Page 264 - 《软件学报》2025年第10期

丁世飞 等: 面向二分类问题的直觉模糊深度随机配置网络 4661

compared to other learning models including the intuitionistic fuzzy twin support vector machine (IFTWSVM), kernel ridge regression
(KRR), intuitionistic fuzzy kernel ridge regression (IFKRR), random vector functional link neural network (RVFL), and SCN, IFDSCN has
better binary classification performance.
Key words: intuitionistic fuzzy number; stochastic configuration network; binary classification; data outlier; neural network
近年来, 随机函数向量链接神经网络 (random vector functional link neural network, RVFL) 等随机神经网络模
型因其快速的建模效率, 得到快速发展 [1] . 但是, 随机神经网络全局逼近性易受到节点参数范围和节点数量的影响.
与其他随机神经网络不同, Wang 等人 [2] 通过不等式约束分配隐含层节点权重, 并采用点增量式建模方式根据数据
样本构建网络结构, 提出了随机配置网络 (stochastic configuration network, SCN). SCN 的特点在于不需要事先给
定节点参数的初始值, 而是通过一种随机的机制来初始化节点的参数. 此后, SCN 会根据监督机制对节点参数进
行选取, 以最大化网络的性能.
自提出以来, SCN 得到快速推广和发展, 被广泛应用于电力大数据处理 [3] 、工业过程建模 [4] 、在线测量问
题 [5] 、振动信号故障诊断 [6] 等大规模数据分析领域.
为提高 SCN 图像分类性能, Li 等人 [7] 将 SCN 扩展为具有矩阵输入的 2D-SCN (2-D stochastic configuration
network). 为提高节点增量配置效率, Dai 等人 [8] 提出了一种基于块增量学习的随机配置网络 (stochastic confi-
guration network with block increments, BSCN), 对隐含层节点参数进行批量配置. 为对含有噪声和异常值的回归问
题进行分析, Wang 等人 [9,10] 分别采用核密度估计 (kernel density estimation, KDE) 和最大相关熵准则 (maximum
correntropy criterion, MCC) 更新节点参数, 提高了 SCN 的鲁棒性. 为进行大规模数据分析, Wang 等人 [11] 对数据特
征进行分解, 分别训练不同的基模型, 采用负相关学习 (negative correlation learning, NCL) 方法进行模型集成. 为
进行数据流分析, Pratama 等人 [12] 将 stacking 方法和 SCN 进行结合, 提出了一种深度堆叠随机配置网络 (deep
stacked stochastic configuration network, DSSCN).
尽管上述 SCN 变体从不同角度提高了 SCN 的性能, 但并未对 SCN 的深层扩展进行研究. Wang 等人 [13] 对
SCN 进行了深度扩展, 提出了深度随机配置网络 (deep stochastic configuration network, DSCN). 当面临二分类问题
时, DSCN 易受到数据中离群值或噪声的影响, 降低了模型分类性能. 在直觉模糊孪生支持向量机 (intuitionistic
fuzzy twin support vector machine, IFTWSVM) 中, IFTWSVM 借助直觉模糊数 (intuitionistic fuzzy number, IFN) 为
每个训练样本分配隶属度和隶属度函数, 其中隶属度函数用于计算训练样本与类中心之间的距离, 非隶属度函数
用于评价非调和样本个数与其邻域样本个数之间的关系 [14] . 鉴于直觉模糊数能够有效降低噪声的影响, 提高二分
类精度, 随后被引入至核岭回归 (kernel ridge regression, KRR) [15] 中, Hazarika 等人 [16] 提出了一种直觉模糊核岭回
归 (intuitionistic fuzzy kernel ridge regression, IFKRR), 提高了分类精度.
因此, 为提高 DSCN 模型对于解决含有离群值和噪声的二分类问题性能, 本文将直觉模糊的相关概念与
DSCN 相结合, 构建了一种新的监督机制分配隐含层节点参数, 并对输出权重进行加权, 提出了一种直觉模糊深度
随机配置网络 (intuitionistic fuzzy stochastic deep configuration network, IFDSCN).
本文的主要贡献如下.
(1) 引入直觉模糊的概念, 定义了隶属度和非隶属度函数, 构造了直觉模糊得分函数.
(2) 利用得分函数对数据样本进行加权, 设计了一种新的监督机制分配隐含层节点参数, 构建了基于直觉模糊
的加权权重.
(3) 基于 8 个基准二分类问题数据集, 验证了 IFDSCN 的有效性.
(4) 将噪声引入到数据集中, 验证了 IFDSCN 的鲁棒性.
1 相关工作

1.1 深度随机配置网络
DSCN (deep stochastic configuration network) 为 SCN 的深度扩展, 是一种多隐层前馈神经网络, 有两个隐藏层