1.一种基于模糊分类计算的驾驶员情绪强度度量方法，其特征是按如下步骤进行：步骤1、构建情绪表征的生理特征参数向量与特征样本矩阵；

步骤1.1、采集不同情绪下驾驶员心电、脉搏、脑电信号并建立生理信号数据集合S＝{S1,S2,...,Si,...,Sn}，Si表示第i组生理信号数据，且 其中， 表示第i组生理信号数据中属于第k类生理信号的第a个数据，i∈[1,n]，a∈[1,A]，k∈[1,3]，当k＝1表示心电信号，k＝2表示脉搏信号，k＝3表示脑电信号；

步骤1.2、确定备选特征参数向量 其中， 表示属于第k类生理信号的第l个备选特征参数，l∈[1,m]；

步骤1.3、根据生理信号数据集合S中的第i组生理信号数据Si，计算备选特征参数向量P中所有备选特征参数值，从而得到第i个备选样本向量 其中， 表示第i个备选样本向量xi中属于第k类生理信号的第l个备选特征参数 的值，从而得到备T选特征样本矩阵X＝[x1,x2,...,xi,...,xn]；

步骤1.4、对备选特征样本矩阵X进行离异系数计算；

选取备选特征样本矩阵X中的第l组列向量 将第l组列向量中的元素分为z个数据集合：

其中，z为情绪分类数，1≤z≤n，k∈[1,3]；

利用式(1)得到第l个备选特征参数 的离异系数 从而得到备选特征参数的离异系数向量

步骤1.5、构建情绪表征的生理特征参数向量；

从心电、脉搏、脑电备选特征参数的离异系数中各选出较大的前r个值，并找到其对应的备选特征参数，将所找到的备选特征参数组合为情绪表征的生理特征参数向量其中，第1到第r个为情绪表征的心电

特征参数；第r+1到第2r个为情绪表征的脉搏特征参数，第2r+1到第3r个为情绪表征的脑电特征参数，且3r＜m；

步骤1.6、构建特征样本矩阵X′；

构建过渡矩阵B＝(bi′j′)m×3r，其中，i′∈[1,m]，j′∈[1,3r]；

根据步骤1.5中所找到的备选特征参数在备选特征参数向量P中的位置a′,b′,...,g′，令ba′1＝1,bb′2＝1,...,bg′(3r)＝1，其余元素为0，且a′,b′,...,g′∈[1,m]；

利用式(2)构建特征样本矩阵X′：

X′＝X×B         (2)

T

式(2)中，X′＝[x′1,x′2,...,x′i,...,x′n] ，x′i表示第i组特征样本，且表示第i组特征样本x′i中属于第k类信号的第J个情绪表征的生理特征参数 的值，i∈[1,n]，J∈[1,3r]；

步骤2、利用模糊分类迭代计算特征样本矩阵X′，获取各类别情绪中心向量集合和情绪表征样本集合；

步骤2.1、定义模糊分类中各参数含义；

定义所述模糊分类中情绪类别数为z，且1≤z≤n；

定义所述模糊分类的最大迭代次数为N，当前迭代次数为t；

定义模糊指数ι，且ι＞1；

定义第t次迭代的隶属程度矩阵 代表第t次迭代的第i个特征样本对第φ类情绪的隶属程度，且 满足如式(3)所示的约束条件：T

步骤2.2、将特征样本矩阵X′＝[x′1,x′2,...,x′i,...,x′n]作为模糊分类的输入；

步骤2.3、利用式(4)计算第t次模糊分类计算的目标函数F(t)：(t)

式(4)中，E 表示第t次迭代的各类情绪中心向量集合， 表示第t次迭代的第φ类情绪的情绪中心向量，x″i表示给不同生理信号数据赋予不同贡献率后的优化特征样本，且K为各类生理信号数据对情绪的贡献率，且K满足式(5)：式(5)中，α、β、χ为心电、脉搏、脑电信号对情绪的贡献率，且α,β,χ∈[0,1]，α+β+χ＝1；

(t) (t)

步骤2.4、利用式(6)构造第t次迭代的拉格朗日函数L ，并求解使L 最小的值：

(t)

式(6)中，λi表示为求解使拉格朗日函数L 最小而引入的第i个拉格朗日乘数，i＝1,

2,...,n；

(t)

根据式(7)分别对拉格朗日函数L 中的 λi求偏导：利用式(8)和式(9)分别更新第t次迭代的情绪中心向量 和隶属程度式(8)和式(9)中， 表示第t+1次迭代的第φ类情绪中心向量， 表示第t+1次迭代的第i个特征样本对第φ类情绪的隶属程度；

