析取置信规则库系统参数优化的深度神经网络模型

基于深度学习的置信规则库系统在参数优化方面存在可移植性差、应用效率低等问题,为此,将深度神经网络与析取置信规则库结合,有效减少模型的规则和参数的数量;引入梯度下降算法优化模型参数,提高模型构建和优化的效率.通过非线性函数拟合、北京市空气质量污染预测和多个UCI公共分类数据集的实验,对提出的方法进行验证,并将实验结果与现有的置信规则库系统和传统的机器学习方法进行对比.结果表明,所提出的方法比传统的方法具有更高的推理精度和更快的训练速度.

参数自适应的析取云模糊置信规则识别方法

为获得准确的模糊置信规则结构参数,提出了参数自适应的析取云模糊置信规则识别方法 .为完成模糊域的自适应划分,提出了基于频数统计的双门限检测方法和基于包含度的双门限检测方法 .用云模型作为模糊集,改变熵系数和超熵系数,实现对模糊集形状的调整;前提属性的联接设置为析取逻辑关系,改进了证据的基本概率赋值方式,对规则权重和属性权重进行了优化.实验结果表明,与其他方法相比,本文方法的正确识别率提高了5%~15%,规则可解释性更强.