---

سیستم منسجمی متشکل از مؤلفه‌های مستقل یا وابسته را در نظر بگیرید و فرض کنید که مؤلفه‌های آن به‌طور تصادفی از دو کلاس مختلف انتخاب شده، و مؤلفه‌های کلاس اول به مفهوم برخی از ترتیب‌های تصادفی بزرگ‌تر  از مؤلفه‌های کلاس دوم هستند.  در این مقاله، با استفاده از ترتیب‏‌های تصادفی مختلف به مقایسه  قابلیت اعتماد چنین سیستم‌هایی ‎‏پرداخته می‌شود و نشان داده می‌شود که  هرگاه تعداد  تصادفی  مؤلفه‌های انتخاب‌شده از دسته اول به مفهوم برخی از ترتیب‌های تصادفی افزایش می‌یابد، قابلیت اعتماد سیستم حاصل  بیشتر خواهد بود.  هرگاه مؤلفه‌های سیستم‏، وابسته در نظر گرفته شوند، برای توصیف ساختار وابستگی میان طول عمر مؤلفه‌ها از توابع مفصل استفاده می‌شود.

---

روش یادگیری آمیخته تقویت شده ‎(BML)، روشی فزاینده برای یادگیری مدل‌های آمیخته در مسئله طبقه‌بندی است. در هر مرحله از روش یادگیری آمیخته تقویت شده، مولفه جدیدی با توجه به یک تابع هدف در جهت به حداکثر رساندن تابع هدف به مدل آمیخته اضافه می‌شود. از جمله توابع هدف مورد استفاده در این روش، تابع درستنمایی و به‌طور معادل معیارهای اطلاع هستند. در این روش مولفه جدیدی به مدل آمیخته اضافه می‌شود که باعث بیشترین افزایش تابع درستنمایی شود.

چون تابع درستنمایی و معیارهای اطلاع توانایی تشخیص مدل‌های معادل را ندارد، بنابراین ممکن است مدل‌ آمیخته جدید و مدل آمیخته فعلی معادل باشند و اضافه کردن مولفه جدید به مدل آمیخته فعلی باعث بهبود مدل نشود. در این مقاله روش یادگیری آمیخته تقویت شده با استفاده از آزمون انتخاب مدل وونگ که توانایی تشخیص مدل‌های معادل را دارد، تصحیح شده است. همچنین عملکرد دو روش یادگیری با استفاده از داده‌های شبیه‌سازی و مجموعه داده‌های واردات کالای ایالات متحده توسط گمرک ارزیابی شده است.