìn)的方法，依據(jù)式（4）、式（6）、式（3）分別更新發(fā)現(xiàn)者、跟隨者、警戒者的適應(yīng)度值，利用最優(yōu)解代替原有解。

步驟7：采用高斯隨機(jī)游走策略，依據(jù)式（8）、式（9）生成新的發(fā)現(xiàn)者個體，引導(dǎo)種群跳出局部最小化，同時利用式（7）對警戒者數(shù)量進(jìn)行調(diào)整。

步驟8：選擇最優(yōu)的適應(yīng)度解，并判定是否滿足結(jié)束條件，若不滿足，則重新返回步驟2進(jìn)行訓(xùn)練迭代直到滿足設(shè)定的結(jié)束條件；若滿足，則將最優(yōu)的適應(yīng)度值映射為BP神經(jīng)網(wǎng)絡(luò)最終的權(quán)值和閾值進(jìn)行模型訓(xùn)練及分類識別。

采用ASSA算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)之前，需要對參數(shù)進(jìn)行如下設(shè)置。

1） 設(shè)置ASSA算法的最大迭代次數(shù)itermax、警戒閾值[R2]、安全值ST。

2） 設(shè)置ASSA算法的參數(shù)，參數(shù)包括解決方案的數(shù)量（[Nz]）、麻雀種群的個體總數(shù)（[Na]）、發(fā)現(xiàn)者的數(shù)量（[Nb]）、跟隨者的數(shù)量（[Nc]）以及解的維度[D]。

[Na=2Nz=Nb+NcNb=Nc] （10）

[D]維解向量包括神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，解的維數(shù)滿足式（11）。

[D=Ninput×Nhidden+Nhidden×Noutput+Nhidden] （11）

式中：[Ninput]、[Nhidden]、[Noutput]分別表示輸入層、隱含層、輸出層節(jié)點(diǎn)數(shù)。

3） 跟隨者在現(xiàn)有發(fā)現(xiàn)者適應(yīng)度值的基礎(chǔ)上尋找新的更優(yōu)適應(yīng)度值，當(dāng)跟隨者進(jìn)行位置更新時，計算該位置的適應(yīng)度值，適應(yīng)度值的計算如式（12）所示：

[fitness=argminw， b （MSE）] （12）

4） 警戒者檢查跟隨者的更新位置和報警值，判斷是否需要重新初始化，尋優(yōu)并實時更新適應(yīng)度值。種群中麻雀個體重新初始化的定義如式（13）所示：

[Xi=Xmin+randn（0，1）（Xmax-Xmin）] （13）

式中：[Xi]、[Xmax]、[Xmin]分別表示個體重新初始化后的適應(yīng)度值、種群個體最佳適應(yīng)度值、種群個體最差適應(yīng)度值。

全部迭代完成后，得到全局最優(yōu)解，并將ASSA算法得到的輸出值作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，使用這些初始參數(shù)來訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。

2.3" 仿真結(jié)果分析

本文在Matlab軟件環(huán)境下對數(shù)據(jù)進(jìn)行識別和分類仿真。通過數(shù)據(jù)采集、去噪、歸一化、端點(diǎn)檢測等流程后共獲取了3 250組實驗數(shù)據(jù)。在實驗中隨機(jī)選取2 500組數(shù)據(jù)作為訓(xùn)練樣本集，其余750組數(shù)據(jù)作為測試樣本集。如表3所示，給六種不同的車輛駕駛行為添加樣本標(biāo)簽，采用均方誤差函數(shù)來計算BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的誤差值，其數(shù)學(xué)表達(dá)式如式（14）所示：

[MSE=1nmi=1mj=1n（x*ij-xij）2] （14）

式中：[m]是訓(xùn)練數(shù)據(jù)的個數(shù)；[n]是輸出層節(jié)點(diǎn)個數(shù)；[x*ij]、[xij]分別是網(wǎng)絡(luò)模型的目標(biāo)輸出值和實際輸出值。

SSA?BP神經(jīng)網(wǎng)絡(luò)以及ASSA?BP神經(jīng)網(wǎng)絡(luò)的最大迭代次數(shù)itermax設(shè)置為5 000，目標(biāo)均方誤差值設(shè)置為0.001。SSA?BP神經(jīng)網(wǎng)絡(luò)及ASSA?BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練時的均方誤差（Mean Squared Error， MSE）曲線如圖3所示。

通過圖3a）能夠發(fā)現(xiàn)，在使用SSA?BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時，當(dāng)網(wǎng)絡(luò)訓(xùn)練迭代次數(shù)為84次時，其均方誤差達(dá)到0.000 951 1，達(dá)到設(shè)置的訓(xùn)練精度0.001，并且迭代次數(shù)下降非常明顯，此時訓(xùn)練（Train）的最佳均方誤差與目標(biāo)均方誤差曲線基本重合。通過圖3b）可知，當(dāng)使用ASSA?BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時，均方誤差收斂速度更快，僅經(jīng)過20次迭代，其訓(xùn)練（Train）的最小均方誤差就已經(jīng)達(dá)到了設(shè)定的目標(biāo)均方誤差精度0.001。

ASSA?BP的最優(yōu)適應(yīng)度和收斂速度都比SSA?BP有所提高，由此可以驗證本文使用ASSA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù)的有效性。

