智能故障诊断的粗糙决策模型

为了提高故障诊断的精度和降低误报率,提出了粗糙决策智能故障诊断模型·该模型可以对决策表进行无教师的规则提取;通过自学习,用较少的样本即可对故障进行分类·将复杂系统的原始样本集转化成了决策表,利用粗糙集具有较强的处理不确定和不完备信息的能力,对原始样本集的条件属性进行了约简处理;同时,利用决策树具有快速学习及分类的优势对约简后的决策表进行规则提取,提高了故障诊断的鲁棒性·给出了基于该模型的故障诊断步骤·以实例介绍了利用该模型进行故障诊断的全过程·     

数据挖掘技术在全断面掘进机故障诊断中的应用

分析了全断面掘进机复杂的故障机理和运行参数,研究了将粗糙集和决策树应用到数据挖掘中的方法.以全断面掘进机刀盘的一些实时数据为例,采用MATLAB 7.0对数据进行离散化处理,结合粗糙集属性约简的算法对故障样本进行冗余属性的约简;然后,利用决策树算法对约简后的故障样本集进行规则提取,利用数据挖掘工具Clementine实现了C4.5算法和改进的C4.5算法,对其结果进行了对比分析;最后,运用VB编程对全断面掘进机采集的部分数据进行测试,结果表明该融合算法是一种快速、有效、可靠的故障检测与诊断的新途径.     

基于多尺度粗糙集模型的决策树在高校就业数据分析中的应用

为解决目前常用于就业数据分析的C4.5算法、基于粗糙集等的决策树生成算法均无法很好地处理决策精度需求不同和噪声适应能力的问题,运用基于多尺度粗糙集模型的决策树算法于于高校就业数据分析,并以某高校2012年就业数据为例进行分析,同时将分析结果与C4.5算法和基于粗糙集的决策树生成算法的分析结果进行比较．结果表明:基于多尺度粗糙集模型的决策树算法生成的决策树树形结构简单、产生的规则简洁、不存在不可分的数据集、运算速度快．     

一种基于Hash的快速值约简方法

本文在研究粗糙集、决策树与粒计算的基础上,结合Hash算法快速、高效的特点,提出了一种基于Hash的快速值约简方法.该方法在处理信息系统过程中,能够快速划分等价类,并计算出正区域;在基于粗糙集理论针对每一个属性进行属性约简和值约简的过程中,利用Hash方法能够对数据压缩的特点,实现快速高效的规则提取.通过仿真实验显示,...     

基于RS-LSSVM的高速列车走行部滚动轴承故障诊断研究

针对高速列车走行部滚动轴承故障诊断模型构建时间较长、诊断准确率不高的问题,提出一种基于粗糙集(RS)和最小二乘支持向量机(LSSVM)的方法。该方法利用小波包变换构造能量特征集,使用粗糙集属性约简算法对离散后的能量特征集处理,得到最小约简,将其输入到基于最小二乘支持向量机的故障诊断模型中进行状态识别。测试实例证明了粗糙集属性约简算法不仅保留了能量特征集的重要属性,缩短了后期故障诊断模型构建时间,而且保证了故障诊断的准确率,其模型构建时间为0.071 s,故障诊断准确率为100%。因此,RS和LSSVM相结合是一种优秀的故障诊断方法,可以作为高速列车走行部滚动轴承故障诊断的新思路。     

基于Relief属性重要度的快速约简算法

邻域粗糙集是经典Pawlak粗糙集的扩展,能够有效的处理数值型数据。因为引入了邻域粒化的概念,使用邻域粗糙集模型计算样本邻域度量属性重要度时,需要不断反复的对负域中的样本进行邻域划分操作,算法计算量很大。为此提出了一种基于Relief算法属性重要度的快速属性约简算法,降低计算邻域的算法时间复杂性。通过和现有算法运用多组UCI标准数据集进行比较,实验结果表明,在不降低分类精度的前提下,该算法能更快速地得到属性约简。     

数据挖掘在医疗数据中的应用

决策树是医疗数据挖掘中一种重要分类方法,针对原始医疗数据存在大量重复样本和冗余属性,影响医疗诊断的精度和速度这一问题,提出了一种基于粗糙集和ID3算法相结合的决策树方法.将所提方法应用于冠心病诊断决策,并对属性约简前后的决策性能进行了比较分析.实验表明了该方法的有效性和实用性.     

