汽车防撞安全数据的核Fisher分类研究
申颖颖1，秦丽娟1,任金玉2
【摘 要】摘 要： 行驶的车辆之间保持安全的距离可以有效减少交通事故，所以对汽车在一定速度行驶中的数据进行安全等级分类有很大的必要性。依据核Fisher判别分析方法对汽车安全数据进行分类，通过对判别指标的选取、数据预处理、核Fisher方法的Matlab仿真实现，与SVM、BP神经网络方法进行比较有明显的优势，实现了较高的准确率，为汽车安全数据的分类提供了一种新的方法。
【期刊名称】沈阳理工大学学报 【年(卷),期】2016(035)002 【总页数】4
【关键词】关 键 词： 汽车安全；核Fisher判别分析；分类 【文献来源】
https://www.zhangqiaokeyan.com/academic-journal-cn_journal-shenyang-ligong-
university_thesis/0201250702826.html
汽车安全行驶是人们关注的问题，专家对汽车交通事故的分析结果表明[1]，在所发生的交通事故中，驾驶员由于反应不及时，处理不正确所造成的占80%，其中汽车追尾造成碰撞的占65%，如果能提前1秒意识到交通事故的发生，采取正确措施能有效减少事故发生。为了辅助驾驶员及时了解自己的行驶安全状况，将数据进行分类，及时提供给驾驶员信息，有效保证汽车的安全行驶。 模式分类是一种监督学习的方法，可用于模式分类的方法有很多，例如Fisher判据，贝叶斯分类和近邻法等是经典的分类方法，人工神经网络模式识别、支持向量机和基于核的分类方法等是现代的分类方法。朴素贝叶斯方法、K近邻
方法等的分类能力在一些小数据集上比BP神经网络这样的复杂的分类方法更好，而SVM、BP这样的方法适合一些大数据集的分类[2]。而核Fisher方法在处理汽车防撞安全数据的分类中比SVM、BP方法显示出了更好的优势。本文采用核Fisher方法对汽车防撞安全数据进行分类。
1 判别指标的选取
《中华人民共和国高速公路交通管理办法》第十五条规定：机动车在高速公路上正常行驶时，同一车道的后车与前车必须保持足够的行车间距。正常情况下，当速度为每小时一百公里时，行车间距为一百米以上；当速度为每小时七十公里时，行车间距为七十米以上。遇雪、雨、大风、雾天或者路面结冰时，应该减速行驶。
在环境确定而且某一个行驶速度下，汽车能够安全行驶，重要的是保持安全距离。这个安全距离由纵向安全距离、侧向安全距离和地面状况的安全距离组成[3]。而保持与地面的安全距离是防止路面出现不平整，例如深坑等其他因素影响汽车安全行驶。以汽车为原点，汽车行驶方向为Y轴正方向，右侧向距离为X轴正方向，与地面距离为Z轴负方向建立三维坐标系，测试与本车最近距离的车或其他障碍物的坐标，用核Fisher判别方法将数据分成三类：安全、良好、危险。
两车安全距离的理想情况最小可以为0，但国内外的资料一般显示为2～5m[4],所以在X轴和Y轴的度量上，将0～2m规定为危险，2～4m规定为良好，4m以上规定为安全。Z轴数据是车行驶过程中车正下方或斜下方较近距离范围内的路面的探测数据，规定0～0.1m为安全，大于0.1m规定为危险。 当最近距离的车辆或障碍物在X轴或Y轴距离足够远时，车辆是安全的，距离
适中时状况为良好，当X轴和Y轴数据均小于2m时状况是危险，Z轴所探测路面状况为辅助判断。三维方向上的安全距离是汽车防撞安全系统的新的研究方向[3]。
2 Fisher判别方法
2.1 理论基础
Fisher判别涉及维数压缩问题。若把多维特征空间的点投影到某一条直线上，特征空间被压缩成一维，这在数学上很容易实现。但是在高维空间里很容易区分开的样品投影到任意一条直线上，可能不同类别的样品就混在一起使其无法区分。将数据投影在某一方向，使组间距离最大，组内距离最小，从而实现数据分类，是Fisher的基本思想。
Fisher方法所要解决的基本问题就是根据实际情况找到一条最好的且最易于分类的投影线。但Fisher线性判别过于简单，一般不能满足处理非线性数据的要求，所以采用核Fisher方法。
基于核的Fisher判别分析方法常用的方法是采用非线性投影，使投影后的数据线性可分。核Fisher判别分析时，首先使数据非线性地映射到某一个特征空间，之后在此空间中进行Fisher判别，隐含地完成了原输入空间的非线性判别[5-7]。 2.2 核Fisher算法
汽车安全数据的分类是个三分类问题，首先实现两分类，返回最接近待测样本的类别，然后用返回的类别和新类别做两类分类，最后可得未知样本的类别[8]。 两类基于核的Fisher算法步骤如下：
(1)求；j=1,2,…,N)，核函数取高斯径向基函数(参数σ取为1)。式中:Mi为N×1的矩阵;X表示输入空间中的N个向量集合，x1，x2…，xN；k(·)表示核
汽车防撞安全数据的核Fisher分类研究
