摘要：在未来复杂的智能交通环境中,自动驾驶车辆与人类驾驶车辆混合共享道路成为可能。在这种混合交通流的背景下,准确预测人类车辆的换道行为对于自动驾驶系统的安全性和效率至关重要。本研究针对车辆换道的主要影响因素—周围环境和驾驶风格,提出了一种基于fcnn神经网络的人工车辆多驾驶风格换道决策预测方法。首先,通过应用K均值聚类算法对驾驶员的驾驶风格进行分类,从而综合考虑驾驶风格的差异。然后,将分类结果作为fcnn神经网络的输入变量,用于预测人类车辆的换道行为。该方法基于真实车辆轨迹构建的下一代仿真数据集进行训练和测试,并取得了91.80%的准确率。实验结果表明,通过结合驾驶风格分类和fcnn神经网络,能够更准确地预测人类车辆在不同驾驶风格下的换道行为。本研究的成果对于混合交通流下自动驾驶车辆预测人类车辆的换道行为具有重要的实际应用价值,并为未来进一步改进和拓展提供了新的思路。

摘要：数字水印对于保护和鉴定多媒体信息是一项重要技术,它可以在非法复制和篡改中保护数字媒体。数字水印的嵌入与检测涉及到复杂的程序,其中包括对水印的随机化,选择水印的嵌入位置和检测位置,将随机水印嵌入到特殊位置并在此位置上检测水印等。本文设计了一个完全反传播神经网络方法,水印通过特殊的完全反传播神经网络嵌入于检测水印。区别于传统的方法,水印嵌入到fcnn的神经元上代替了嵌入在宿主图像上,因此数字水印图像几乎与宿主图像一样,大部分攻击不可能降低嵌入水印质量。实验结果表明,此方案能够达到鲁棒性、不可见性与真实性。

摘要：针对交通状况的复杂性和边缘情况的不确定性,很难设计一个通用的自动驾驶车辆运动规划系统,采用深度学习的方法,提出了一个时空LSTM(长短期记忆网络)的运动规划模型,它能够根据提取的时空信息产生实时处理。该模型有三个主要结构,依次完成,基于Conv-LSTM(卷积长短期记忆网络)提取连续图像数据的隐藏特征。然后,基于3D-CNN(3D卷积神经网络)提取多帧特征信息中的时空信息以及fcnn(全连接神经网络)构建车辆自动转向角的控制模型。最后,对提出的LSTM时空网络模型方法和经典方法在数据集上进行性能评估。实验结果表明,该方法能够为自动驾驶车辆生成实时鲁棒准确的视觉运动规划,可以达到99%的准确率。