基于变速粒子群优化的置信规则库参数训练方法

doi:10.11772/j.issn.1001-9081.2014.08.2161

计算机应用 ›› 2014, Vol. 34 ›› Issue (8): 2161-2165.DOI: 10.11772/j.issn.1001-9081.2014.08.2161

• 第五届中国数据挖掘会议(CCDM 2014)论文 • 上一篇下一篇

基于变速粒子群优化的置信规则库参数训练方法

苏群¹,杨隆浩¹,傅仰耿¹,吴英杰¹,巩晓婷²

1. 福州大学数学与计算机科学学院，福州350116
2. 福州大学经济与管理学院，福州350116

收稿日期:2014-04-29 修回日期:2014-05-08 发布日期:2014-08-10 出版日期:2014-08-01
通讯作者: 巩晓婷
作者简介:苏群(1991-),男,福建宁德人,硕士研究生,主要研究方向：智能决策、置信规则库推理；杨隆浩(1990-),男,福建南平人,硕士研究生,主要研究方向：智能决策、置信规则库推理；傅仰耿(1981-),男,福建泉州人,讲师,博士,主要研究方向：不确定多准则决策、置信规则库推理、移动互联网；吴英杰(1979-),男,福建泉州人,副教授,博士,主要研究方向：数据挖掘、数据安全与隐私保护；巩晓婷(1982-),女,河南漯河人,讲师,硕士,主要研究方向：不确定多准则决策、信息隐藏。
基金资助:
国家自然科学基金青年项目;国家杰出青年科学基金项目;国家自然科学基金面上项目;福建省教育厅A类科技项目;福州大学科技发展基金资助项目

Parameter training approach based on variable particle swarm optimization for belief rule base

SU Qun¹,YANG Longjie¹,FU Yanggeng¹,WU Yingjie¹,GONG Xiaoting²

1. College of Mathematics and Computer Science, Fuzhou University, Fuzhou Fujian 350116, China;
2. College of Economics and Management, Fuzhou University, Fuzhou Fujian 350116, China

Received:2014-04-29 Revised:2014-05-08 Online:2014-08-10 Published:2014-08-01
Contact: GONG Xiaoting

摘要/Abstract

摘要：

针对置信规则库(BRB)中参数优化模型的求解问题，引入群智能算法中的粒子群优化(PSO)算法，提出一种新的参数训练方法。将参数优化模型求解问题转换为带约束条件的非线性优化问题，在迭代寻优时限制粒子在搜索空间中，对失去速度的粒子重新赋予速度，维持种群中粒子多样性，从而实现参数训练。在输油管道检漏问题仿真实验中，训练后系统的平均绝对误差(MAE)为0.166478。实验结果表明，所提方法有理想的收敛精度，可用于置信规则库参数训练。

Abstract:

To solve the problem of optimization learning models in Belief Rule Base (BRB), a new parameter training approach based on the Particle Swarm Optimization (PSO) algorithm was proposed, which is one of the swarm intelligence algorithms. The optimization learning model was converted to nonlinear optimization problem with constraints. During the optimization process, all particles were limited in the search space and the particles with no speed were given velocity in order to maintain the diversity of the population of particles and achieve parameter training. In the practical pipeline leak detection problem, the Mean Absolute Error (MAE) of the trained system was 0.166478. The experimental results show the proposed method has good accuracy and it can be used for parameter training.

中图分类号:

TP18
TP273.5

苏群杨隆浩傅仰耿吴英杰巩晓婷. 基于变速粒子群优化的置信规则库参数训练方法[J]. 计算机应用, 2014, 34(8): 2161-2165.

SU Qun YANG Longjie FU Yanggeng WU Yingjie GONG Xiaoting. Parameter training approach based on variable particle swarm optimization for belief rule base[J]. Journal of Computer Applications, 2014, 34(8): 2161-2165.

