基于自适应谐振理论变种算法的驾驶行为识别方法

摘要

本发明公开了一种基于自适应谐振理论变种算法的驾驶行为识别方法，按如下步骤进行：1利用车载传感器收集驾驶人的驾驶行为操纵数据，预处理后提取相应驾驶操纵动作；2构建驾驶人的驾驶行为操纵模式；3构建基于自适应谐振理论变种算法的驾驶行为识别方法；4将所有驾驶行为操纵模式各输入网络一次完成网络对所有驾驶行为的记忆；5输入任意驾驶行为操纵模式，网络即可识别相应驾驶行为，并具有在线增量自学习的特点。本发明能使驾驶行为识别方法更好的贴近驾驶人驾驶操纵的个性特征，从而提高驾驶行为的识别率。

说明书

技术领域

本发明是一种基于自适应谐振理论变种算法的驾驶行为识别方法，用于解决传统驾驶行为识别技术与驾驶人个体特性之间的不协调，属于驾驶行为识别技术领域。

背景技术

交通事故原因的统计结果表明，80％-90％的交通事故是由驾驶人的个体因素造成的，而车辆及环境因素造成的交通事故仅占10-20％。数据充分说明驾驶人在交通事故预防中的核心地位和作用，驾驶人不仅是道路交通系统的信息处理者、决策者，也是调节者和控制者，其行为是否安全对于整个系统的状态有重大影响。但实际驾驶过程中，不同驾驶人的个体因素存在一定的差别，主要体现在驾驶行为及相应的一系列驾驶操纵动作操纵序列中。

目前，国内外已有一些驾驶行为识别领域相关的技术方法。数据来源大致可分为两种：一种是针对驾驶人本身，通过摄像头采集驾驶人手部与方向盘的图像；另一种是针对车辆及车道，通过各类车载传感器采集车辆状态及前方车道情况，最后都通过计算机图像识别、传感器数据融合、模式识别等技术分析采集到的数据，识别出当前驾驶行为。现有技术方法虽然能够有效实现驾驶行为识别，但都主要对驾驶人行为特征及行为识别等方面进行分析研究，没有考虑驾驶人个体特征对驾驶行为识别的影响，导致实际识别率偏低。

发明内容

本发明为了克服现有技术的不足之处，提出一种基于自适应谐振理论变种算法的驾驶行为识别方法，以期能使驾驶行为识别方法更好的贴近驾驶人驾驶操纵的个性特征，从而提高驾驶行为的识别率。

本发明为解决技术问题，采用如下技术方案：

本发明一种基于自适应谐振理论变种算法的驾驶行为识别方法的特点是按如下步骤进行：

步骤1、利用车载传感器对驾驶人的H种驾驶行为分别收集N组时长为T的原始操纵数据；从而获得H×N组时长为T的原始操纵数据；

步骤2、对收集的第h种驾驶行为的第n组原始操纵数据进行预处理，得到第h种驾驶行为的第n组操纵数据，记为表示第h种驾驶行为的第n组操纵数据中第k类操纵动作数据；并有：表示第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据；1≤h≤H；1≤n≤N；1≤k≤K；1≤m≤M；

步骤3、判断所述第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据是否发生操纵动作，若发生，则提取第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据否则，令第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据为“0”；从而获第h种驾驶行为的第n组操纵数据中第k类操纵动作节点，记为

步骤4、重复步骤3，对所述第h种驾驶行为的第n组操纵数据中K类操纵动作数据的操纵动作均进行判断和提取，得到第h种驾驶行为的第n组操纵数据中K类操纵动作节点，从而构建第h种驾驶行为的第n个操纵模式为：

步骤5、重复步骤2-步骤4，从而得到第h种驾驶行为的N个操纵模式为：A^(h)＝[A^(h)(1)；A^(h)(2)；…；A^(h)(n)；…；A^(h)(N)]，进而对H种驾驶行为分别构建N个操纵模式为A＝[A⁽¹⁾；A⁽²⁾；…；A^(h)；…；A^(H)]；

步骤6、基于自适应谐振理论变种算法对所述操纵模式A进行判别，分别得到相应的驾驶行为类型；

步骤6.1、将所述第h种驾驶行为的第n个操纵模式A^(h)(n)中每一类操纵动作节点数据行向量按序首尾相接，得到第h种驾驶行为的第n个一维行向量，记为并作为第h种驾驶行为的第n个网络输入特征向量，从而获得第h种驾驶行为的N个网络输入特征向量，记为I^(h)＝{I^(h)(1),I^(h)(2),…,I^(h)(n),…,I^(h)(N)}；

步骤6.2、对H种驾驶行为的N个操纵模式分别重复步骤6.1，从而得到H种驾驶行为的H×N个网络输入特征向量，记为I＝{I⁽¹⁾,I⁽²⁾,…,I^(h),…,I^(H)}；

步骤6.3、网络进入对H种驾驶行为的记忆阶段；

步骤6.3.1、根据所述网络输入特征向量I^(h)(n)元素的个数，设定网络的输入神经元个数为K×M；设定输出神经元个数为J，并记输出神经元的序号为1,2,…,j,…,J，1≤j≤J；设定序号为j的输出神经元对应的记忆权向量为W_j；设定网络运行次数为p，1≤p≤H×N，第p次网络运行时被占用输出神经元个数为μ^(p)，0≤μ^(p)≤H×N；

步骤6.3.2、以第h种驾驶行为的第1个网络输入特征向量I^(h)(1)为基准，计算与第h种驾驶行为的N个网络输入特征向量之间的欧式距离，记为表示第h种驾驶行为的第1个网络输入特征向量与第n个网络输入特征向量之间的欧式距离；

利用式(1)获得第h种驾驶行为的第1个网络输入特征向量与第n个网络输入特征向量之间的相似度从而获得第h种驾驶行为的第1个网络输入特征向量与N个网络输入特征向量之间的相似度，记为

${\xi }_{1,n}^{\left(h\right)}=1-\frac{O_{1,n}^{\left(h\right)}}{\sqrt{K\times M}}---\left(1\right)$

步骤6.3.3、对H种驾驶行为重复步骤6.3.2，分别得到N个网络输入特征向量之间的相似度ξ＝{ξ⁽¹⁾,ξ⁽¹⁾…,ξ^(h),…,ξ^(H)}，计算ξ＝{ξ⁽¹⁾,ξ⁽¹⁾…,ξ^(h),…,ξ^(H)}包含的H×N个相似度的均值及标准差S_ξ，从而利用式(2)获得网络的警戒参数ρ：

$\rho =\bar{\xi }-S_{\xi }---\left(2\right)$

步骤6.3.4、初始化p＝1，h＝1，j＝1，μ^(p-1)＝0；

步骤6.3.5、第p次网络运行时，输入第h种驾驶行为的第1个网络输入特征向量至网络中，利用式(3)更新第p次网络运行时被占用输出神经元个数μ^(p)：

μ^(p)＝μ^(p-1)+1(3)

利用式(4)获得序号为j的输出神经元所对应的记忆权向量W_j：

W_j＝I^(h)(1)(4)

步骤6.3.6、将p+1赋值给p，将h+1赋值给h，将j+1赋值给j；

重复步骤6.3.5-步骤6.3.6；直到h＝H时，表示已将H种驾驶行为的第1个网络输入特征向量全部输入网络，完成网络对H种驾驶行为的记忆；并获得被占用输出神经元个数μ^(p)＝H及所有被占用输出神经元的记忆权向量W＝[W₁；W₂；…；W_j；…；W_H]；