表4、圖4是兩種網(wǎng)絡(luò)結(jié)構(gòu)的分類識別準(zhǔn)確率、精確率、召回率、[F1]值、假陽性率的對比。相比于標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)，SSA?BP神經(jīng)網(wǎng)絡(luò)具有更快的收斂速度，對車輛駕駛行為的識別率達(dá)到了92.6%；而ASSA?BP神經(jīng)網(wǎng)絡(luò)使用更少的迭代次數(shù)便達(dá)到預(yù)先設(shè)定的訓(xùn)練精度，并且對異常駕駛行為的識別率可達(dá)到95%。從表4、圖4b）中能夠看出，本文主要研究的基于ASSA算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在準(zhǔn)確率、召回率、[F1]值以及假陽性率各方面要遠(yuǎn)好于標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)。

3" 結(jié)" 論

本文基于動態(tài)自適應(yīng)的方法對標(biāo)準(zhǔn)的麻雀搜索算法進(jìn)行改進(jìn)，系統(tǒng)驗證了改進(jìn)后的SSA算法具備更快的收斂速度和更好的尋優(yōu)能力。采用4種常見的測試函數(shù)對ASSA進(jìn)行測試，比較SSA算法和ASSA算法的性能，實驗結(jié)果表明，在相同的測試函數(shù)條件下，ASSA算法相比于SSA算法在性能上得到了有效的提升。

基于改進(jìn)后的SSA算法構(gòu)建ASSA?BP神經(jīng)網(wǎng)絡(luò)模型，在車聯(lián)網(wǎng)駕駛行為識別的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中具有更好的學(xué)習(xí)效率和泛化能力。最后對SSA?BP和ASSA?BP兩種網(wǎng)絡(luò)模型的駕駛行為識別準(zhǔn)確率和性能進(jìn)行對比，結(jié)果表明，經(jīng)過ASSA算法優(yōu)化之后的BP神經(jīng)網(wǎng)絡(luò)模型對車聯(lián)網(wǎng)駕駛行為擁有更高的識別準(zhǔn)確率和更好的性能。

參考文獻(xiàn)

[1] 郭振洲，劉然，拱長青，等.基于灰狼算法的改進(jìn)研究[J].計算機(jī)應(yīng)用研究，2017，34（12）：3603?3606.

[2] 呂鑫，慕曉冬，張鈞，等.混沌麻雀搜索優(yōu)化算法[J].北京航空航天大學(xué)學(xué)報，2021，47（8）：1712?1720.

[3] 嚴(yán)浩洲，劉旺盛，蔡振亮，等.改進(jìn)麻雀搜索算法及其應(yīng)用研究[J].東莞理工學(xué)院學(xué)報，2022，29（5）：60?68.

[4] 張永，陳鋒.一種改進(jìn)的鯨魚優(yōu)化算法[J].計算機(jī)工程，2018，44（3）：208?213.

[5] XUE J K， SHEN B. A novel swarm intelligence optimization approach： Sparrow search algorithm [J]. Systems science amp; control engineering， 2020， 8（1）： 22?34.

[6] ANG L M， SENG K P， IJEMARU G K. Deployment of IoV for smart cities： Applications， architecture， and challenges [J]. IEEE access， 2018， 7： 6473?6492.

[7] 黃江濤，王鑫，喬少杰.面向車聯(lián)網(wǎng)的自適應(yīng)危險駕駛行為分析與預(yù)測框架[J].無線電工程，2023，53（6）：1311?1320.

[8] WAND L L， YAO W J， CHEN C. Driving behavior recognition algorithm combining attention mechanism and lightweight network [J]. Entropy， 2022， 24（7）： 984.

[9] LIU G Y， SHU C， LIANG Z W. A modified sparrow search algorithm with application in 3D route planning for UAV [J]. Sensors， 2021， 21（4）： 1224?1235.

[10] 王海峰，行鴻彥，陳夢，等.基于SSA?SVM的海雜波背景下小信號檢測方法[J].電子測量與儀器學(xué)報，2022，36（4）：24?31.

[11] 謝國民，藺曉雨.基于改進(jìn)SSA優(yōu)化MDS?SVM的變壓器故障診斷方法[J].控制與決策，2023，38（2）：459?467.

[12] 李英順，張國瑩，張楊，等.基于SSA算法優(yōu)化SVM的發(fā)動機(jī)潤滑油信息狀態(tài)評估[J].潤滑與密封，2023，48（2）：129?134.

[13] 申志，李元.基于KPCA和SSA優(yōu)化SVM的非線性過程故障檢測[J].計算機(jī)與現(xiàn)代化，2023（6）：15?20.

作者簡介：涂友斌（1981—），男，江蘇南通人，碩士研究生，高級工程師，研究方向為通信網(wǎng)絡(luò)優(yōu)化及智能算法。

闞欣宇（1999—），男，安徽合肥人，碩士研究生，主要研究方向為智能信號處理。

王" 巖（1983—），男，江蘇泰州人，碩士研究生，高級工程師，研究方向為通信網(wǎng)絡(luò)優(yōu)化及智能算法。

鄧志祥（1980—），男，江蘇南通人，博士研究生，副教授，主要研究方向為物聯(lián)網(wǎng)技術(shù)、人工智能。