基于RIMER 的特种破袭战斗装备作战效能评估方法

针对特种破袭战斗装备的作战效能评估体系中底层指标类型多样、信息概率不确定和要求专家参与的情 况,为提高评估的效率和准确性,在构建特种破袭战斗装备作战效能指标体系的基础上,采用基于置信规则库的证 据推理方法对装备作战效能进行评估。参考演习数据,通过参数学习的方法对初始规则库进行训练优化。结果表明： 该方法能解决上述问题,使评估过程更加高效,结果更加准确。     

基于RIMER 的阵地建设安装工程安全风险评估方法

针对阵地建设安装工程安全风险评估的问题,依据证据推理算法,提出一种阵地建设安装工程安全风险 评估方法。将安全风险影响因素逐级分解至指标层,并对指标间的相关关系进行梳理,构建阵地建设安装工程安全 风险评估指标体系,根据风险评估结果,运用RIMER(belief rule base inference methodology using evidential reasoning) 方法解决底层输入指标类型多样、评估信息不完全问题。实例分析结果表明：该方法具有较好的解释性和可追溯性, 对于土建工程和阵地管理中的安全工作具有一定的借鉴意义。     

出租车乘车概率预测的置信规则库推理方法

出租车乘车概率预测中存在数据量级大,底层属性类型多,预测信息不确定的问题。鉴于此,整合大规模轨迹数据范畴中现有的挖掘算法对出租车GPS数据和路网数据进行离线处理;将多类型的不确定性数据转换为具有置信结构的规则形式,并以此构建置信规则库;通过置信规则库推理方法（belief rule-base infer-ence methodology using evidential reasoning,RIMER）在线预测路网道路上各个地点的乘车概率。以北京市2012年11月某天的出租车GPS数据为例说明该在线预测方法的应用。实验结果表明,该预测方法具有较高的实时性和准确性。     

基于规则推理网络的分类模型

为了缓解神经网络的“黑盒子”机制引起的算法可解释性低的问题,基于使用证据推理算法的置信规则库推理方法(以下简称RIMER)提出了一个规则推理网络模型.该模型通过RIMER中的置信规则和推理机制提高网络的可解释性.首先证明了基于证据推理的推理函数是可偏导的,保证了算法的可行性;然后,给出了规则推理网络的网络框架和学习算法,利用RIMER中的推理过程作为规则推理网络的前馈过程,以保证网络的可解释性;使用梯度下降法调整规则库中的参数以建立更合理的置信规则库,为了降低学习复杂度,提出了“伪梯度”的概念;最后,通过分类对比实验,分析了所提算法在精确度和可解释性上的优势.实验结果表明,当训练数据集规模较小时,规则推理网络的表现良好,当训练数据规模扩大时,规则推理网络也能达到令人满意的结果.