Page 339 - 《软件学报》2024年第6期

龙茂森 等: 特征扩展的随机向量函数链神经网络 2915

0.970 BL-DFIS 0.965
FA-RVFLNN
0.965 0.960 0.98
0.96
0.960
Accuracy 0.955 Accuracy 0.955 Accuracy 0.94
0.950
0.950
0.945 0.945 0.92
0.940 BL-DFIS 0.90
0.940 FA-RVFLNN BL-DFIS
FA-RVFLNN
2 4 6 8 10 12 2.5 5.0 7.5 10.0 12.5 15.017.5 0 5 10 15 20 25
#Rules #Rules #Rules
(m) Newthyroid (S=3) (n) Pageblocks (S=33) (o) Penbased (S=87)
0.90
0.96 0.800 BL-DFIS
FA-RVFLNN
0.88 0.95 0.775
0.94 0.750
Accuracy 0.84 Accuracy 0.93 Accuracy 0.725
0.86
0.92
0.700
0.82 0.91 0.675
0.90
BL-DFIS
BL-DFIS 0.89 BL-DFIS 0.650
0.80 FA-RVFLNN FA-RVFLNN
0.88
2.5 5.0 7.5 10.012.515.0 17.5 0 5 10 15 20 25 2 4 6 8 10
#Rules #Rules #Rules
(p) Satimage (S=131) (q) Segment (S=135) (r) Sonar (S=19)
BL-DFIS 0.998 0.84
0.80 FA-RVFLNN
0.996 0.83
0.78 0.994
Accuracy 0.76 Accuracy 0.992 Accuracy 0.82
0.81
0.74
0.72 0.990
0.988 0.80
0.70 BL-DFIS BL-DFIS
0.986 FA-RVFLNN 0.79 FA-RVFLNN
1 2 3 4 5 6 7 8 2 4 6 8 10 12 14 1 2 3 4 5 6 7 8
#Rules #Rules #Rules
(s) Spectfheart (S=3) (t) Texture (S=85) (u) Vehicle (S=47)
0.81
BL-DFIS BL-DFIS BL-DFIS
0.965 FA-RVFLNN 0.985 FA-RVFLNN FA-RVFLNN
0.960 0.980 0.80
Accuracy 0.955 Accuracy 0.975 Accuracy 0.78
0.79
0.950
0.970
0.945
0.77
0.940 0.965
0.76
0.935
0.960
1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5
#Rules #Rules #Rules
(v) Vote (S=1) (w) Wine (S=1) (x) Wpbc (S=7)
图 7 FA-RVFLNN 和 BL-DFIS 的测试准确率随模糊规则数的变化 (续)

(1) 对于 BL-DFIS 使用较多模糊规则才能获得较高准确率的大型复杂数据集, 例如 Adult、Magic、Musk 等.
FA-RVFLNN 的曲线基本落在 BL-DFIS 的左上侧. 这表明: 在这些数据集上, 借助于主体结构 RVFLNN, FA-RVFLNN
用更少的模糊规则 (扩展增强单元) 就能获得与 相近的准确率. 当使用相同规则数时, FA-RVFLNN 在
Musk 数据集上的测试准确率明显高于 BL-DFIS, 最高可达到 99% 左右. 总体来看, 与 BL-DFIS 相比, FA-RVFLNN
的泛化性能仍然具有一定的竞争力.
(2) 对于小型数据集, 例如 Cleveland、Haberman、Iris、Wine、WPBC. FA-RVFLNN 在直接链接的支撑下, 只
添加较少的增强节点 (S=1, 5, 7) 即可实现模糊规则数的减少或者泛化性能的些许提升, 这与直接链接带来的预期
效果相符.
(3) 在数据集 Diabetes、Spectfheart 上. 虽然从图 7 的最高准确率来看, FA-RVFLNN 比 BL-DFIS 更低. 然而,