基于规则聚类和参数学习的扩展置信规则库推理模型

扩展置信规则库(EBRB)中的规则数量和参数取值共同影响EBRB推理模型的决策准确性和计算效率. 基于此,提出一种基于规则聚类和参数学习的改进EBRB推理模型,称为RCPL-EBRB模型.所提出模型的基本原理如下:首先,依据密度聚类分析对EBRB进行规则聚类来识别EBRB中无效的扩展置信规则和优化传统EBRB的建模过程;然后,以聚类所得到的规则簇(即Sub-EBRB)进行参数学习和规则推理,保证激活规则集合的一致性,从而提高RCPL-EBRB模型的决策准确性和计算效率;最后,引入非线性函数拟合和基准分类问题数据集开展模型的有效性检验和参数灵敏度分析.实验结果表明,所提出RCPL-EBRB模型比现有EBRB推理模型和传统机器学习方法具有更高的决策准确性.     

基于NSGA-II的扩展置信规则库激活规则多目标优化方法

针对扩展置信规则库（extended belief rule base,EBRB）系统在不一致的激活规则过多时推理准确性不高的问题,引入带精英策略的快速非支配排序遗传算法（NSGA-Ⅱ）,提出一种基于NSGA-Ⅱ的激活规则多目标优化方法。该方法首先将激活权重大于零的规则（即激活规则）进行二进制编码,把最终参与合成推理的激活规则集合的不一致性以及激活权重和作为多目标优化问题的目标函数,通过带精英策略的快速非支配排序遗传算法求解不一致性更小的激活规则集合,从而降低不一致激活规则对于EBRB系统推理准确性的影响。为了验证本文方法的有效性和可行性,引入非线性函数和输油管道检漏实例进行测试。实验结果表明,基于NSGA-Ⅱ的扩展置信规则库激活规则多目标优化方法能够有效提高EBRB系统的推理能力。     

基于BK树的扩展置信规则库结构优化框架

针对扩展置信规则库(extended belief rule base,EBRB)系统在规则数较多时推理效率不理想的问题,引入BK树数据结构,提出了一种基于BK树的结构优化框架。首先根据置信规则在度量空间中彼此的距离建立EBRB的树形索引结构,然后通过设置阈值减少EBRB系统推理时搜索规则的数量,并激活关键规则,最终达到提高EBRB系统推理效率的目的。以非线性函数拟合、输油管道泄露仿真实验及分类数据集的对比实验,验证结构优化框架在EBRB系统中的有效性,实验结果表明,所提框架能够优化EBRB系统推理效率并提高决策准确性。     

基于置信规则库的飞控系统故障诊断

针对传统飞控系统故障诊断中存在的因引入专家知识引起的主观偏差问题和使用数据驱动方法因数据量不足导致的过拟合问题,提出了基于置信规则库推理的飞控系统故障诊断。根据已有故障知识构建飞控系统故障诊断置信规则库,利用测试过程中获得的故障数据,以数值样本优化学习模型对置信规则库参数进行训练。实例表明,经少量样本训练后的置信规则库可以很好地解决初始置信规则库参数存在主观偏差的问题,经实验证明该方法能够实现高效可靠的飞控系统故障诊断。     

基于改进规则激活率的扩展置信规则库推理方法

数据驱动的扩展置信规则库系统,是在传统置信规则库的基础上利用关系数据来生成规则,使用该方法构建规则库简单有效。然而,该方法激活的规则存在不一致与不完整,并且该方法无法处理零激活的输入。鉴于此,本文提出基于改进规则激活率的扩展置信规则库方法,通过高斯核改进个体匹配度计算方法,权衡激活规则的一致性与完整性,并利用k近邻思想解决规则零激活问题。最后,本文选取非线性函数拟合实验和输油管道检漏实验来检验所提方法的效率和准确度。实验结果表明该方法既保证了扩展置信规则库系统的推理效率,也提高了推理结果的精度。     

基于GDA的置信规则库参数训练的集成学习方法

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。     

基于置信规则库专家系统的发动机故障诊断

针对发动机故障原因和征兆之间存在的复杂非线性关系,利用RIMER(基于证据推理算法的置信规则库推理方法)对发动机进行故障诊断,克服了传统专家系统或神经网络技术只能单一利用专家知识或训练数据的缺点,将定性知识与定量数据有效结合,对发动机故障原因进行了研究,给维修人员提供了重要参考依据,仿真实验结果表明该方法可行有效.     

基于改进置信规则库推理的分类方法

通过引入置信规则库的线性组合方式,设定规则数等于分类数及改进个体匹配度的计算方法,提出了基于置信规则库推理的分类方法。比较传统的置信规则库推理方法,新方法中规则数的设置不依赖于问题的前件属性数量或候选值数量,仅与问题的分类数有关,保证了方法对于复杂问题的适用性。实验中,通过差分进化算法对置信规则库的规则权重、前件属性权重、属性候选值和评价等级的置信度进行参数学习,得到最优的参数组合。对3个常用的公共分类数据集进行测试,均获得理想的分类准确率,表明新分类方法合理有效。     

数据缺失的扩展置信规则库推理方法

数据驱动的扩展置信规则库专家系统能够处理含有定量数据或定性知识的不确定性问题.该方法已被广泛地研究和应用,但仍缺乏在不完整数据问题上的研究.鉴于此,针对不完整数据集上的问题,提出一种新的扩展置信规则库专家系统推理方法.首先提出基于析取范式的扩展规则结构,并通过实验讨论了在新的规则结构下,置信规则前提属性参考值个数对推理方法的影响;然后提出通过不完整数据生成具有不完整置信规则,并构成析取范式置信规则库的方法,同时引入衰减因子修正不完整规则权重,使不完整规则可以更合理地参与信息融合过程;最后,选取若干个公共数据集对所提方法进行验证.与其他方法的实验对比显示,新方法在完整数据集上有良好表现的同时,对具有不同缺失程度和缺失模式的数据集表现出更好更稳定的推理效果.     

