1.一种基于RS‑BP神经网络的汽车发动机油耗预测方法，其特征在于，包含以下步骤：步骤1)，采集汽车发动机试验数据，包含发动机的扭矩、转速、油门的开度、燃油温度、和发动机油耗；

步骤2)，对采集的汽车发动机实验数据进行数据归一化处理；

步骤3)，构建RS‑BP神经网络模型；

步骤3.1)，将汽车发动机试验数据按各个属性对应的区间划分规则进行编码，获得汽车发动机试验数据决策表；

步骤3.2)，约简属性，将汽车发动机试验数据决策表定义为一个四元组：S＝(U，C∪D，V，f)

式中，U为论域；C∪D为属性集，C为条件属性；D为决策属性；V＝UVα，α∈C∪D；Vα为属性α的值域；f为论域与值域之间的信息函数；

条件属性和决策属性之间存在依赖，通过依赖度来表达：

γc(D)＝|posc(D)|/|U|

posc(D)表示属性D关于属性C的正域，γc(D)衡量了根据条件属性C能正确划分的比例；

对于 当pos{C‑R}(D)＝posc(D)，则称R为C中D不必要的，否则为必要的；若P为条件属性集C的一个非空子集，当满足posP(D)＝posC(D)且posR(D)≠posC(D)，任意 则称P为关于D的属性约简集；

步骤3.3)，以遗传算法为工具，对汽车发动机试验数据决策表进行约简：步骤3.3.1)，由公式γc(D)＝|posc(D)|/|U|计算出决策属性D{d1，d2，d3，…di}对条件属性C{c1，c2，c3，…cj}的依赖度γC(d)；

步骤3.3.2)，定义reduct(C)＝C‑{cj}为条件属性C的约简集，将条件属性cj逐个剔除，考察γreduct(C)(d)和γC(d)大小关系，若相等，则终止计算；若不等，执行步骤3.3.3)；

步骤3.3.3)，运用染色体编码技术，根据以下公式将每个条件属性以二进制字符串{0，

1}的形式对每个个体编码，1表示此条件属性属于该个体，0表示此条件属性不属于该个体；

得到每个个体的适应度F(r)：

F(r)＝(l‑lτ)/l+γC(d)

式中，lτ为编码1的染色体个数，l为条件属性个数；初始种群由Pop_size个长度为|C||C|的二进制个体组成，Pop_size＝2 ；|C|为剩余条件属性个数；

步骤3.3.4)，计算下一代种群每个个体的适应度，根据轮盘赌规则进行选择，采用交叉概率Pc来描述交叉点处部分染色体交换概率，采用变异概率Pm来描述某位等位属性编码值反转概率；

步骤3.3.5)，复制最优个体进入下一代种群，考察其适应度，若适应度不再变化或迭代步数达数值限制量Maxgen，输出最优个体，否则跳转执行3.3.4)；

步骤3.4)，利用粗糙集理论对汽车发动机试验数据进行预处理，剔除不相关属性后获得约简样本空间，以简化输入变量；将约简样本空间输入BP神经网络进行训练，得到RS‑BP神经网络模型；

步骤4)，用已构建的RS‑BP神经网络拓扑模型进行训练学习，得到训练好的RS‑BP神经网络模型；其中，以均方误差作为目标函数误差E，用于衡量预测值与真实值之间的误差，并通过对目标函数误差E求w和b的偏导，实现RS‑BP神经网络拓扑模型中权值w、阈值b的更新；

步骤5)，运用好训练好的RS‑BP神经网络模型，将需要进行发动机油耗预测的汽车的扭矩、转速、油门的开度、燃油温度输入其中，获得该汽车的耗油预测量。

2.根据权利要求1所述的基于RS‑BP神经网络的汽车发动机油耗预测方法，其特征在于，所述步骤2)中采用min‑max法对数据进行归一化处理，公式为：*

式中，X表示归一化之前的汽车发动机实验数据，X 表示归一化之后的汽车发动机实验数据，max为汽车发动机实验数据的最大值，min为汽车发动机实验数据最小值。