步骤6.4、利用式(5)获得第p次网络运行时序号为j的被占用输出神经元所对应的记忆权向量从而获得第p次网络运行时所有被占用输出神经元的记忆权向量为

$W_j^{\left(p\right)}=W_j---\left(5\right)$

步骤6.5、网络进入驾驶行为识别阶段；

步骤6.5.1、将p+1赋值给p；

步骤6.5.2、输入第h种驾驶行为的第n个网络输入特征向量I^(h)(n)，分别与第p次网络运行时所有被占用输出神经元的记忆权向量W^(p)中的各分量计算欧式距离，记为表示第h种驾驶行为的第n个网络输入特征向量I^(h)(n)与序号为j的被占用输出神经元所对应记忆权向量W_j^(p)的欧式距离；

步骤6.5.3、利用式(6)获得第h种驾驶行为的第n个网络输入特征向量I^(h)(n)与序号为j的被占用输出神经元所对应记忆权向量的相似度，从而获得第h种驾驶行为的第n个网络输入特征向量I^(h)(n)与μ^(p)个被占用输出神经元所对应记忆权向量的相似度，记为

${\xi }_j^{\left(h\right)\left(n\right)}=1-\frac{O_j^{\left(h\right)\left(n\right)}}{\sqrt{K\times M}}---\left(6\right)$

步骤6.6、网络进入驾驶行为识别搜索阶段；

步骤6.6.1、设定网络搜索次数为q；

设定第h种驾驶行为的第n个网络输入特征向量I^(h)(n)与第p次网络运行时μ^(p)个被占用输出神经元所对应记忆权向量的相似度ξ^(h)(n)在第q次网络搜索时的值为ξ^(h)(n)(q)；

设定相似度在第q次网络搜索时的值ξ^(h)(n)(q)在第p次网络运行中第q次网络搜索时的最大值为其中，表示所对应的被占用输出神经元序号；

步骤6.6.2、初始化q＝1；

步骤6.6.3、寻找相似度在第q次网络搜索时的值ξ^(h)(n)(q)中的最大值

若则判定输入的第h种驾驶行为的第n个网络输入特征向量I^(h)(n)所对应的驾驶行为是序号为的被占用输出神经元记忆的驾驶行为，并用式(7)更新第p次网络运行时被占用输出神经元的个数μ^(p)：

μ^(p)＝μ^(p-1)(7)

当时，利用式(8)更新第p次网络运行时序号为的被占用输出神经元的记忆权向量

$W_{j_q^{\left(p\right)}}^{\left(p\right)}=W_{j_q^{\left(p\right)}}^{(p-1)}+\delta (I^{\left(h\right)\left(n\right)}-W_{j_q^{\left(p\right)}}^{(p-1)})---\left(8\right)$

式(8)中，δ为网络的学习速率；

当时，利用式(9)更新第p次网络运行时序号为j的被占用输出神经元的记忆权向量

$W_j^{\left(p\right)}=W_j^{(p-1)}---\left(9\right)$

从而得到更新后的第p次网络运行时所有被占用输出神经元的记忆权向量W^(p)；

步骤6.6.4、将q+1赋值给q；

若则网络进入第p次网络运行中的第q次网络搜索，并从ξ^(h)(n)(q-1)中剔除得到相似度在第q次网络搜索时的值ξ^(h)(n)(q)后，重复步骤6.6.3-6.6.4；直至判定出输入的第h种驾驶行为的第n个网络输入特征向量I^(h)(n)所对应的驾驶行为；

若所有被占用输出神经元记忆的驾驶行为中没有与输入的第h种驾驶行为的第n个网络输入特征向量I^(h)(n)相匹配，则生成一个新的被占用输出神经元，利用式(3)更新第p次网络运行时被占用输出神经元个数μ^(p)；利用式(10)更新第p次网络运行时所有被占用输出神经元的记忆权向量W^(p)；

$W^{\left(p\right)}=[W_1^{(p-1)};W_2^{(p-1)};...;W_j^{(P-1)};...;W_{{\mu }^{\left(p\right)}-1}^{(P-1)};I^{\left(h\right)\left(n\right)}]---\left(10\right)$

