置信规则库推理方法-“路怒”驾驶行为诱发机理

1.输入转化

假设为前置属性xi的第n个估计状态，则属性xi的置信度分布为

式中αi.n为前置属性xi在估计状态Hi，n下的置信度，且满足：

如果，则表示获得的信息是完整的；如果，则表示获得的信息是不完整的，可进一步通过αi.n求得其规则的激活权。

输入转化就是将输入变量的值转化为相应前置属性各个参考值上的置信度的分布。设为前置属性变量xi的第n个参考等级值，且xi为最益型属性，即hi，n的下一个参考值hi，n+1设置得比hi，n大，且越大越好，即对输出结果的评判性越好。设在xi的全部参考值中，最小值为hi，1，最大值为hi，Ni。依据式（6-30），对于前置属性xi的某个输入值hi，有

式中，若，则有

而其他参考值的置信度则为0，即αi，m=0，m=1，2，…，Ni且m≠n，n+1。

若在参考值hi，n和hi，n+1的两端分别引入一个中间量，即hi，0=hi，Ni，hi，Ni+1=hi，1，则αi.n可转化为

2.激活权计算

由置信规则库的基本结构可知，当某条置信规则里所有前置属性都被激活后，才能激活该置信规则的输出结果。根据6.2.3节的输入变量转化后的置信度分布，第k条规则的激活程度wk可表达如下[169]：

式中，前置属性权重δi与规则权重θk的初值可由初始置信规则库中的专家意见给出；为个体匹配度，表示在第k条规则里，第i个前置属性变量值在参考值上的置信度分布。

为复合匹配度，表示第k条规则里全部前置属性变量的输入值对于其参考值的匹配度。复合匹配度是置信度的单调非递减函数，是属性权重的单调非递增函数。若，则表示该属性不对第k条规则激活权产生任何影响；若，则表示该属性对第k条规则的激活权产生的影响达到最大值。针对具体的输入变量值，wk由证据推理得到。

3.证据推理

证据推理方法能较好地处理不确定性的定性或定量问题。基于 L 条置信规则构成的输出结果置信度矩阵，利用上一部分得到的证据激活权，运用证据推理融合全部被激活的证据，以求得最终输出结果的置信度分布。(www.xing528.com)

其基本推导逻辑为：输入推理系统的前置属性信息激活第k条规则以及结果信息Dn，若Dn的置信度βn，k大于0，那么系统的最终输出须对Dn进行权估计，此权决定于第k个规则的权重和前置属性的权重。

基本推理过程可用下面的公式表示：

（1）将置信度矩阵中的某个元素βn，k转化为Mass函数mn，k，mn，k表示第k个激活证据对输出结果Dn的支持度。设mD，k为该证据对结果未知部分的支持度，那么mn，k和mD，k可通过置信度βn，k值得到：

设存在两个中间参数则

（2）详细的证据推理过程表示如下[170]：

式（6-39）与式（6-40）中，

（3）进一步推导出：

若对于复合置信度βn以及未知结果部分的复合置信度βD都存在，即

那么结果未知部分的置信度βD满足条件：

（4）依据式（6-44）和式（6-45），可将输出结果已知和未知部分的置信度（βn，βD）做归一化处理，有[170]：

因此，按照置信度结构，BRB系统的输出结果可表示为

根据式（6-39）～（6-44），最终可得复合置信度的表达式为