置信规则库规则约简的粗糙集方法

针对置信规则中规则数的"组合爆炸"问题,目前的解决方法主要是基于特征提取的规则约简方法,有效性依赖于专家知识.鉴于此,提出基于粗糙集理论的无需依赖规则库以外知识的客观方法,按照等价类划分思想逐条分析置信规则,进而消除冗余的候选值.最后,以装甲装备能力评估作为实例进行分析,分别从规则约简数、决策准确性方面与具有代表性的主观方法进行对比,结果表明,所提出方法是有效可行的,且优于现有规则约简主观方法.     

A new belief rule base knowledge representation scheme and inference methodology using the evidential reasoning rule for evidence combination

In this paper, we extend the original belief rule-base inference methodology using the evidential reasoning approach by i) introducing generalised belief rules as knowledge representation scheme, and ii) using the evidential reasoning rule for evidence combination in the rule-base inference methodology instead of the evidential reasoning approach. The result is a new rule-base inference methodology which is able to handle a combination of various types of uncertainty.Generalised belief rules are an extension of traditional rules where each consequent of a generalised belief rule is a belief distribution defined on the power set of propositions, or possible outcomes, that are assumed to be collectively exhaustive and mutually exclusive. This novel extension allows any combination of certain, uncertain, interval, partial or incomplete judgements to be represented as rule-based knowledge. It is shown that traditional IF-THEN rules, probabilistic IF-THEN rules, and interval rules are all special cases of the new generalised belief rules.The rule-base inference methodology has been updated to enable inference within generalised belief rule bases. The evidential reasoning rule for evidence combination is used for the aggregation of belief distributions of rule consequents.     

基于置信规则库的工业控制系统安全状态评估

当前工业控制系统存在严重安全问题,针对现有工业控制系统安全状态评估模型存在的不足,提出一种基于置信规则库(BRB)专家系统的工业控制系统安全状态评估方法.该方法首先利用置信规则库专家系统将工业控制系统中定性知识与定量监测数据相结合.然后采用证据推理(ER)算法进行知识推理,并对所建立的BRB模型初始参数进行优化.最后以...     

一种基于遗传算法的聚类集成方法

聚类集成算法通常对聚类成员差异性要求较高,导致算法在生成聚类成员阶段计算复杂度提高。针对该问题提出了一种基于遗传算法的聚类集成方法CEGA,不考虑聚类成员的差异性,而是利用目标函数将聚类问题转化为聚类成员的优化问题,充分利用遗传算法内在的并行性和全局寻优能力,对聚类成员进行优化组合,并以得到的最优染色体作为聚类集成最终结果。分析了CEGA的复杂度及适用范围,并利用UCI数据库中部分数据集进行实验,实验结果表明这种聚类集成方法的有效性。     

基于变速粒子群优化的置信规则库参数训练方法

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。     

基于置信规则库专家系统的司控器开关量健康状态评估

微动开关是轨道车辆司控器常用的开关设备,对其健康状态评估是保证轨道车辆运行安全的前提.针对司控器微动开关数据样本少、诊断信号具有波动性和非线性、健康状态评估困难等问题,提出一种基于置信规则库专家系统(BRB)的司控器开关量健康状态评估方法.首先,分析微动开关失效机理与故障特征的关系;然后,采用置信规则库将定性知识与定量信息有效结合,采用证据推理(ER)算法进行知识推理,并对所建立的模型初始参数进行优化,得到最优的参数集合,从而提高轨道车辆微动开关健康状态评估的准确性.通过对模型训练及测试,所得结果表明,所提出的方法能准确地评估微动开关状态,便于早期发现故障、跟踪故障发展趋势和及时更换失效部件.     

New model for system behavior prediction based on belief rule based systems

To predict the behavior of a complex engineering system, a model can be built and trained using historical data. However, it may be difficult to obtain a complete and accurate set of data to train the model. Consequently, the model may be incapable of predicting the future behavior of the system with reasonable accuracy. On the other hand, expert knowledge of a qualitative nature and partial historical information about system behavior may be available which can be converted into a belief rule base (BRB). Based on the unique features of BRB, this paper is devoted to overcoming the above mentioned difficulty by developing a forecasting model composed of two BRBs and two recursive learning algorithms, which operate together in an integrated manner. An initially constructed forecasting model has some unknown parameters which may be manually tuned and then trained or updated using the learning algorithms once data become available. Based on expert intervention which can reflect system operation patterns, two algorithms are developed on the basis of the evidential reasoning (ER) algorithm and the recursive expectation maximization (EM) algorithm with the former used for handling judgmental outputs and the latter for processing numerical outputs, respectively. Using the proposed algorithms, the training of the forecasting model can be started as soon as there are some data available, without having to wait until a complete set of data are all collected, which is critical when the forecasting model needs to be updated in real-time within a given time limit. A numerical simulation study shows that under expert intervention, the forecasting model is flexible, can be automatically tuned to predict the behavior of a complicated system, and may be applied widely in engineering. It is demonstrated that if certain conditions are met, the proposed recursive algorithms can converge to a local optimum. A case study is also conducted to show the wide potential applications of the forecasting model.