Page 338 - 《软件学报》2024年第6期

2914 软件学报 2024 年第 35 卷第 6 期

微高于 BL-DFIS, 可在一定程度上说明直接链接对 FA-RVFLNN 起到了性能增强作用. 另外, 当性能表现相近时,
RVFLNN 比 BL-DFIS 明显要使用更多的规则数 (即 S). 对 FA-RVFLNN 来说, 为了网络权衡规则数和网络规模,
可先确定适当大小的增强节点数 S (例如, Adult: S=11、Pageblocks: S=33), 再调节 FA-RVFLNN 的模糊节点数, 这
时, 可使用 BL-DFIS 的动态增量学习算法 (DILA), 以尽量保证模型 (FA-RVFLNN、BL-DFIS) 对比的公平性.
下面用 DILA 算法 [19] 训练 FA-RVFLNN 和 BL-DFIS, 以比较两者的表现. 我们通过调节损失阈值来控制模型
使用的模糊规则数, 为了减弱随机性对曲线造成的抖动程度, 对每一设定的阈值执行 100 次 10 折交叉验证, 最后
绘制出两个模型在 24 个数据集 (除 Seismic 之外) 上的测试准确率, 随模糊规则数的变化曲线 (如图 7), 可发现如
下现象.

BL-DFIS BL-DFIS 0.908 BL-DFIS
FA-RVFLNN 0.865 FA-RVFLNN FA-RVFLNN
0.840
0.864 0.906
0.835
0.904
Accuracy 0.830 Accuracy 0.863 Accuracy 0.902
0.862
0.900
0.825 0.861 0.898
0.860 0.896
0.820
0.859
2 4 6 8 10 12 14 16 1 2 3 4 5 2 4 6 8 10 12
#Rules #Rules #Rules
(a) Adult (S=11) (b) Australian (S=3) (c) Balance (S=23)
0.9670 BL-DFIS BL-DFIS 0.560
FA-RVFLNN 0.595 FA-RVFLNN
0.9665
0.590 0.555
0.9660 0.550
Accuracy 0.9655 Accuracy 0.585 Accuracy 0.545
0.580
0.9650
0.9645
0.9640 0.575 0.540
0.535
0.570 BL-DFIS
0.9635 0.530 FA-RVFLNN
1 2 3 4 5 1 2 3 4 5 6 2 4 6 8
#Rules #Rules #Rules
(f) Contracptive (S=25)
(d) Breast (S=9) 0.84
(e) Cleveland (S=5)
0.772 BL-DFIS 0.750 BL-DFIS 0.974 BL-DFIS
FA-RVFLNN FA-RVFLNN FA-RVFLNN
0.770 0.972
0.748
0.768 0.746 0.970
Accuracy 0.766 Accuracy 0.744 Accuracy 0.968
0.764
0.966
0.742
0.762
0.740 0.964
0.760
0.738
0.758 0.962
1 2 3 4 5 1 2 3 4 5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0
#Rules #Rules #Rules
(g) Diabetes-Data (S=3) (h) Haberman (S=5) (i) Iris (S=1)
0.735
BL-DFIS 0.99 BL-DFIS
FA-RVFLNN 0.86 FA-RVFLNN
0.730 0.98
0.85 0.97
Accuracy 0.720 Accuracy 0.83 Accuracy 0.96
0.725
0.715 0.82 0.95
BL-DFIS 0.94
FA-RVFLNN
0.710 0.81 0.93
1.0 1.5 2.0 2.5 3.0 3.5 2.5 5.0 7.5 10.0 12.5 15.0 17.5 2.5 5.0 7.5 10.012.515.017.520.0
#Rules #Rules #Rules
(j) Liver (S=1) (k) Magic (S=77) (l) Musk (S=255)
图 7 FA-RVFLNN 和 BL-DFIS 的测试准确率随模糊规则数的变化