İnanç Kural Tabanı (RIMER)
Belief Rule-Base Inference (RIMER) · Ayrıca şöyle bilinir: RIMER, Belief Rule-Based System, BRB System, İnanç Kural Tabanlı Çıkarım
Yang ve ark. tarafından 2006 yılında RIMER çerçevesi altında tanıtılan İnanç Kural Tabanı (BRB), kural ardıllarına inanç derecesi dağılımları ekleyerek klasik eğer-o zaman kurallarını genişleten bir uzman sistem çıkarım metodolojisidir. Kural tabanlı akıl yürütmeyi Kanıt Akıl Yürütme (ER) yaklaşımıyla birleştirerek mühendislik, risk değerlendirmesi ve yönetim alanlarındaki karmaşık karar problemlerindeki belirsizlik, eksiklik ve muğlaklığın temsil edilmesini ve yayılmasını sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
BRB, uzman bilgisi koşullu kurallar olarak elde edilebildiği ancak çıktıların doğası gereği belirsiz veya kısmen bilindiği ve kesin kural tabanlı veya düz bulanık sistemlerin yetersiz kaldığı durumlarda uygundur. Kuralların listelenebileceği küçük ila orta ölçekli öznitelik alanlarına uygundur. Varsayımlar arasında kural elde etme için alan uzmanlarının bulunması ve ardıllara inanç dağılımları atayabilme yeteneği yer alır. Büyük veri kümeleri üzerinde eğitilmiş makine öğrenmesi sınıflandırıcılarının uzman tanımlı kural sistemlerinden daha iyi performans göstereceği yüksek boyutlu veri zengini ortamlar için daha az uygundur. Alternatifler arasında belirsizliğin tamamen dilsel olduğu durumlarda bulanık kural tabanlı sistemler veya nedensel yapının bilindiği durumlarda Bayes ağları yer alır.
Güçlü yönler & sınırlılıklar
- İnanç derecesi dağılımları aracılığıyla eksik ve belirsiz bilgiyi açıkça ele alır, sahte kesinlik zorlamak yerine bilgisizliği korur.
- Alan uzmanlarının inceleyebileceği, doğrulayabileceği ve yeniden eğitmeden güncelleyebileceği şeffaf, denetlenebilir kural yapısı.
- Hassasiyet analizi ve kural optimizasyonuna olanak tanıyan nicel kural ağırlıklarını ve öznitelik ağırlıklarını entegre eder.
- Dempster-Shafer teorisine dayanır ve birden fazla uzman kuralını birleştirmek için teorik olarak tutarlı bir toplama mekanizması sağlar.
- Kural tabanı boyutu, öncül özniteliklerin sayısı ve referans değerleri ile üstel olarak büyür, bu da büyük girdi alanlarının manuel olarak listelenmesini pratik olmaktan çıkarır.
- Uzmanlardan inanç derecesi dağılımlarının elde edilmesi bilişsel olarak zordur ve öznel yanlılık getirebilir.
- Parametre optimizasyonu (kural ağırlıkları, öznitelik ağırlıkları) doğrusal olmayan programlama gerektirir ve yerel optimumlara yakınsayabilir.
- Performans, büyük ölçüde uzman bilgisinin kalitesine ve eksiksizliğine bağlıdır; kötü elde edilmiş kurallar güvenilmez çıkarımlara yol açar.
SSS
BRB, standart bir bulanık kural tabanlı sistemden nasıl farklıdır?
Bulanık kural tabanlı sistemler, her kuralın ardılına tek bir kesin veya bulanık çıktı atar. BRB, her kurala birden fazla ardıl derecesi üzerinde tam bir inanç derecesi dağılımı ekleyerek, eksikliğin (toplam inancın birden az olması) ve dereceler arasındaki çelişkinin açık temsilini sağlar. Dempster-Shafer teorisine dayanan ER toplama algoritması, geleneksel bulanık toplama operatörlerinden daha ilkeli bir yaklaşımdır.
BRB parametreleri uzmanlardan ziyade verilerden öğrenilebilir mi?
Evet. Kural ağırlıkları, öznitelik ağırlıkları ve inanç dereceleri, doğrusal olmayan programlama yoluyla bir tahmin hatası kriterini en aza indirerek eğitim verileri kullanılarak optimize edilebilir. Bu hibrit yaklaşım, uzman tarafından kodlanmış yapıyı veri güdümlü parametre iyileştirmesiyle harmanlayarak, başlangıçta bir kural iskeleti tanımlanabildiği sürece, tam uzman elde etmenin mümkün olmadığı durumlarda bile BRB'nin uygulanmasına olanak tanır.
ER toplama formülündeki normalleştirme sabiti μ'nun rolü nedir?
Sabit μ, tüm ardıl dereceleri ve kalan bilgisizlik terimi üzerindeki birleşmiş inanç derecelerinin toplama sonrası bir'e eşit olmasını sağlar. Dempster'ın birleştirme mantığı altında tüm aktive edilmiş kuralların ortak çelişkisini emer, bu da nihai inanç dağılımının geçerli bir olasılık benzeri atama olmasını sağlar. Bu normalleştirme olmadan, toplanmış dereceler normalleştirilmemiş ve güven değerleri olarak yorumlanamaz olacaktır.
Kaynaklar
- Yang, J.-B., Liu, J., Wang, J., Sii, H.-S., & Wang, H.-W. (2006). Belief rule-base inference methodology using the evidential reasoning approach—RIMER. IEEE Transactions on Systems, Man, and Cybernetics—Part A, 36(2), 266–285. DOI: 10.1109/TSMCA.2005.851270 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Belief Rule-Base Inference (RIMER). ScholarGate. https://scholargate.app/tr/soft-computing/belief-rule-base
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Dempster-Shafer Kanıt TeorisiEsnek hesaplama↔ karşılaştır
- Bulanık Bilişsel Haritalar (FCM)Esnek hesaplama↔ karşılaştır
- Kural Türetme (RIPPER)Makine öğrenmesi↔ karşılaştır