摘要：目前对置信规则库（belief rule base，BRB）的研究主要针对单个BRB系统，然而单个BRB系统的推理性能不仅受参数取值的影响，而且当训练集分布不均衡或数据量较少时，容易导致参数训练不全面，从而使得推理结果所提供的决策信息存在局部性。通过引入Bagging算法和AdaBoost算法，分别与BRB相结合提出了基于梯度下降法（gradient descent algorithm，GDA）的置信规则库系统的集成学习方法，并分别应用于输油管道检漏、多峰函数的置信规则库训练，将多个BRB子系统集成，提高系统的推理性能。在实验中，以收敛精度和曲线拟合效果作为衡量指标来分析集成系统的性能，并将集成系统与其他单个BRB系统进行比较，实验结果表明BRB集成学习方法合理有效。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社