编辑推荐：
针对 BRB 模型在环境波动和噪声数据下鲁棒性不足的问题，研究人员提出动态高斯隶属函数、加权平均计算 Lipschitz 常数等框架。实验表明该模型鲁棒性、 interpretability 更高，为动态工程系统决策可靠性提供新路径。
在复杂系统的建模与评估中，稳定性与可靠性是核心挑战。随着工程场景日益复杂，传统信念规则库（BRB）模型在面对环境波动、噪声数据和参数扰动时，常出现鲁棒性下降的问题，导致预测准确性与决策稳定性不足。例如，在航空继电器健康评估、锂电池寿命预测等动态多变量系统中，输入数据的微小波动可能引发模型输出的显著偏差，而传统方法采用的三角隶属函数和最大值计算 Lipschitz 常数的方式，难以有效应对这类不确定性。因此，提升 BRB 模型在复杂环境下的鲁棒性，成为保障工程系统安全可靠运行的关键科学问题。
为解决上述难题，国内研究机构的研究人员开展了 “鲁棒性驱动的信念规则库” 研究。相关成果发表在《Engineering Applications of Artificial Intelligence》，通过构建新型方法论框架，显著增强了 BRB 模型在不确定环境中的稳定性，为复杂系统的精准建模与可靠决策提供了新范式。
研究采用的关键技术方法包括：
- 引入动态高斯隶属函数替代传统三角隶属函数，优化输入数据到属性隶属度的转换过程，提升输入变换的稳定性；
- 提出基于加权平均的 Lipschitz 常数计算方法，结合各输入对模型输出的影响权重，更全面地评估鲁棒性；
- 融合 Lipschitz 正则化与多属性优化算法，实现模型鲁棒性、可解释性（interpretability）和准确性的平衡优化。
研究结果
输入变换鲁棒性提升
通过动态高斯隶属函数[1]，将输入数据的隶属度计算从依赖固定区间的三角分布，转变为基于高斯分布的动态调整。实验表明，该方法显著降低了模型对输入扰动的敏感性，尤其在定量输入的参考值间隔较小或定性属性的信念度主观赋值场景中，输入变换的鲁棒性提升达 30% 以上。
鲁棒性评估方法优化
传统最大值法基于极端参数组合评估鲁棒性，结果偏于保守。新提出的加权平均法根据输入重要性权重，综合计算各部分的 Lipschitz 常数，使鲁棒性评估更贴近实际运行场景。在六个基准案例中，该方法的评估结果与模型实际抗扰动能力的吻合度提高了 25%。
多属性优化算法效果
通过集成 Lipschitz 正则化与多属性优化算法，模型在航空继电器健康评估和锂电池寿命预测场景中，实现了鲁棒性指标（如 Lipschitz 常数降低 40%）与预测准确率（保持 95% 以上）的平衡。同时，规则库的可解释性通过优化参考值和规则结构得到提升，规则数量减少 20% 但关键变量关系保持清晰。
跨场景验证
在包括工业机械故障诊断、油管道泄漏预测等六个基准案例中，改进后的 BRB 模型均表现出优于传统模型的鲁棒性，尤其在高噪声数据环境下，输出波动幅度降低 50% 以上，验证了方法的普适性。
结论与讨论
本研究构建的鲁棒性驱动 BRB 框架，通过动态高斯隶属函数、加权平均评估和多属性优化的协同作用，系统性解决了传统模型在输入变换、鲁棒性计算和优化算法中的核心缺陷。实验结果表明，该模型在保持高预测准确性的同时，显著提升了鲁棒性与可解释性，为航空航天、能源存储等动态高风险工程系统的可靠决策提供了有效工具。
研究的创新点在于将数据变换的动态特性、鲁棒性评估的全局视角与多目标优化相结合，突破了传统 BRB 模型对极端条件的过度依赖。未来可进一步拓展至更多高维复杂系统，并探索与深度学习模型的融合，以提升在非结构化数据场景中的适用性。该成果不仅丰富了复杂系统建模的方法论，也为工程领域的智能化决策提供了重要技术支撑，具有显著的理论意义与实际应用价值。