步骤2.5、初始化t＝1，随机生成第t‑1次迭代的隶属程度 且隶属程度 满足条件 和条件 从而确

(t‑1)

定隶属程度矩阵D ；

步骤2.6、利用式(8)计算得第t次迭代的第φ类情绪中心向量 利用式(9)计算得第t次迭代的隶属程度 利用式(4)计算第t次迭代的目标函数F(t)；

步骤2.7、根据式(8)计算第t+1次迭代的各情绪中心向量，构建第t+1次迭代的情绪中(t+1)心向量集合E ，根据式(9)计算第t+1次迭代的各样本隶属程度矩阵，构建第t+1次迭代的(t+1)隶属程度矩阵D ；从而利用式(4)计算第t+1次迭代的目标函数F(t+1)；

步骤2.8、利用式(10)计算第t+1次迭代的误差J′t+1(t≥1)；

J′t+1＝|F(t+1)‑F(t)|        (10)(t+1)

步骤2.9、若J′t+1＜ε，则将第t+1次迭代的隶属程度矩阵D 作为最终的隶属程度矩阵(t+1)Dend、将情绪中心向量集合E 作为最终的情绪中心向量集合Eend，并执行步骤2.11；否则，执行步骤2.10；

步骤2.10、将t+1赋值给t后，判断t＞N是否成立，若成立，则训练终止，得到最终的情绪中心向量集合Eend和最终的隶属程度矩阵Dend，并执行步骤2.11，否则返回步骤2.7；

步骤2.11、将最终的情绪中心向量集合记为Eend＝{e1,e2,...,ev,...,ez}，v∈[1,z]，最终的隶属程度矩阵记为Dend＝(dφi)z×n，根据最终的隶属程度矩阵Dend中每一列的最大值判断每组数据对应的情绪类别，最终确定各类情绪的情绪表征样本集合为Mη表示第η

类情绪对应的情绪表征样本集合，η∈[1,z]， 表示属于第η类情绪的情绪表征样本集合Mη中的第w个情绪表征样本； 为X′中的向量；

步骤3、建立情绪中心向量与其相对应的强度表征映射序列，确定各类情绪基准强度值；

步骤3.1、建立情绪中心向量与其相对应的强度表征映射序列；

根据最终的情绪中心向量集合Eend，计算每个情绪中心向量与其他向量之间的空间距离，构建情绪中心距离矩阵R＝[r1,r2,...,rv,...,rz]，其中，rv表示第v个情绪中心向量ev与其它各情绪中心向量的距离，rv＝[r1v,r2v,...,ruv,...,rzv]，且ruv表示第v个情绪中心向量ev与第u个情绪距离中心向量eu之间的空间距离，ruv＝||ev‑eu||2，1≤u≤z，1≤v≤z；计算第v个情绪中心向量ev与其它情绪中心向量的空间距离之和为 v∈[1,z]，最终得到所有情绪中心向量与其它情绪中心向量的空间距离之和记为 对各向量空间距离之和进行升序排序，并赋予其对应情绪中心向量逐步加1的情绪强度表征值，从而得到情绪强度表征序列为ψ＝(1,2,3,...,z)；

步骤3.2、确定各类情绪基准强度值；

利用式(11)计算第φ类情绪的情绪基准强度值μφ：式(11)中，||eφ||2为第φ类情绪中心向量的2‑范数，ψφ为第φ类情绪的强度表征值，ψ∈[1,z]， 为向下取整符号；

步骤4、构建任意情绪强度度量的计算函数；

步骤4.1、对于任意待测的情绪表征生理特征向量ρτ，利用式(12)判断其所属的情绪中心向量为*

式(12)中， 表示||ρτ‑eφ||2函数取最小值时的向量eφ，由此可得ρτ属于第φ 类情绪；

步骤4.2、根据步骤2.11中的各类情绪的情绪表征样本集合，计算任意待测的情绪表征*生理特征ρτ所属的情绪类别φ 类的情绪表征样本集合 中距离该情绪中心向量 的最大距离值*

式(13)中，yc为所ρτ所属的情绪类别φ 类的情绪表征样本集合 中距离情绪中心向量 最远的向量；

步骤4.3、利用式(14)构建任意待测的情绪表征生理特征向量ρτ的情绪强度度量的计算函数*

式(14)中， 表示任意待测的情绪表征生理特征ρτ所属的情绪类别φ 类的情绪基准强度值。