10.19620/j.cnki.1000-3703.20191396
基于改进极限学习机和深度神经网络融合的车辆轨迹长期预测
针对轨迹预测中基于物理的运动模型长期预测(超过1s)不可靠、深度学习预测模型易产生梯度消失或梯度爆炸的问题,提出了一种将改进极限学习机(ELM)和深度神经网络进行信息融合的预测模型.改进的极限学习机以模拟退火粒子群优化(SAPSO)算法为基础,改进的深度神经网络使用修正线性单元(ReLU)函数替换激活函数,并使用均方根反向传播(RMSProp)算法来优化深度神经网络,试验结果表明,提出的预测算法具有较高的预测精度.
智能车辆、轨迹预测、深度神经网络、极限学习机
U461.99(汽车工程)
中央高校基本科研业务费项目;西安市科技计划
2020-12-07(万方平台首次上网日期,不代表论文的发表时间)
共5页
16-20