本技术涉及无人驾驶，特别是涉及一种驾驶行为分类器参数选取方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
背景技术：
1、随着人工智能理论的进步，无人驾驶汽车相关技术也迅速发展。无人驾驶汽车是一种具备多种功能（如环境感知、行为决策和自适应控制）的强大系统。其中，行为决策被认为是无人驾驶汽车的“大脑”，他决定了汽车行驶的安全性和合理性。在无人驾驶汽车中，使用支持向量机算法（svm）分类器可以对驾驶行为进行分类，帮助决策模块做出准确的决策。
2、传统的svm分类器的分类效果在一定程度上受其参数选取的影响。传统的svm分类器可分为线性支持向量机和非线性支持向量机。对于非线性支持向量机来说，径向基核函数（radial basis function，rbf）中的宽度参数控制了函数的径向作用范围，会影响样本数据的复杂度。其值越大，影响越小；其值越小，影响越大。为了解决实际问题中会存在小部分样本数据与整体样本数据的特征不相符的问题，传统的svm分类器中引入了惩罚因子，用来惩罚被错误分类的样本。的值越大，允许被错误分类的样本越少，值得注意的是若的值过大，可能会使模型出现过拟合的情况；的值越小，样本的分类规则会放宽，允许被错误分类的样本越多，但若过小，可能会使模型出现欠拟合的情况。
3、然而，svm分类器的宽度参数和惩罚因子选取方法一般是随机选择或人工选择的，这种方法会导致选择的参数不合理，大大地降低svm分类器分类性能，进而导致驾驶行为决策精度低。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提高驾驶行为决策精度的驾驶行为分类器参数选取方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面，本技术提供了一种驾驶行为分类器参数选取方法，包括：
3、从多个混沌映射中选取最优混沌映射；
4、通过所述最优混沌映射产生预设数量的鲸鱼个体，将预设数量的鲸鱼个体，作为鲸鱼种群；所述鲸鱼种群中每个鲸鱼个体包括驾驶行为分类器的超参数的初始值；所述超参数包括惩罚因子和宽度参数；
5、对所述鲸鱼种群进行迭代处理，得到全局最优个体；
6、将所述全局最优个体对应的超参数的初始值，作为所述驾驶行为分类器的超参数的目标值。
7、在其中一个实施例中，所述方法还包括：
8、基于所述超参数的目标值训练所述驾驶行为分类器，得到训练好的驾驶行为分类器，所述训练好的驾驶行为分类器基于驾驶环境数据，确定驾驶行为。
9、在其中一个实施例中，所述从多个混沌映射中选取最优混沌映射，包括：
10、获取多个混沌映射；
11、通过当前混沌映射产生预设数量的个体，将预设数量的个体，作为初始种群，并确定所述初始种群的初始参数；所述初始参数包括最大迭代次数和初始最优值；
12、对所述初始种群进行迭代处理，得到当前混沌映射下所述初始种群对应的全局最优值；
13、将所述全局最优值与所述初始最优值进行比较，将较优者作为当前混沌映射下对应的目标全局最优值；
14、将所述目标全局最优值作为初始最优值，将下一混沌映射作为当前混沌映射，并返回所述通过当前混沌映射产生预设数量的个体的步骤继续执行，直至当前混沌映射为最后一个混沌映射，将最后一个混沌映射下对应的目标全局最优值的混沌映射，作为最优混沌映射。
15、在其中一个实施例中，所述对所述初始种群进行迭代处理，得到当前混沌映射下所述初始种群对应的全局最优值，包括：
16、在当前迭代中对所述初始种群的所有个体进行变异、交叉和选择处理，得到当前迭代的最优值；
17、将所述最优值与历史最优值进行比较，将较优者作为目标最优值，将所述目标最优值作为下一迭代过程中的历史最优值，将下一迭代作为当前迭代，并返回所述在当前迭代中对所述初始种群的所有个体进行变异、交叉和选择处理的步骤继续执行，直至达到最大迭代次数，将最后一次迭代过程中产生的目标最优值，作为当前混沌映射下所述初始种群对应的全局最优值。
18、在其中一个实施例中，所述在当前迭代中对所述初始种群的所有个体进行变异、交叉和选择处理，得到当前迭代的最优值，包括：
19、在当前迭代中对所述初始种群的所有个体进行变异处理，得到变异种群；
20、对所述变异种群进行交叉处理，得到新个体集合；
21、计算所述初始种群和所述新个体集合中所有个体的适应度，基于所有个体的适应度，选择新的种群；
