基于GDA的置信规则库参数训练的集成学习方法

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.

关键词：置信规则库(BRB)、集成学习、梯度下降法(GDA)、Bagging、AdaBoost

所属期刊栏目：10

分类号：TP18(自动化基础理论)

资助基金：The National Natural Science Foundation of China under Grant Nos.61300026,71501047;the Natural Science Foundation of Fujian Province under Grant No.2015J01248;the Science and Technology Development Foundation of Fuzhou University under Grant Nos.2014-XQ-26,14SKF16

在线出版日期：2017-02-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1651-1661