Page 263 - 《软件学报》2025年第10期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2025,36(10):4660−4670 [doi: 10.13328/j.cnki.jos.007291] [CSTR: 32375.14.jos.007291] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

*
面向二分类问题的直觉模糊深度随机配置网络

丁世飞 1,2 , 朱姜兰 1 , 张成龙 1 , 郭丽丽 1,2 , 张 健 1,2

1
(中国矿业大学 计算机科学与技术学院, 江苏 徐州 221116)
2
(矿山数字化教育部工程研究中心 (中国矿业大学), 江苏 徐州 221116)
通信作者: 朱姜兰, E-mail: TS21170128P31@cumt.edu.cn; 张健, E-mail: zhangjian10231209@cumt.edu.cn

摘 要: 深度随机配置网络 (deep stochastic configuration network, DSCN) 采取前馈学习方式, 基于特有的监督机制
随机分配节点参数, 具有全局逼近性. 但是, 在实际场景下, 数据采集过程中潜在的离群值和噪声, 易对分类结果产
生负面影响. 为提高 DSCN 解决二分类问题的性能, 基于 DSCN 引入直觉模糊数思想, 提出了一种直觉模糊深度随
机配置网络 (intuitionistic fuzzy deep stochastic configuration network, IFDSCN). 与标准 DSCN 不同, IFDSCN 通过
计算样本隶属度和非隶属度, 为每个样本分配一个直觉模糊数, 通过加权的方法来生成最优分类器, 以克服噪声和
异常值对数据分类的负面影响. 在 8 个基准数据集上的实验结果表明, 所提出的模型与直觉模糊孪生支持向量机
(intuitionistic fuzzy twin support vector machine, IFTWSVM)、核岭回归 (kernel ridge regression, KRR)、直觉模糊核
岭回归 (intuitionistic fuzzy kernel ridge regression, IFKRR)、随机函数向量链接神经网络 (random vector functional
link neural network, RVFL) 和 SCN 等学习模型相比, IFDSCN 具有更好的二分类性能.
关键词: 直觉模糊数; 随机配置网络; 二分类; 数据噪声; 神经网络
中图法分类号: TP18

中文引用格式: 丁世飞, 朱姜兰, 张成龙, 郭丽丽, 张健. 面向二分类问题的直觉模糊深度随机配置网络. 软件学报, 2025, 36(10):
4660–4670. http://www.jos.org.cn/1000-9825/7291.htm
英文引用格式: Ding SF, Zhu JL, Zhang CL, Guo LL, Zhang J. Intuitionistic Fuzzy Deep Stochastic Configuration Network for Solving
Binary Classification Problems. Ruan Jian Xue Bao/Journal of Software, 2025, 36(10): 4660–4670 (in Chinese). http://www.jos.org.cn/
1000-9825/7291.htm
Intuitionistic Fuzzy Deep Stochastic Configuration Network for Solving Binary Classification
Problems
1
1,2
1
1,2
DING Shi-Fei , ZHU Jiang-Lan , ZHANG Cheng-Long , GUO Li-Li , ZHANG Jian 1,2
1
(School of Computer Science and Technology, China University of Mining and Technology, Xuzhou 221116, China)
2
(Mine Digitization Engineering Research Center of Ministry of Education (China University of Mining and Technology), Xuzhou 221116,
China)
Abstract: Deep stochastic configuration network (DSCN) adopts a feedforward learning approach and randomly assigns node parameters
based on a unique supervisory mechanism, which has universal approximation. However, in actual scenarios, the potential outliers and
noise during data collection can negatively affect the classification results. To improve the performance of DSCN in solving binary
classification problems, this study introduces the idea of intuitionistic fuzzy numbers based on DSCN and proposes an intuitionistic fuzzy
deep stochastic configuration network (IFDSCN). Different from the standard DSCN, IFDSCN assigns an intuitionistic fuzzy number to
each sample by calculating the sample membership and non-membership, and generates the optimal classifier by a weighting method to
overcome the negative effect of noise and outliers on data classification. The experimental results on eight benchmark datasets show that

* 基金项目: 国家自然科学基金 (62276265, 61976216)
收稿时间: 2023-05-02; 修改时间: 2024-04-07, 2024-06-09; 采用时间: 2024-09-05; jos 在线出版时间: 2025-01-24
CNKI 网络首发时间: 2025-01-26