本研究决策算法在Weka 平台下编码实现并运行。在GA-SVM 参数优化过程中，首先对参数C 和σ 进行二进制编码，随机生成一个初始化种群，设定最大进化迭代步数为150，采用遗传算法进行优化运算，得到最优的参数值分别为：C = 3，σ =0.08。为了评价所提出算法的决策优越性，本研究采用决策准确率（Accuracy）、Kappa 值（Kappa Statics Kappa）、平均绝对误差（Mean Absolute Error）、均方根误差（Root Mean Squared Error）、相对平方根误差（Root Relative Squared Error）等指标和ROC 曲线（The Receiver Operating Characteristic Curve）验证法作为评价指标和方法。
（1）Kappa 值：表示为内部一致性系数，是评价预测值和实际值一致性程度的关键指标。一般地，当Kappa＞0.75 时，表示两者之间的一致性良好；当0.75＞Kappa＞0.4 时，表示二者间一致性一般；当Kappa＜0.4 时，则表示一致性较差。
（2）平均绝对误差是观测值与算术平均值之间偏差绝对值的平均，该指标能够反映预测值误差的实际情况。
（3）均方根误差是观测值与实际值偏差的平方与观测次数比值的平方根，其数学表达：
式中，RMSE 表示均方根误差；X obs，i为第i 个观测值；X model，i为第i 个实际值；n 为总观测次数。
（4）平方误差为观测值与实际值之间偏差的平方和，值越小表示偏差越小。
（5）ROC 曲线是以真阳性率（Sensitive）为纵坐标，以假阳性率（1-specificity）为横坐标进行绘制的曲线[110]。
式中，Sensitive 表示所有样本中被正确分类的比例；P 表示样本中正例的个数；TP 表示正例被正确划分的个数；Specificity 表示所有负例被正确划分的比例；N 表示样本中负例的个数；TN 表示负例被正确划分的个数。ROC 曲线下方面积AUC（Area Under the Curve）值越大，表示模型的准确性越高。
6.4.3.1 不同核函数决策结果对比
为了验证所选择的径向基核函数的优越性，选用线性核函数和多项式核函数作为对比进行分析研究，采用十折交叉验证法（10-Fold Cross-Validation）的方法对样本进行训练和测试。所谓十折交叉验证就是将样本集分成10 份，轮流将其中9 份作为训练集，剩余1 份作为测试集，进行验证试验。其试验结果如图6-8 所示。
图6-8 不同核函数的M-SVM 验证结果
由图6-8 可知，径向基核函数M-SVM 的分类准确率和Kappa 值分别为0.958 和0.921，明显大于线性核函数M-SVM 和多项式核函数M-SVM 的对应结果。而通过对比3 类核函数的误差分析结果发现，以径向基函数为核函数构建的支持向量机的均方根误差和相对平方误差都处于最低水平，平均绝对误差略高于多项式核函数。综合对比可知，选用径向基函数作为驾驶模式决策模型的核函数是合理并且有效的。
6.4.3.2 不同算法决策结果对比(www.xing528.com)
为了测试使用遗传算法优化参数后的M-SVM 驾驶模式的决策精度，本研究选用ID3 决策树、径向基（RBF）神经网络和未优化的M-SVM 作为对比算法。下面对径向基神经网络和ID3 决策树算法进行简要介绍：
径向基神经网络[111]：RBF 神经网络是Moody 和Darken 等人于1988 年提出的一种新型神经网络结构，其网络结构属于前向型神经网络，能够以任意精度逼近任意连续函数，所以该方法提出后在人工智能领域很快得到了非常广泛的应用。RBF 神经网络的结构主要包括输入层、隐含层和输出层。其中，输入层是由信号源节点构成；隐含层中隐单元的数量是根据问题的需要而定的，其变化函数为非负非线性函数；最后一层为输出层，其作用是对输入模式进行相应输出。RBF 神经网络的基本原理是：将RBF 函数作为因单元的“基”构造隐含层空间，当RBF 函数的中心点确定后，输入矢量到隐空间的映射关系也就确定了。而隐含层空间到输出之间的映射关系是线性的，即输出层的输出是隐单元输出的线性加权和。
ID3 决策树[111]：ID3 算法是由Ross Quinlan 等人提出的一种决策树算法。其基本思想是通过信息增益来度量属性选择，进行选择分裂后得到的信息增益最大的属性进行再次分裂，该算法是采用自顶向下的搜索方法遍历所有的决策状态空间。该算法的优点是使用简单、结构清晰且学习能力强，缺点是表达复杂概念难度较大，可能会收敛于局部最优解而错失全局最优解。
本研究从所有样本中随机抽取80%作为模型的训练集，将剩余的20%作为测试集，得到不同算法进行驾驶模式决策结果如表6-4 和图6-9 所示。
表6-4 不同决策算法的测试结果
续表
注：A——人工驾驶；B——警示辅助驾驶；C——自动驾驶；总体准确率表示正确决策的驾驶模式占总样本的比例，各模式准确率求和即为总体准确率。
图6-9 不同算法决策准确率分析
根据表6-4 和图6-9 可知，以车速、车头时距、加速度、前轮转角标准差、驾驶经验和车道中心距6 项指标为驾驶模式决策特征向量，并且使用遗传算法优化的多分类支持向量机能够有效地对智能车驾驶模式进行正确决策，虽然在表 6-4 中，ID3 决策树算法对于自动驾驶模式决策准确度达到0.889，但是考虑到在训练过程中其缺失的样本数量达到13 个，综合分析可知，遗传算法优化后的M-SVM 的决策效果优于ID3 决策树、RBF 神经网络和优化的M-SVM 算法。
图6-10（a～c）中，粗实线表示ROC 曲线，细实线为参考线，其函数为，由此可知，3 种模式下的ROC 曲线都逼近完美曲线。经计算得出，3 种不同驾驶模式下AUC 的值[见图6-10（d）]分别为0.918、0.91 和0.929。而研究表明，当AUC 的值越接近于1 时，其预测效果就更加理想。由此可见，本研究所构建的决策模型具有较高的预测精度。
图6-10 优化后M-SVM 的ROC 验证结果
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。
