计算机科学与探索 ›› 2016, Vol. 10 ›› Issue (12): 1651-1661.DOI: 10.3778/j.issn.1673-9418.1605043
吴伟昆1,傅仰耿1,苏 群1,吴英杰1,巩晓婷2+
WU Weikun1, FU Yanggeng1, SU Qun1, WU Yingjie1, GONG Xiaoting2+
摘要: 目前对置信规则库(belief rule base,BRB)的研究主要针对单个BRB系统,然而单个BRB系统的推理性能不仅受参数取值的影响,而且当训练集分布不均衡或数据量较少时,容易导致参数训练不全面,从而使得推理结果所提供的决策信息存在局部性。通过引入Bagging算法和AdaBoost算法,分别与BRB相结合提出了基于梯度下降法(gradient descent algorithm,GDA)的置信规则库系统的集成学习方法,并分别应用于输油管道检漏、多峰函数的置信规则库训练,将多个BRB子系统集成,提高系统的推理性能。在实验中,以收敛精度和曲线拟合效果作为衡量指标来分析集成系统的性能,并将集成系统与其他单个BRB系统进行比较,实验结果表明BRB集成学习方法合理有效。