MCT-CNN-LSTM:一种基于改进的多尺度域对抗神经网络的驾驶员行为无线感知方法
Kaiyu Chen1,2, Yue Diao1, Yucheng Wang1
1School of Microelectronics, Northwestern Polytechnical University, Xi'an 710072, China.
Sensors (Basel, Switzerland)
|April 12, 2025
概括
这项研究引入了一个深度学习网络,用于基于雷达的驾驶行为识别. 该方法通过使用多尺度和频道时间注意模块有效减少域移动,达到97.3%的准确性.
科学领域:
- 雷达信号处理 雷达信号处理
- 机器学习 机器学习
- 汽车安全 汽车安全
背景情况:
- 频调制连续波 (FMCW) 雷达系统被广泛用于驾驶行为识别.
- 深度学习提供了自动特征提取,并减少了雷达数据分析中的复杂信号预处理.
研究的目的:
- 开发一个准确的深度学习模型,使用FMCW雷达数据进行驾驶行为识别.
- 在基于雷达的行为分类中解决域移动挑战.
主要方法:
- 一个多通道卷积神经网络 (CNN) 和长短期记忆 (LSTM) 网络 (MCT-CNN-LSTM) 已开发,以捕捉空间和时间特征.
- 集成了高效通道注意力 (ECA) 模块,用于自适应功能通道权重.
- 应用了域对抗性培训,以提取跨域的共同特征,减轻域转移.
主要成果:
- 拟议的MCT-CNN-LSTM模型在真实世界测量数据集上实现了97.3%的高精度.
- 多尺度和频道时间注意模块的集成改善了特征表示.
- 域对抗训练有效地减少了源域和目标域之间的差异.
结论:
- 该MCT-CNN-LSTM网络提供了一个有效的解决方案,用于从FMCW雷达信号准确识别驾驶行为.
- 拟议的方法在弥合领域差距方面表现出强大,增强了概括能力.
- 这种方法具有通过先进的驾驶员监控来改善汽车安全系统的巨大潜力.