步骤6.7、重复步骤6.5-步骤6.6，直到p＝H×N时，即可实现对H×N个网络输入特征向量的驾驶行为识别。

与已有技术相比，本发明的有益效果体现在：

1、本发明整体方案充分考虑了驾驶人驾驶操纵的个性特征，有效提高了驾驶行为的识别率。

2、本发明步骤2针对驾驶行为操纵数据类型的不同，采取不同的数据预处理方法及不同的操纵动作数据的提取阈值计算方法，提高了提取驾驶操纵动作的准确率。

3、本发明步骤3用于计算连续型操纵动作数据的阈值的操纵动作数据序列随车辆运行状态的变化而动态变化，提高了操纵动作节点的准确度。

4、本发明步骤4和步骤5根据驾驶人在执行同一驾驶行为时相应的操纵动作时序具有一定规律，设计了基于操纵动作节点的个性化驾驶操纵模式建模方法，体现了驾驶人驾驶操纵的个体特性。

5、本发明步骤6在对驾驶人进行个性化驾驶行为操纵模式建模的基础上，设计基于自适应谐振理论的变种算法，实现了基于个性化驾驶操纵模式反向映射的驾驶行为识别并实现驾驶操纵模式的在线自学习、识别和记忆，加强了对驾驶人驾驶操纵个体特征的适应性，提高了驾驶行为识别的准确率。

附图说明

图1为本发明驾驶行为识别方法流程图；

图2为本发明操纵数据采集示意图；

图3为本发明操纵模式构建原理图。

具体实施方式

本实施例中，如图1所示，一种基于自适应谐振理论变种算法的驾驶行为识别方法，按如下步骤进行：

步骤1、利用车载传感器对驾驶人的H种驾驶行为分别收集N组时长为T的原始操纵数据，记为U_H×N；具体实施过程中所涉及的驾驶行为包括加(减)速、转向、并线、超车4种，即H＝4；T的取值为驾驶人完成耗时最长的驾驶行为操纵动作的平均时长，单位为s；从而获得H×N组时长为T的原始操纵数据；

步骤2、对收集的第h种驾驶行为的第n组原始操纵数据进行预处理；表示第h种驾驶行为的第n组原始操纵数据中第k类操纵动作数据；并有表示第h种驾驶行为的第n组原始操纵数据中第k类操纵动作在第m个时间节点的数据，时间节点间隔为5ms，即有

设预处理后的第h种驾驶行为的第n组操纵数据为表示第h种驾驶行为的第n组操纵数据中第k类操纵动作数据；并有：表示第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据；1≤h≤H；1≤n≤N；1≤k≤K；1≤m≤M；

第h种驾驶行为的第n组原始操纵数据U^(h)(n)中的操纵动作数据，具体实施过程中如图2所示，包括车辆行驶速度(SY)数据数值范围为[0,140]km/h；离合踏板位置(PC)数据数值范围为[0,1]；制动踏板位置(PB)数据数值范围为[0,1]；油门踏板位置(PA)数据数值范围为[0,1]；前轮转角(SA)数据数值范围为[-36°,36°]；车辆中轴线与道路右侧车道中轴线的偏移距离(DZ)数据数值单位为m；行驶档位(PG)数据数值范围为{0,1,2,3,4,5}，分别对应倒挡和1-5档；即驾驶操纵动作数据个数K＝7；其中前6类数据为连续型操纵动作数据，行驶档位数据为开关型操纵动作数据；开关型操纵动作数据不作预处理，即第h种驾驶行为的第n组操纵数据中行驶档位的值

步骤2.1、基于卡尔曼(Kalman)滤波进行加速度(AY)估计；

步骤2.1.1、设第h种驾驶行为的第n组原始车辆行驶速度数据在第m个时间节点的车辆纵向运动状态矩阵为其中，表示车辆在第h种驾驶行为的第n组原始操纵数据中第1类操纵动作数据(车辆行驶速度数据)在第m个时间节点的值，表示车辆在第h种驾驶行为的第n组原始车辆行驶速度数据在第m个时间节点的加速度，由车辆行驶速度数据微分得到；设车辆在第h种驾驶行为的第n组原始车辆行驶速度数据在第m-1个时间节点的随机加加速度为设系统状态的转移矩阵为Q；设随机加加速度的输入矩阵即系统噪声输入矩阵为G；根据牛顿运动定律可得其中，t为数据采样周期0.125s；2≤m≤M；

