在运用置信规则库（BRB）模型进行推理前，须建立BRB初始置信规则库。初始置信规则库一般是具有相关行业背景知识的资深专家根据自身的专业经验以及对大量的历史数据综合分析后编制而来。然而，由于专家经验存在一定的主观局限性，基于专家经验建立的BRB推理系统的初始置信库难以准确反映推理系统的输入变量与输出变量之间的映射关系，导致系统的推理结果与实际结果之间存在一定的偏差。因此，在建立初始置信规则库后，须采用一定量的历史数据来优化训练初始置信规则库，进而对其规则权重、前置属性权重以及评价结果元素信度等模型参数进行动态校正，以提高BBR系统的推理准确率。最后，可采用未用的样本数据来测试检验优化后的BRB系统的准确性。BBR系统的优化学习模型如图6-10所示。
图6-10 BRB系统的优化学习模型
在图6-10中，
为第m组训练样本的输入；ym为第m组BBR系统的推理输出；
为第m组训练样本的实际输出。
为BRB系统的可调参数集，是BRB系统优化学习的对象；m是训练样本组数；
为第m组样本的实际输出与真实输出之间的差值。建立如下优化目标函数：
BRB的优化学习即通过调整参数集p，使目标函数值达到最小。此优化问题可归结为带有线性约束的多目标优化问题。
通常，BRB推理系统的初始置信规则库通过如下几种方法构建：
（1）依据相关领域的专家知识制订；
（2）依据可靠的历史样本数据制订；
（3）依据前期的类似工况制订；
（4）若无先验知识，可在输入量的取值范围内选取可调参数来制定。
由于国内驾驶愤怒状态研究领域的相关研究较少，本书依据本课题组的大量实验数据，包括问卷调查、模拟驾驶实验及实车实验数据的统计分析值构建了五个BRB子系统的初始置信规则库，如表6-5至表6-9所示。
表6-5 BRB系统1的初始置信规则库
表6-6 BRB系统2的初始置信规则库
表6-7 BRB系统3的初始置信规则库(www.xing528.com)
表6-8 BRB系统4的初始置信规则库
表6-9 BRB系统5的初始置信规则库
BRB系统1的初始置信规则库如表6-5所示，其置信规则可表示如下：
其中
分别是输入量x1，x2，x3的参考值，而x1，x2，x3分别有3，4，4个参考等级，因此共有3*4*4条置信规则，Con_L，Con_M，Con_H分别为BRB系统1输出的三个驾驶愤怒诱导因素等级。
其他四个BRB子系统可按此特点依次构建。
制订完五个BRB子系统的初始置信规则库，鉴于专家经验具有较强的主观性，以及实验数据统计的不确定性，初始置信规则库在推理时会出现一定程度的误差，因此有必要对其进行优化学习，以提高BRB模型的识别准确率。本节运用6.2节介绍的BRB优化学习模型对其模型参数进行优化训练。由于优化过程涉及线性约束的多目标优化问题，可通过调用Matlab软件里的Fmincon函数来解决该优化问题。选用1 590组实验样本数据，其中，704个正常驾驶样本（none anger），420个低强度愤怒样本，310个中强度愤怒样本，156个高强度愤怒样本。将实验样本数据中的50%用来训练优化BRB模型，剩下的50%作为测试集，用来测试模型的准确率。表6-10为BRB系统5学习优化后的置信规则库。
表6-10 BRB系统5学习优化后的置信规则库
本书BRB系统输出的估计值是评价结果参考值与其置信度的加权之和，即
因此，估计值Anger（y）为0与3之间的连续量。为了便于比较BRB模型推理的愤怒强度与实际愤怒强度之间的差异，须将该估计值转化为可供判别的离散量，过程如下：
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
