基于知识发现的火箭武器研制费用预测

小样本的火箭武器研制费用预测通常难于应用线性回归方法,而灰色理论方法在实际中仍不能较好地解决费用与武器特征参数间存在的非线性问题。提出了融合粗集理论和神经网络预测火箭武器研制费用的新方法,利用粗集知识约简后的特征要素作为神经网络的输入,实现火箭武器研制费用的预测,并用实例证明了基于粗集-神经网络的费用预测精度高于灰色模型预测精度。     

基于RS-ANN的煤矿安全控制

针对目前煤矿安全管理的现状,提出利用粗集-神经网络对煤矿安全进行控制.模型在基于人-机-环境理论基础上,全面分析了影响煤矿安全的因素,利用基于蚁群算法的粗糙集属性约简对安全因素进行分析.将粗糙集方法融入神经网络实现优势融合可以去掉冗余输入信息、减小神经网络构成系统的复杂性. 提高容错及抗干扰的能力.在此基础上,利用人工神经网络的预测功能,预测影响煤矿安全的关键因素,并根据预测结果提出有针对性的安全技术措施加以防范.用同一组数据比较该方法与典型BP网络的预测效果,结果表明该方法明显优于BP网络.     

基于RS-ANFIS的雷达抗干扰性能评估方法

雷达抗干扰性能评估是雷达系统研制、引进、装备过程中必要的环节. 如何综合评估复杂电磁环境下的雷达抗干扰性能评估已成为研究的重点. 针对现有雷达抗干扰性能评估方法的特点和局限性, 提出了一种基于粗糙集-自适应神经网络模糊推理系统(RS-ANFIS)的性能评估方法. 首先, 针对原始样本数据的不完备性和不确定性, 采用粗糙集理论对原始样本数据进行数据归一化、 离散化、属性约简处理, 并得到覆盖原始样本特征的最小规则集. 其次, 建立了基于ANFIS的Sugeno型性能评估模型, 设计了评估变量的隶属度函数和推理规则, 确定了评估网络各层输入输出关系以及网络学习算法. 最后, 以12组雷达抗干扰性能评估指标为例进行算法模型验证, 表明了方法的可行性和模型的有效性. 实验结果表明, 该方法能够有效改进网络结构, 提高雷达抗干扰性能评估结果的可信度.     

粗集与神经网络的集成技术研究

粗集和神经网络都是处理不确定、不完全信息的软计算方法 ,两者曾在决策支持和知识获取等领域取得了很大的成功并得到初步应用。但两者都有局限性 ,同时在许多方面有互补性。因此粗集和神经网络的集成成为当今智能混合系统的一个重要分支 ,或许也是开发下一代专家系统的主流技术。从认识论的角度分析了粗集和神经网络的特点 ,评述了目前粗集和神经网络集成的理论和方法 ,指出其中存在的主要不足。最后提出了粗集和神经网络进一步集成所需解决的问题。     

基于迁移学习的室内波束选择优化方法

使用基于深度学习的室内波束选择方法可以显著提高波束匹配概率和搜索效率,但该方法需要大型数据集来调整其大量可训练参数,导致了额外的系统开销。针对这一不足,结合一种迁移学习技术,使得目标场景神经网络以小数据集方式获得与大数据集相近的匹配精度,从而减小基于深度学习的波束选择方法中数据集大小对匹配结果产生的影响。首先使用大型数据集在一个源场景中对源神经网络进行充分训练,使得网络参数能够充分包含信道状态信息以及环境信息;而后利用源神经网络参数对目标场景中的神经网络进行不同程度初始化,使该神经网络在经过小数据集训练后依然可以获得较好的波束匹配性能。仿真结果表明,针对室内波束选择场景,在数据集有限的情况下,使用迁移学习方法进行波束选择,同样可以获得较高的匹配精度。     

一种聚类神经网络初始聚类中心的确定方法

在基于聚类神经网络提取模糊规则方法中,其初始聚类数及聚类中心往往是事先给定的,这样会给规则提取带来一定的盲目性,并影响神经网络的学习时间和聚类效果。本文提出了一种根据测量数据集自动确定聚类神经网络初始聚类中心的方法,该方法可客观地确定聚类数和初始聚类中心,能够有效地缩短神经网络的学习时间。     

一种基于函数S-粗集的态势预测方法

针对态势评估中未来可能出现态势的优劣情况,提出了一种基于函数S-粗集的态势预测方法。利用函数S-粗集的粗规律挖掘功能,采用拉格朗日插值多项式,以函数单向S-粗集对偶为例,给出了应用该方法的具体步骤。最后通过态势评估中一个具体实例证明了该方法的有效性。得到了运用函数S-粗集能够找到隐藏在系统中的粗规律的结论。     

无人战斗机态势评估变精度粗集决策方法

为了解决在态势评估中一般粗糙集决策方法仅对规则进行提取而不完成规则匹配的问题,提出了基于加权相似性度量的无人战斗机（unmanned combat aerial vehicle, UCAV）态势评估的变精度粗集决策方法。建立了UCAV态势评估决策信息系统模型,基于正确分类率β的确定原则,给出了β值的确定方法,在该β值下从决策模型中提取出了决策规则。提出了基于互信息度的属性相对重要度计算方法,并依据相对重要度给出了属性的客观权重,结合专家经验形成了属性的综合权重。提出了基于属性综合权重的加权相似性度量方法,通过比较当前对象与决策信息系统中所有对象的相似程度给出决策结果,完成对该对象作战意图的预测。结果表明,该方法有利于UCAV对对象作战意图的预测和判断。     

粗等价类双边递减下多次Hash的渐增式求核与约简算法

为设计高效约简算法,首先以全局等价类为最小计算单位提出粗等价类概念,证明粗等价类下约简与原信息系统等价;然后深入剖析1,0,-1三类粗等价类的性质,把求正区域等价转化为0-粗等价类双边递减下的渐增式计算,结合1和-1-粗等价类的传递性,设计双边横向删减实体和纵向删减属性的优化规则,可在每一轮增量计算中缩减计算域,基于此设计多次Hash的属性增量划分方法;最后给出新的渐增式快速求核与约简算法,其中求核基于纵向优化规则,可在一次计算中求得多个非核属性,无需遍历全部属性.基于UCI、海量和超高维3类数据集进行多个实验,实验结果证明本文求核与约简算法是高效完备的,在海量数据与超高维数据集下有较大优势.     

