《表3 不同驾驶人数量在不同模型下的宏观F1分数》
在输入样本时间窗口为5s、样本重叠度为80%的条件下,将1-D CNN与SVM,KNN,MLP,LSTM模型针对不同的识别驾驶人数量进行对比。经过10折交叉验证后的宏观F1分数对比结果如表3所示。当驾驶人数量较少(3名)时,传统机器学习算法与LSTM,1-D CNN算法均可以达到较高的识别率;但是随着被辨识人数的增加(大于13名),传统机器学习的识别率下降明显,深度学习模型识别率略有下降,但仍较为理想。其中,LSTM模型的宏观F1分数结果在93%以上,1-D CNN模型表现更优,宏观F1分数均在97%以上,其表现较为稳定,鲁棒性较强。
图表编号 | XD00159452700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.01 |
作者 | 胡宏宇、刘家瑞、高菲、高振海、梅兴泰、杨光 |
绘制单位 | 吉林大学汽车仿真与控制国家重点实验室、华北电力大学控制与计算机工程学院、吉林大学汽车仿真与控制国家重点实验室、吉林大学汽车仿真与控制国家重点实验室、广州汽车集团股份有限公司广汽研究院、吉林大学汽车仿真与控制国家重点实验室 |
更多格式 | 高清、无水印(增值服务) |