参考文献

［1］YANG J-B, LIU J, WANG J, et al. Belief rule-base inference methodology using the evidential reasoning approach—RIMER ［J］. IEEE Transactions on Systems, Man and Cybernetics, Part A: Systems and Humans, 2006, 36(2): 266-285.
［2］SUN R. Robust reasoning: integrating rule-based and similarity-based reasoning ［J］. Artificial Intelligence, 1995, 75(2): 241-295.
［3］DEMPSTER A. A generalization of Bayesian inference ［J］. Journal of the Royal Statistical Society, Series B: Methodological, 1968, 30(2): 205-247.
［4］SHAFER G. A mathematical theory of evidence ［M］. Princeton: Princeton University Press, 1976.
［5］HWANG C, YOON K. Multiple attribute decision making ［M］. Berlin: Springer, 1981.
［6］ZADEH L. Information and control ［J］. Fuzzy Sets, 1965, 8(3): 338-353.
［7］XU D-L, LIU J, YANG J-B, et al. Inference and learning methodology of belief-rule-based expert system for pipeline leak detection ［J］. Expert Systems with Applications, 2007, 32(1): 103-113.
［8］YANG J-B, LIU J, XU D-L, et al. Optimization models for training belief-rule-based systems ［J］. IEEE Transactions on Systems, Man and Cybernetics, Part A: Systems and Humans, 2007, 37(4): 569-585.
［9］CHEN Y-W, YANG J-B, XU D-L, et al. Inference analysis and adaptive training for belief rule based systems ［J］. Expert Systems with Applications, 2011, 38(10): 12845-12860.
［10］CHANG R, WANG H, YANG J. An algorithm for training parameters in belief rule-bases based on the gradient and dichotomy methods ［J］. Systems Engineering, 2007, 25(S): 287-291.（常瑞，王红卫，杨剑波.基于梯度法与二分法的置信规则库参数训练方法［J］.系统工程，2007，25（增刊）：287-291.）
［11］ZHOU Z-J, HU C-H, YANG J-B, et al. Online updating belief rule based system for pipeline leak detection under expert intervention ［J］. Expert Systems with Applications, 2009, 36(4): 7700-7709.
［12］YANG J-B, SINGH M-G. An evidential reasoning approach for multiple-attribute decision making with uncertainty ［J］. IEEE Transactions on Systems, Man and Cybernetics, 1994, 24(1): 1-18.
［13］YANG J-B. Rule and utility based evidential reasoning approach for multiattribute decision analysis under uncertainties ［J］. European Journal of Operational Research, 2001, 131(1): 31-61.
［14］HU Y. Nonlinear programming ［M］. Beijing: Higher Education Press, 1990.（胡毓达.非线性规划［M］.北京：高等教育出版社,1990.）
［15］KENNEDY J, EBERHART R. A discrete binary version of the particle swarm algorithm ［C］// Proceedings of the 1997 IEEE International Conference on Systems, Man, and Cybernetics. Piscataway: IEEE Press, 1997: 4104-4108.
［16］HU X, EBERHART R. Solving constrained nonlinear optimization problems with particle swarm optimization ［C］// Proceedings of the Sixth World Multiconference on Systemics, Cybernetics and Informatics. Orlando: International Institute of Informatics and Systemics, 2002: 203-206.
［17］SHI Y, EBERHART R. A modified particle swarm optimizer ［C］// Proceedings of the 1998 IEEE International Conference on Evolutionary Computation. Washington, DC: IEEE Computer Society, 1998: 69-73.
［18］ZHOU Z, YANG J, HU C. Confidence expert system rule base and complex system modeling ［M］. Beijing: Science Press, 2011.（周志杰,杨剑波,胡昌华.置信规则库专家系统与复杂系统建模［M］.北京：科学出版社,2011.）

[1]	吕乐张博瀚荆军昌刘栋. 基于持久性的多目标节点隐藏方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[2]	宫智宇王士同. 面向重尾噪声图像分类的残差网络学习方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[3]	王虎王晓峰李可马云洁. 融合多头自注意力的标签语义嵌入联邦类增量学习方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[4]	丁建立, 黄辉, 曹卫东. 航班链运行状态动态监控方法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3941-3948.
[5]	刘晶鑫, 黄雯静, 徐亮胜, 黄冲, 吴建生. 字典学习与样本关联保持结合的无监督特征选择模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3766-3775.
[6]	宋逸飞, 柳毅. 基于数据增强和标签噪声的快速对抗训练方法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3798-3807.
[7]	沈嫣然, 温昕, 张瑾昊, 张帅, 曹锐, 高保禄. 轻量级多尺度卷积网络的功能磁共振成像脑龄预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3949-3957.
[8]	张祖篡, 陈学斌, 高瑞, 邹元怀. 基于标签分类的联邦学习客户端选择方法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3759-3765.
[9]	蒋权黄文清苟志勇. 基于等变图神经网络的拉格朗日粒子流模拟[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[10]	李岚皓严皓钧周号益孙庆赟李建欣. 基于神经网络的多尺度信息融合时间序列长期预测模型[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[11]	廖炎华鄢元霞潘文林. 基于YOLOv9的交通路口图像的多目标检测算法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[12]	张学飞张丽萍闫盛侯敏赵宇博. 知识图谱与大语言模型协同的个性化学习推荐[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[13]	索晋贤张丽萍闫盛王东奇张雅雯. 可解释的深度知识追踪方法综述[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[14]	陈丹阳张长伦. 多尺度去相关的图卷积网络[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[15]	蒋沛宇王永光任亚亭李硕晨谭火彬. 基于测量不确定度表示指南的目标检测不确定度测量方案[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.

基于变速粒子群优化的置信规则库参数训练方法

Parameter training approach based on variable particle swarm optimization for belief rule base

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics