置信规则库推理方法与原理

为了深入挖掘带有不确定性的定性或定量的输入指标信息，相关学者基于神经网络、支持向量机、贝叶斯网络、灰色理论与粗糙集等机器学习模型对驾驶人的疲劳、分神或酒后等危险驾驶状态进行了识别[166]。这些机器学习模型中，有的模型在输入变量参数选取或训练规则制订方面过于依赖自学习，或在权重分配与模型相关参数标定等方面与实际应用背景缺乏有效结合；有的模型的推理优化过程复杂冗长，导致模型封装能力较弱；有的模型则存在数据利用效率不高，且其精度严重依赖于输入样本的完备度，等等。因此，为了满足驾驶人状态检测系统对实时性的高要求，以及提高检测数据的利用效率，本书拟用人工智能决策领域中较新的置信规则库（belief rule base，BRB）推理方法来识别驾驶人的愤怒状态。

BRB推理方法是在D-S证据理论、模糊理论、决策理论与经典的IF-THEN规则等基础上扩展改进而来的，它能有效处理带有模糊、不完整、不确定、非线性特征的主客观数据，并能对这些特征进行深度挖掘[167]。BRB推理方法在驾驶人愤怒状态识别规则制订方面具有较强的适应性，便于写入驾驶人状态检测系统里[168]。该方法的执行过程包含两个步骤：知识的表达与推理。其中，知识的表达由BRR专家系统完成，即基于改进的IF-THEN规则；知识的推理则采用D-S证据推理方法，即将相关变量信息输入BRB推理模型后，激活相关置信规则，这些置信规则进一步由D-S证据推理方法进行组合，以求得模型的最终输出。具体求解过程如下。(www.xing528.com)