zoukankan      html  css  js  c++  java
  • 置信规则库学习笔记(二)

    一.规则库结构优化

    1. 论文《置信规则库规则约简的粗糙集方法》中采用粗糙集方法约简规则属性。文中说前提属性多、前提属性的参考值多会发生“组合爆炸”,排列组合举个例子,有2个前提属性,每个前提属性有5个参考值,那么就有5*5=25条规则。规则太多导致在采用ER算法进行规则组合时产生组合爆炸。对置信规则库结构进行优化,应该是指约简前提属性,约简前提属性的参考值,也就会减少规则数量。
    2. 存在问题:论文未看透。

    二.输入值置信度计算

    ​ 截图来自论文《数据驱动的置信规则库构建与推理方法》

    1. 这种置信度的转化方法在书《置信规则库专家系统与复杂系统建模》14页有介绍,参考值为数量值。此计算方法对较大值得偏好较大。因为k不等于j、j+1时aij为0,所以此时计算规则激活权重为0,所以在示例代码中只有两条规则的组合。(有待验证,继续看论文》

    2. 在论文《Belief Rule-Base Inference Methodology Using the Evidential Reasoning Approach ——RIMER》中提到因输入数据不完整,要对分布式评价结果的置信度进行修正,如一条规则中有5个前提属性,输入数据只有对应4个属性的值,或者经过输入信息转化之后aij等于0,分母为5,而分子中因为乘数为0,只有4项(此处还有疑问:输入值相对于参考值,参考值个数在一条规则中是一个还是多个)

    三.ER组合

    • ER的组合思想和Dempster应该是一脉相承的

    • 上图为Dempster的组合

    • 上图为ER的组合迭代计算,

    • 上图也是ER的结果置信度计算,这个公式和上面的思想是一致的,示例代码使用的是这个公式,他们都进行了归一化

    • 以上也是ER的计算公式,来自不同篇论
  • 相关阅读:
    Nginx的访问控制
    远程登录
    Linux的网络命令
    laravel-collect
    laravel-model
    laravel-Macroable
    laravel-容器
    机器学习-Logisitic回归
    机器学习-多变量线性回归
    算法笔记-分支界限法
  • 原文地址:https://www.cnblogs.com/linjin/p/7197531.html
Copyright © 2011-2022 走看看