在當前對置信規(guī)則庫（BRB）的研究中,前提屬性、輸出置信度和規(guī)則庫大小等參數(shù)都由專家給出,會使BRB參數(shù)受專家知識的局限而不準確,提出了一種基于改進的差分進化算法（IDE）的對置信規(guī)則庫的參數(shù)進行優(yōu)化的方法。在IDE中,自適應選擇變異策略來提高執(zhí)行效率,且在變異部分加入擾動,并加入了局部搜索來平衡差分進化全局與局部搜索的能力。最后,使用中國某煙廠采取的水松紙透氣度檢測數(shù)據進行了實驗驗證。實驗結果表明,所提出的方法對BRB的優(yōu)化是有效的。 

【文章來源】：控制工程. 2019,26(03)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

BRB系統(tǒng)參數(shù)優(yōu)化的基本思想和過程Fig.1ParameteroptimizationofBRB

期張勤莉等：差分進化算法的置信規(guī)則庫參數(shù)優(yōu)化·559·實驗結果的誤差對比見表1。表1誤差表Tab.1Errortable算法maxminavestdFMINCAN0.36750.00020.04420.0427DE0.39380.00040.04690.0418ADE0.32390.00020.03870.0414ADE-V10.31470.00020.03410.0395IADE0.30010.00010.03130.0363通過表1的效用統(tǒng)計對比各個優(yōu)化方法的相對誤差均值和方差，IADE均小于其他方法。這說明IADE較其他方法的計算精度更高，誤差分布更加均勻，說明模型對數(shù)據的擬合能力較為穩(wěn)定。另外，由圖3可以看出，IADE比其他算法的進化效率要高，每一步對DE的改進都是有效的，且進化曲線更平滑，說明算法魯棒性更好。表1中max表示最大相對誤差，min表示最小相對誤差，ave表示平均相對誤差，std表示標準差。為了能更清楚地觀察IADE相較于DE算法的改進效果，將各算法在迭代更新過程中的相對誤差作比較，如圖3所示。圖3算法進化曲線Fig.3Evolutioncurveofalgorithms由以上實驗數(shù)據可以表明，本文所提BRB模型在參數(shù)訓練后能夠較好地擬合透氣度的真實值。IADE優(yōu)化的BRB模型對水松紙的透氣度擬合平均相對誤差為0.0313，低于工業(yè)要求標準0.05，說明模型能夠在允許誤差范圍內對透氣度進行較為準確的擬合，具有一定的工業(yè)意義。5結論針對置信規(guī)則庫中參數(shù)訓練的問題，本文提出了一種改進的差分進化算法對BRB參數(shù)進行學習優(yōu)化。本文提出的一種改進的差分進化算法，在運算過程中可自適應進行選擇合適的變異策略，以保證種群進化小路，并可在運算過程中產生擾動，以增加種群的多樣性，此外還可對最優(yōu)解鄰域進行局?

【參考文獻】：
碩士論文
[1]圖像處理技術在透氣度檢測中的應用研究[D]. 劉守鋒.昆明理工大學 2007



本文編號：3051238