建立车辆纵向运动的系统状态方程，如式(1)所示：

$X_m^{\left(h\right)\left(n\right)}=Q·X_{m-1}^{\left(h\right)\left(n\right)}+G{·}_{m-1}^{\left(h\right)\left(n\right)}---\left(1\right)$

步骤2.1.2、设车辆在第h种驾驶行为的第n组原原始车辆行驶速度数据在第m个时间节点的车速观测值为设车辆在第h种驾驶行为的第n组原始车辆行驶速度数据在第m个时间节点的观测噪声序列为令R＝[1,0]；

建立系统观测方程式，如式(2)所示：

$Z_m^{\left(h\right)\left(n\right)}=R·X_m^{\left(h\right)\left(n\right)}+{\theta }_m^{\left(h\right)\left(n\right)}---\left(2\right)$

步骤2.1.3、令m＝2；初始化

设随机加加速度方差为S^δ；设观测噪声方差为S^θ；设车辆在第h种驾驶行为的第n组原始车辆行驶速度数据在第m个时间节点的滤波增益矩阵为

步骤2.1.4、初始化：

利用式(3)计算滤波增益矩阵：

$K_m^{\left(h\right)\left(n\right)}=P_m^{\left(h\right)\left(n\right)}{R}^T{S}_m^{\theta }---\left(3\right)$

利用式(4)计算一步预测误差方差矩阵：

$P_{m,m-1}^{\left(h\right)\left(n\right)}={\mathrm{QP}}_{m-1}^{\left(h\right)\left(n\right)}{Q}^T+{\mathrm{GS}}^{\delta }{G}^T---\left(4\right)$

利用式(5)计算估计误差方差矩阵：

P_k＝(I-K_kR)·P_k,k-1(5)

利用式(6)计算一步预测状态矩阵：

利用式(7)计算状态估计矩阵：

步骤2.1.5、重复步骤2.1.6，直到m＝M时，得到第h种驾驶行为的第n组车辆行驶加速度数据

步骤2.1.6、对H种驾驶行为的N组原始车辆行驶速度数据分别重复步骤2.1，从而得到H种驾驶行为的H×N组车辆行驶加速度数据；

步骤2.2、采用平均值方法对离合踏板位置、制动踏板位置、油门踏板位置、前轮转角及车辆中轴线与道路右侧车道中轴线的偏移距离5类连续型操纵动作数据进行平滑处理，再微分求导，从而完成对H种驾驶行为的N组原始操纵动作数据的预处理；如图3第一层所示，为前轮转角及油门踏板操纵动作数据的预处理结果；

步骤2.3、若中存在不属于区间[-3,3]的数，则对整体进行线性变化，使各数据都在区间[-3,3]内；从而使各组数据之间数量级差别较小，有利于网络在后续训练阶段的收敛；

步骤3、通过第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的阈值判断第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据是否发生操纵动作；

步骤3.1、确定连续型操纵动作数据的提取阈值；1≤k≤K-1；

设一个计算时长为t，l表示一个计算时长t内时间节点的个数；t≤T；l≤M；

若1≤m≤l，取操纵动作序列利用式(8)-(9)计算操纵动作序列的平均值和标准差

$\overline{L_{k,m}^{\left(h\right)\left(n\right)}}=\frac{1}{l}\underset{i=1}{\overset{l}{\Sigma }}\left|d_{k,i}^{\left(h\right)\left(n\right)}\right|---\left(8\right)$

