ANNI集成抽取出的驾驶行为规则实验
（1）ANNI示例
由ANNI的性质可知，输入层和第1隐层确定规则的前件，根据插入前件的不等式是“>”或“<”，将输入神经元和第1隐层神经元之间的权重赋值为1或-1，将前件不等式中的闭值转化成为虚拟神经元的权重，如图1所示。
11θx1Yθx-1YIf（x<θ）then Y
图1 规则前件虚拟神经元权重
Fig 1 Rule antecedent virtual neuron weights
第2隐层每个神经元表示规则前件的“与”，输出层表示规则前件的“或”，前件的“与”是将第1隐层和第2隐层间的权重值设置为正数w，偏置神经元的权重为w的(-y+0.5)倍，y为规则前件数；前件的“或”是将第2隐层与输出层间的权重值设为w，相应的偏置值设为-w/2。例如，超车换道行为的规则抽取中，该隐层用来训练与相对速度、加速距离、车头时距、信号灯、驾驶习惯、车道变换等相关的特征量。如图3、图4所示。
If（x>-θ）then Y1-W/2信号灯1-2.5w相对速度y1r1wwRw车道变换驾驶习惯wwCw加速距离y2r2车头时距y3r3If r1 then C If y1 and y2 and y3 then R If r2 then C If r3 then C 图2“与”规则抽取 图3 “或”规则抽取 Fig 3 “And” Rule Extraction Fig 3 “Or” Rule Extraction
图4为一个ANNI网络，它表示了一个具有两个规则的规则集（Rule 1、Rule 2）和一个默认规则（Rule 3）。第1隐层的激活值采用二进制，step(t)函数作为第1隐层的激活函数，这样也就可以采用KBANN方式编码。
1-1.30.71y1-1.5w-2.5wwy2-3.7y32.5y4wwwr2wr11w/2-w/2wc1x111x21x3-1wc2If r1 then c1If r2 then c2 Default: c1If(x1>1.3) then y1If y1 and y2 and y4 then r1If(x2>-0.7) then y2If y3 and y4 then r2If(x2>3.7) then y3If(x3<2.5) then y4If (x1>1.3) and (x2>-0.7) and (x3<2.5) then c1If (x2>3.7) and (x3<2.5) then c2Default:c1
图4 抽取ANNI网络的规则
Fig 4 extraction rules from ANNI network
表1采用ANNI集成抽取出的驾驶行为规则
实验展示