22、将所述新的种群中最大的适应度作为当前迭代的最优值。
23、在其中一个实施例中，所述对所述鲸鱼种群进行迭代处理，得到全局最优个体，包括：
24、确定所述鲸鱼种群的初始基本参数和初始最优个体；
25、基于所述初始基本参数，确定当前迭代的优化处理模式；
26、基于当前迭代的优化处理模式，对所述鲸鱼种群的每个鲸鱼个体进行迭代处理，更新所述鲸鱼种群中每个鲸鱼个体的位置；
27、基于位置更新后每个鲸鱼个体对应的新的适应度，确定当前迭代的最优个体；
28、比较所述最优个体和所述初始最优个体，将适应度较大者对应的鲸鱼个体，作为当前迭代过程中的目标最优个体；
29、更新所述鲸鱼种群的初始基本参数，将所述目标最优个体作为初始最优个体，并基于更新后的初始基本参数返回所述基于所述初始基本参数，确定当前迭代的优化处理模式的步骤继续执行，直至达到预设迭代停止条件，将最后一次迭代过程中产生的目标最优个体，作为全局最优个体。
30、第二方面，本技术还提供了一种驾驶行为分类器参数选取装置，包括：
31、混沌映射确定模块，用于从多个混沌映射中选取最优混沌映射；
32、种群生成模块，用于通过所述最优混沌映射产生预设数量的鲸鱼个体，将预设数量的鲸鱼个体，作为鲸鱼种群；所述鲸鱼种群中每个鲸鱼个体包括驾驶行为分类器的超参数的初始值；所述超参数包括惩罚因子和宽度参数；
33、种群迭代模块，用于对所述鲸鱼种群进行迭代处理，得到全局最优个体；
34、寻优模块，用于将所述全局最优个体对应的超参数的初始值，作为所述驾驶行为分类器的超参数的目标值。
35、第三方面，本技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述驾驶行为分类器参数选取方法的步骤。
36、第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述驾驶行为分类器参数选取方法的步骤。
37、第五方面，本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述驾驶行为分类器参数选取方法的步骤。
38、上述驾驶行为分类器参数选取方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，相比传统人工或随机选取惩罚因子和宽度参数的方法，本技术创建鲸鱼种群，鲸鱼种群中每个鲸鱼个体包括驾驶行为分类器的超参数的初始值，超参数包括惩罚因子和宽度参数，通过对鲸鱼种群进行迭代处理，得到全局最优个体，将全局最优个体对应的超参数的初始值，作为驾驶行为分类器的超参数的目标值，上述过程中，通过鲸鱼优化算法可以在较短的时间内获得一组高效的超参数配置，而无需进行大量的手动调参或随机试验，避免了人为因素或随机性对超参数选择的影响，确保了选择结果的稳定性和可重复性，进而提高驾驶行为分类器的驾驶行为决策精度；另一方面，针对鲸鱼优化算法采用随机生成的方式生成鲸鱼种群，导致算法过早地陷入局部最优值，而无法找到全局最优值的问题，本技术通过混沌映射产生预设数量的鲸鱼个体，可以增加算法的搜索效率和全局优化能力，避免算法陷入局部最优值，进而提高了最终选取的超参数的目标值的精度，同样提升了驾驶行为分类器的驾驶行为决策精度；为进一步提高驾驶行为分类器的驾驶行为决策精度，本技术从多个混沌映射中选取最优混沌映射，通过最优混沌映射产生预设数量的鲸鱼个体，可以提高鲸鱼种群的多样性和随机性，进而提高了最终选取的超参数的目标值的精度，同样提升了驾驶行为分类器的驾驶行为决策精度。
1.一种驾驶行为分类器参数选取方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述从多个混沌映射中选取最优混沌映射，包括：
4.根据权利要求3所述的方法，其特征在于，所述对所述初始种群进行迭代处理，得到当前混沌映射下所述初始种群对应的全局最优值，包括：
5.根据权利要求4所述的方法，其特征在于，所述在当前迭代中对所述初始种群的所有个体进行变异、交叉和选择处理，得到当前迭代的最优值，包括：
6.根据权利要求1所述的方法，其特征在于，所述对所述鲸鱼种群进行迭代处理，得到全局最优个体，包括：
7.一种驾驶行为分类器参数选取装置，其特征在于，所述装置包括：
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