基于粗糙神经网络的航空电子传感器故障诊断

针对航空电子传感器系统是由多个子系统所组成的复杂大系统且很难量测系统输入,传统故障诊断方法难以评估这类系统的问题,提出了一种基于粗糙神经网络的航空传感器故障诊断方法。该方法首先运用Kohonen网络对航空电子传感器测量得到的连续数据进行离散化,然后用粗糙集理论进行知识规则的提取,最后用提取的知识作用于一步预测神经网络,用该网络预测结果与航空电子传感器实际输出进行阈值比较,进而进行故障检测。仿真实验和实际应用表明,该方法可行并能有效地检测传感器故障,且故障诊断率高。     

根据粗糙集理论进行BP网络设计的研究

提出了一种根据粗糙集理论进行ＢＰ网络设计的方法,它结合了粗糙集理论的强大的定性分析能力和ＢＰ网络的准确的逼近能力,得到一种可理解性好、计算简单、收敛速度快的神经网络模型．这种神经网络的学习算法的要点是：应用粗糙集的理论和方法,从给定学习样本数据中发现一组规则,并根据这些规则去建立网络模型中相应的隐层节点;然后用ＢＰ算法迭代求出网络的参数,从而完成网络的设计.     

群决策中基于语言信息处理的一种粗糙集方法

针对一类具有语言判断矩阵形式偏好信息的群决策问题,提出了一种基于粗糙集的群决策方法.首先利用一小部分整体偏好信息构造一个成对比较表,然后根据优势粗糙集理论提取决策规则,最后定义一个评分函数对整个方案集进行排序和优选.该方法是一个先训练后决策的过程,特别适于大规模的方案优选问题.仿真实例表明了该方法的有效性和实用性.     

基于语言神经网络的知识获取方法研究及在智能教学系统中的应用

提出了一种基于语言神经网络的知识获取方法,该方法利用语言神经元,对具有开区域的连续输入变量,自动产生相应的语言变量输出,讨论了相应的神经网络训练和知识获取方法,所获取的知识以If-Then的规则形式表示,具有简洁、紧凑、不必进一步化简、易于理解等特点,并给出在智能教学系统中获取专家领域知识的应用实例.     

Method to determine α in rough set model based on connection degree

An improvement of tolerance relation is proposed in regard to rough set model based on connection degree by which reflexivity of relation can be assured without loss of information. Then, a method to determine optimal identity degree based on relative positive region is proposed so that the identity degree can be computed in an objective method without any preliminary or additional information about data, which is consistent with the notion of objectivity in rough set theory and data mining theory. Subsequently, an algorithm is proposed, and in two examples, the global optimum identity degree is found out. Finally, in regard to optimum connection degree, the method of rules extraction for connection degree rough set model baaed on generalization function is presented by which the rules extracted from a decision table are enumerated.     

基于粗糙集高速公路混沌T-S FNN控制仿真

研究基于粗糙集理论的高速公路混沌系统模糊神经网络入口匝道控制方法。针对高速公路车流量不确定性特点,提出了通过数据挖掘技术建立交通流入口匝道智能混沌控制器知识库的思想;设计了以密度、上游流量和最大李亚普诺夫指数作为输入,红灯时间作为输出的T-S模糊神经网络混沌控制器;采用粗糙集理论建立混沌控制器知识库,确定模糊神经网络控制器结构并提取模糊规则;采用模糊神经网络方法对控制器参数进行优化。仿真结果表明:采用该方法设计的智能混沌控制器,可实现保持高速公路有序运动、避免交通堵塞、提高交通通行能力的目的,是提高高速公路管理控制水平的有效方法。     

一种T-S型粗糙模糊控制器的设计与仿真

提出了一种新型的粗糙模糊控制器的设计方法,该方法将粗糙逻辑与模糊推理结合起来,利用粗糙集寻求输入输出空间的最小规则集,通过对粗糙规则输出控制信息的补充,建立起T-S型粗糙模糊控制系统。此方法能有效地从输入输出数据中获取控制规则,同时能够解决规则数目随系统变量呈指数增长的“规则爆炸”问题。对变杆长倒立摆控制的仿真结果表明,该方法能够以较少的规则实现高精度、非线性控制。     

粗糙集-神经网络集成在编队空战中的应用

为了提高空战决策的实时性和准确度,将粗糙集理论和神经网络引入到编队协同空战战术决策研究中,提出了应用SOM网络—粗糙集—BP网络集成进行编队协同空战战术决策的方案:应用SOM网络离散化决策系统输入数据的连续属性值;利用粗糙集数据分析方法,从数据中提取出规则将输入映射到输出的子空间上;在这个子空间上用BP网络进行逼近。2∶4编队空战实例仿真结果验证该方案的可行性,在数据充分的条件下,该方案可以推广应用于其它空战决策系统。