$S_{k,m}^{\left(h\right)\left(n\right)}=\frac{1}{l}\sqrt{\underset{i=1}{\overset{l}{\Sigma }}{\left(\right|d_{k,i}^{\left(h\right)\left(n\right)}|-\overline{L_{k,m}^{\left(h\right)\left(n\right)}})}^2}---\left(9\right)$

利用式(10)计算第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的阈值

${\rho }_{k,m}^{\left(h\right)\left(n\right)}=\overline{L_{k,m}^{\left(h\right)\left(n\right)}}+\frac{S_{k,m}^{\left(h\right)\left(n\right)}}{2}---\left(10\right)$

若l＜m≤M，取操纵动作序列利用式(11)-(12)计算操纵动作序列的平均值和标准差然后利用式(10)计算第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的阈值

$\overline{L_{k,m}^{\left(h\right)\left(n\right)}}=\frac{1}{l}\underset{i=m-l+1}{\overset{m}{\Sigma }}\left|d_{k,i}^{\left(h\right)\left(n\right)}\right|---\left(11\right)$

$S_{k,m}^{\left(h\right)\left(n\right)}=\frac{1}{l}\sqrt{\underset{i=m-l+1}{\overset{m}{\Sigma }}{\left(\right|d_{k,i}^{\left(h\right)\left(n\right)}|-\overline{L_{k,m}^{\left(h\right)\left(n\right)}})}^2}---\left(12\right)$

若则在第m个时间节点发生第k类操纵动作；否则，没有发生操纵动作；

步骤3.2、确定开关型操纵动作数据的提取阈值；k＝K；

对于第h种驾驶行为的第n组操纵数据中的行驶档位数据若则在第m个时间节点发生第K类操纵动作，即换挡操纵动作；否则，没有发生操纵动作；1≤m≤M-1；

步骤3.3、若发生操纵动作，则提取第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据否则，令第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据为“0”；从而获第h种驾驶行为的第n组操纵数据中第k类操纵动作节点，记为如图3第二层所示，为提取到的操纵动作节点，AY表示车辆加速度增大、SA表示右转操纵动作、PA表示减速操纵动作、DZ表示车辆中轴线相对道路右侧车道中心线偏左，带阴影则表示相应反向动作；

步骤4、基于操纵动作节点建立个性化驾驶行为操纵模式；

重复步骤3，对第h种驾驶行为的第n组操纵数据中K类操纵动作数据的操纵动作均进行判断和提取，得到第h种驾驶行为的第n组操纵数据中K类操纵动作节点，从而构建第h种驾驶行为的第n个操纵模式为：

如图3第三层操纵模式序列层所示，直观表达了操纵动作的先后关系，形成操纵模式序列；首先，加速度增大，但此时油门并没有增大，因此加速度是从负值增大至0，这表明驾驶人在超车换道之前为控制与前车的安全距离而执行的减速驾驶。随后，油门增大，加速度增大，前轮左转后回正，紧接着油门有减小趋势，这表明驾驶人正执行超车换道行为，并完成了超车超越阶段。最后，加速度减小，前轮右转后回正，这表明驾驶人正进行超车并道，并完成了并道阶段；这样的操纵模式能够表达操纵动作的串并行或混合执行方式，有效体现了驾驶人的个体特征及车辆运行状态；

步骤5、重复步骤2-步骤4，从而得到第h种驾驶行为的N个操纵模式为：A^(h)＝[A^(h)(1)；A^(h)(2)；…；A^(h)(n)；…；A^(h)(N)]，进而对H种驾驶行为分别构建N个操纵模式为A＝[A⁽¹⁾；A⁽²⁾；…；A^(h)；…；A^(H)]；

步骤6、基于自适应谐振理论变种算法对所述操纵模式A进行判别，分别得到相应的驾驶行为类型；

步骤6.1、将第h种驾驶行为的第n个操纵模式A^(h)(n)中每一类操纵动作节点数据行向量按序首尾相接，得到第h种驾驶行为的第n个一维行向量，记为并作为第h种驾驶行为的第n个网络输入特征向量，从而获得第h种驾驶行为的N个网络输入特征向量，记为I^(h)＝{I^(h)(1),I^(h)(2),…,I^(h)(n),…,I^(h)(N)}；

