在食物密度函数中，取优化函数为鱼群算法的目标函数，即（11）在MATLAB中对鱼群算法的随机行为、觅食行为、聚群行为和追尾行为分别建立功能函数，并对规划算法进行仿真研究。4仿真分析换道车辆在初始时刻的车速为60km/h，在t=0时进行换道，结束换道时主车的横向加速度和侧向加速度均为0，车道宽度取3.5m，相邻车道有充足的换道距离，在MATLAB和Carsim中进行仿真分析。利用鱼群算法对优化函数进行求解得到最优换道时间tf=4.68s，仿真结果如图2所示。图2仿真结果图从仿真结果可以看出，规划出的轨迹曲率连续，且无突变现象，换道期间侧向加速度的最大值在0.1g以下，在合理的范围内，且前轮转角变化连续，无突变现象。5总结本文在利用多项式进行轨迹规划的基础上，引入轨迹优化函数，对换道时间进行最优化选取，并利用鱼群算法对轨迹优化函数进行求解，得到换道时间的最优值，避免因人工选取换道时间带来的不确定性神经网络-液压滚圆机滚弧机张家港电动钢管滚圆机滚弧机折弯机。在Carsim中进行了动力学仿真，验证了该换道轨迹规划方法的可行性。文章研究了基于谷歌深度学习框架Tensorflow的图像识别在智能驾驶汽车领域里应用的可能性。使用卷积神经网络模型,将车辆图片作为训练集输入神经网络,通过多次训练校正神经网络参数,最终可以得到可以识别汽车图片的神经网络模型。通过学习Tensorflow建模,编程的完整流程,为进一步使用Tensorflow构建图像识别应用打下了基础。本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com   框架在自动驾驶汽车车辆识别功能中的应用39能启动图。启动图的第一步是创建一个Session对象，如果无任何创建参数，会话构造器将启动默认图。然后进行变量的初始化操作、运行操作节点、更新变量值。在神经网络优化算法中，最常用的方法是反向传播算法。图1主要展示了使用反向传播算法训练神经网络的流程图。反向传播算法需要实现一个迭代的过程。在每次迭代的开始，需要选取小部分训练数据，通过计算训练数据的预测答案与真实答案进行比对，相应的更新神经网络的参数，从而达到优化模型的目的。图1神经网络反向传播优化流程图3TF构建卷积神经网络本文采用的训练模型是仿照LeNet5CNN架构，LeNet5最早是在1998年由YannLecun博士提出的。它是最早的CNN之一，专门用于对手写数字进行分类。就是两个卷积层（每个卷积层后加一个池化层）加两个全连接层加最后一个softmax输出分类结果。Lenet5架构如下图所示：图2卷积神经网络结构本文的构建的TF卷积神经网络主要有5种结构组成：（1）输入层。输入层是整个神经网络的输入，在处理图像的卷积神经网络中，它一般代表了一张图片的像素矩阵。（2）卷积层。从名字就可以看出，卷积层是一个卷积神经网络中最为重要的部分。卷积层中每一个节点的输入只是上一层神经网络的一小块，这个小块常用的有3*3或者5*5。卷积层试图将神经网络中的每一小块进行更加深入地分析从而得到抽象程度更高的特征。（3）池化层（pooling）。池化层神经网络不会改变三维矩阵的深度，但是它可以缩小矩阵的大校（4）全连接层。如图所示，在经过多轮卷积层和池化层的处理之后，在卷积神经网络的最后一般会是由1到神经网络-液压滚圆机滚弧机张家港电动钢管滚圆机滚弧机折弯机本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com