[发明专利]一种基于证据网络的智能轮椅路径选择偏好识别方法

权利要求书

1.一种基于证据网络的智能轮椅路径选择偏好识别方法，其特征在于，包括以下步骤：

步骤1：采集环境中用户偏好数据，包括障碍物数量范围、障碍物与用户距离范围、障碍物形状曲率范围和通道宽度范围，分配采集到的每个用户偏好数据的基本信度，令识别框架下的信度和为1；

步骤2：用户通过实验将对采集到的证据信息的偏好重新设置，得到新的信度分配，然后提取出用户偏好信度数据；

所述实验表述为：针对障碍物数量OQ、障碍物形状OS、轮椅通过障碍物的距离OD、轮椅行驶通道宽度CW四个路径特征，设置四组实验，在每组实验中令一个路径特征以一定步长和范围变化，实验者坐在轮椅上，轮椅按预设的路径行进，并确定实验者对单一路径特征的偏好数据；

步骤3：对采集到的用户偏好数据格式基于动态二值联合树的拓扑结构进行扩展，使数据能够在同等格式下进行合成，所述动态二值联合树的拓扑结构的建立过程表述为：针对四个路径特征设计特定融合关系，根据所述特定融合关系设计动态二值联合树的拓扑结构，所述特定融合关系为：首先将障碍物数量OQ、障碍物形状OS、轮椅通过障碍物的距离OD进行融合，融合之后再与椅行驶通道宽度CW进行进一步融合；

步骤4：利用证据理论中的合成规则对扩展后的用户偏好数据进行合成，使之成为一种数据；

步骤5：将在信息融合的过程中已经扩展的变量或合成后的变量，即前期使用过的变量消去，使合成变量成为独立节点存在；

步骤6：判断是否计算出最终节点的信度值，即有没有合成到最后一个节点，若是，则继续执行步骤7，若否，则返回步骤3；

步骤7：将每个识别框架下的信度值转换为该识别框架下的概率值，即转换为决策变量在其每一个识别框架上的概率；

步骤8：由决策变量在其每一个识别框架下的概率乘以该识别框架的变量等级后相加，得到用户对该路径的总偏好期望值，总偏好期望值越大，用户越偏好。

2.根据权利要求1所述的基于证据网络的智能轮椅路径选择偏好识别方法，其特征在于，所述步骤3中对采集到的用户偏好数据格式进行扩展的公式如下：

其中，M＝{m₁,m₂…,m_r}为一组用于决策的评价函数，r为评价函数的总个数，s∈[1,2,…,r]，D＝{D₁,D₂,…,D_n}为所有决策变量的集合，n为决策变量的总个数，且n≤r，i∈[1,2,…,n]，j∈[1,2,…,n]，且i≠j，↑为扩展符号，为D_i扩展为D_i∪D_j后包含D_i信息的评价函数，Θ_D为D的识别框架集合，A、C为定义在D上的不同变量笛卡尔积的子集。

3.根据权利要求1所述的基于证据网络的智能轮椅路径选择偏好识别方法，其特征在于，所述步骤4中对扩展后的用户偏好数据进行合成的公式如下：

其中，为合成符号，M＝{m₁,m₂…,m_r}为一组用于决策的评价函数，r为评价函数的总个数，s∈[1,2,…,r]，t∈[1,2,…,r]，且s≠t，D＝{D₁,D₂,…,D_n}为所有决策变量的集合，n为决策变量的总个数，且n≤r，m_s^D为变量集d(m_s)，且其中s＝i，m_t^D为变量集d(m_t)，且其中t＝j，V为所有变量的集合，数据合成后D_i＝D_j＝D，A、B、C为D上的不同变量笛卡尔积的子集，为冲突因子，φ为空集。