步骤6.2、对H种驾驶行为的N个操纵模式分别重复步骤6.1，从而得到H种驾驶行为的H×N个网络输入特征向量，记为I＝{I⁽¹⁾,I⁽²⁾,…,I^(h),…,I^(H)}；

步骤6.3、网络进入对H种驾驶行为的记忆阶段；

步骤6.3.1、根据网络输入特征向量I^(h)(n)元素的个数，设定网络的输入神经元个数为K×M；设定输出神经元个数为J，并记输出神经元的序号为1,2,…,j,…,J，1≤j≤J；设定序号为j的输出神经元对应的记忆权向量为W_j；设定网络运行次数为p，1≤p≤H×N，第p次网络运行时被占用输出神经元个数为μ^(p)，0≤μ^(p)≤H×N；

步骤6.3.2、以第h种驾驶行为的第1个网络输入特征向量I^(h)(1)为基准，计算与第h种驾驶行为的N个网络输入特征向量之间的欧式距离，记为表示第h种驾驶行为的第1个网络输入特征向量与第n个网络输入特征向量之间的欧式距离；在识别驾驶行为的过程中运用欧式距离的计算方法，只有当输入特征向量与记忆权向量之间的幅值、夹角均较小时，计算的相似度才会较高，有效地避免了传统自适应谐振理论算法中采用归一化后的角度计算方法所带来的幅值信息丢失问题。

利用式(13)获得第h种驾驶行为的第1个网络输入特征向量与第n个网络输入特征向量之间的相似度从而获得第h种驾驶行为的第1个网络输入特征向量与N个网络输入特征向量之间的相似度，记为

${\xi }_{1,n}^{\left(h\right)}=1-\frac{O_{1,n}^{\left(h\right)}}{\sqrt{K\times M}}---\left(13\right)$

步骤6.3.3、对H种驾驶行为重复步骤6.3.2，分别得到N个网络输入特征向量之间的相似度ξ＝{ξ⁽¹⁾,ξ⁽¹⁾…,ξ^(h),…,ξ^(H)}，计算ξ＝{ξ⁽¹⁾,ξ⁽¹⁾…,ξ^(h),…,ξ^(H)}包含的H×N个相似度的均值及标准差S_ξ，从而利用式(14)获得网络的警戒参数ρ：

$\rho =\bar{\xi }-S_{\xi }---\left(14\right)$

步骤6.3.4、初始化p＝1，h＝1，j＝1，μ^(p-1)＝0；

步骤6.3.5、第p次网络运行时，输入第h种驾驶行为的第1个网络输入特征向量至网络中，利用式(15)更新第p次网络运行时被占用输出神经元个数μ^(p)：

μ^(p)＝μ^(p-1)+1(15)

利用式(16)获得序号为j的输出神经元所对应的记忆权向量W_j：

W_j＝I^(h)(1)(16)

步骤6.3.6、将p+1赋值给p，将h+1赋值给h，将j+1赋值给j；

重复步骤6.3.5-6.3.6；直到h＝H时，表示已将H种驾驶行为的第1个网络输入特征向量全部输入网络，完成网络对H种驾驶行为的记忆；并获得被占用输出神经元个数μ^(p)＝H及所有被占用输出神经元的记忆权向量W＝[W₁；W₂；…；W_j；…；W_H]；因不同驾驶行为之间的区分度较大，则每次输入网络输入特征向量均会产生被占用神经元，此时被占用输出神经元个数μ^(p)与输入神经元个数H相等；

