基于GDA的置信规则库参数训练的集成学习方法

发布时间：2017-12-15 14:37

  本文关键词：基于GDA的置信规则库参数训练的集成学习方法

  更多相关文章： 置信规则库(BRB) 集成学习 梯度下降法(GDA) Bagging AdaBoost

【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Ada Boost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。
【作者单位】： 福州大学数学与计算机科学学院;福州大学经济与管理学院;
【基金】：国家自然科学基金Nos.61300026,71501047 福建省自然科学基金No.2015J01248 福州大学科技发展基金Nos.2014-XQ-26,14SKF16~~
【分类号】：TP181;TP202
【正文快照】： 1 引言 随着信息技术的快速发展,为了能够处理在各种复杂应用背景下多样性、大容量、高速、实时的数据,信息融合(data fusion)技术越来越受到各个领域专家的重视。信息融合是模仿人类处理信息的结果,它实际上是一个不确定性推理与决策的过程,其方法包括贝叶斯概率推理法、D-S，

本文编号：1292344