Indexed by：
Abstract：
基于深度学习的置信规则库系统在参数优化方面存在可移植性差、应用效率低等问题，为此，将深度神经网络与析取置信规则库结合，有效减少模型的规则和参数的数量；引入梯度下降算法优化模型参数，提高模型构建和优化的效率.通过非线性函数拟合、北京市空气质量污染预测和多个UCI公共分类数据集的实验，对提出的方法进行验证，并将实验结果与现有的置信规则库系统和传统的机器学习方法进行对比.结果表明，所提出的方法比传统的方法具有更高的推理精度和更快的训练速度.
Keyword：
Reprint 's Address：
Email：
Version：
Source ：
福州大学学报(自然科学版)
ISSN： 1000-2243
CN： 35-1337/N
Year： 2022
Issue： 03
Volume： 50
Page： 315-322
Cited Count：
WoS CC Cited Count： 0
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count：
Chinese Cited Count：
30 Days PV： 5
Affiliated Colleges：