步骤6.4、利用式(17)获得第p次网络运行时序号为j的被占用输出神经元所对应的记忆权向量从而获得第p次网络运行时所有被占用输出神经元的记忆权向量为

$W_j^{\left(p\right)}=W_j---\left(17\right)$

步骤6.5、网络进入驾驶行为识别阶段；

步骤6.5.1、将p+1赋值给p；

步骤6.5.2、输入第h种驾驶行为的第n个网络输入特征向量I^(h)(n)，分别与第p次网络运行时所有被占用输出神经元的记忆权向量W^(p)中的各分量计算欧式距离，记为表示第h种驾驶行为的第n个网络输入特征向量I^(h)(n)与序号为j的被占用输出神经元所对应记忆权向量的欧式距离；

步骤6.5.3、利用式(18)获得第h种驾驶行为的第n个网络输入特征向量I^(h)(n)与序号为j的被占用输出神经元所对应记忆权向量的相似度，从而获得第h种驾驶行为的第n个网络输入特征向量I^(h)(n)与μ^(p)个被占用输出神经元所对应记忆权向量的相似度，记为

${\xi }_j^{\left(h\right)\left(n\right)}=1-\frac{O_j^{\left(h\right)\left(n\right)}}{\sqrt{K\times M}}---\left(18\right)$

步骤6.6、网络进入驾驶行为识别搜索阶段；

步骤6.6.1、设定网络搜索次数为q；

设定第h种驾驶行为的第n个网络输入特征向量I^(h)(n)与第p次网络运行时μ^(p)个被占用输出神经元所对应记忆权向量的相似度ξ^(h)(n)在第q次网络搜索时的值为ξ^(h)(n)(q)；

设定相似度在第q次网络搜索时的值ξ^(h)(n)(q)在第p次网络运行中第q次网络搜索时的最大值为其中，表示所对应的被占用输出神经元序号；

步骤6.6.2、初始化q＝1；

步骤6.6.3、寻找相似度在第q次网络搜索时的值ξ^(h)(n)(q)中的最大值

若则判定输入的第h种驾驶行为的第n个网络输入特征向量I^(h)(n)所对应的驾驶行为是序号为的被占用输出神经元记忆的驾驶行为，网络进入自适应谐振状态，并用式(19)更新第p次网络运行时被占用输出神经元的个数μ^(p)：

μ^(p)＝μ^(p-1)(19)

当时，利用式(20)更新第p次网络运行时序号为的被占用输出神经元的记忆权向量

$W_{j_q^{\left(p\right)}}^{\left(p\right)}=W_{j_q^{\left(p\right)}}^{(p-1)}+\delta (I^{\left(h\right)\left(n\right)}-W_{j_q^{\left(p\right)}}^{(p-1)})---\left(21\right)$

式(21)中，δ为网络的学习速率；

当时，利用式(22)更新第p次网络运行时序号为j的被占用输出神经元的记忆权向量

$W_j^{\left(p\right)}=W_j^{(p-1)}---\left(22\right)$

从而得到更新后的第p次网络运行时所有被占用输出神经元的记忆权向量W^(p)；

步骤6.6.4、将q+1赋值给q；

若则网络进入第p次网络运行中的第q次网络搜索，并从ξ^(h)(n)(q-1)中剔除得到相似度在第q次网络搜索时的值ξ^(h)(n)(q)后，重复步骤6.6.3-6.6.4；直至判定出输入的第h种驾驶行为的第n个网络输入特征向量I^(h)(n)所对应的驾驶行为；

若所有被占用输出神经元记忆的驾驶行为中没有与输入的第h种驾驶行为的第n个网络输入特征向量I^(h)(n)相匹配，则生成一个新的被占用输出神经元，利用式(15)更新第p次网络运行时被占用输出神经元个数μ^(p)；利用式(23)更新第p次网络运行时所有被占用输出神经元的记忆权向量W^(p)；

$W^{\left(p\right)}=[W_1^{(p-1)};W_2^{(p-1)};...;W_j^{(P-1)};...;W_{{\mu }^{\left(p\right)}-1}^{(P-1)};I^{\left(h\right)\left(n\right)}]---\left(23\right)$

步骤6.7、重复步骤6.5-步骤6.6，直到p＝H×N时，即可实现对H×N个网络输入特征向量的驾驶行为识别。