基于粗糙集的决策树在产品缺陷检测中的应用

将数据挖掘中的决策树与粗糙集理论进行了有机结合,提出了一种基于粗糙集技术的决策树构造算法,并将该算法应用于胶合板缺陷检测.通过粗糙集属性约简,找出造成胶合板缺陷的关键因素;再基于约简后的决策表,使用该决策树算法构建决策树,从而提取分类规则,指导决策过程.通过实验验证了,该算法可以有效对胶合板的缺陷进行检测.     

基于粗糙集的装备故障诊断系统的算法研究

通过设计基于粗糙集的装备故障诊断系统框架,以大屏幕投影系统的设备故障记录作为样本集,研究了粗糙集在装备故障诊断系统中的应用。针对数据预处理中缺失数据的填补问题,采用粗糙集理论和统计学理论相结合的方式,最大限度的保留了原始信息、产生规则的数量和可靠性;针对知识约简中规则生成速度慢等问题,采用了基于粒计算的粗糙集知识发现算法,将决策表中的属性集转换为二进制的矩阵对象,把复杂的知识约简转化为矩阵运算,降低了知识约简的时间复杂度,提高了生成规则运算效率,实现了故障诊断知识的快速自动获取。     

基于邻域粗糙集的多标记属性约简算法

在多标记学习中,属性约简是解决多标记数据维数灾难的一个关键技术.针对邻域粗糙集属性约简在计算正域代价较大和多标记数据中标记具有不同的强弱性问题,提出了基于邻域粗糙集的多标记属性约简算法.该算法首先利用样本在整个属性空间下到其异类样本的平均距离与到其同类样本的平均距离的差值对标记进行加权;其次,利用取整函数对样本空间进行划分,提出了一种新的多标记邻域粗糙集快速计算正域的方法;最后,根据前向贪心搜索算法进行属性约简,以获得一组新的属性排序.实验给出了5个多标记数据集在4个评价准则上的对比结果,实验结果分析表明了所提算法的有效性.     

融合粗糙集和证据理论的车地无线通信设备故障诊断

针对车地无线通信设备故障诊断信息不一致的情况进行故障推理和诊断,提出了一种融合粗糙集与证据理论综合集成的车地无线通信设备故障诊断方法.该方法首先利用粗糙集剔除故障特征数据的冗余成分,提取互不相关的必需特征,将车地无线通信设备故障诊断问题用一个不同简化层次的故障决策网络表示,由网络节点根据定义出的规则置信度和覆盖度可推导出对应有效的故障诊断规则集合.在建立规则库的基础上,引入基于证据理论的信息融合技术,解决多传感器故障监测数据与诊断规则准确匹配的问题,建立故障推理机制,便可方便得出车地无线通信单元故障诊断结果,实例分析表明该方法能有效提高模型故障诊断能力,具有较强实用性.     

应用分类贡献函数的决策树构造方法

在构造决策树的过程中,分类属性选择的标准直接影响分类的效果。本文基于粗糙集的理论,提出了在核中应用分类贡献函数来选择分类属性的新方法。利用UCI提供的数据集对该算法和基于信息熵的算法C4.5,以及基于加权平均粗糙度的决策树生成算法相比较。实验证明:用该方法构造的决策树与传统的基于信息熵方法构造的决策树相比较,复杂性低,且能有效提高分类效果。     

基于历史故障库的汽车电子系统故障诊断方法

本文以电子节气门控制系统为例,提出了一种基于历史故障库的故障诊断模型,首先通过异动数据流的采集与数据预处理生成故障征兆向量,将征兆向量输入到历史故障库中进行故障模式匹配,未能匹配的征兆向量作为训练样本通过决策树C4.5的算法,得到故障征兆和故障原因对应规则,然后存入历史故障库中为未来的诊断提供依据。测试表明文章所建立的诊断模型具有一定的可靠性和准确性。     

基于统计学法则的连续属性值划分方法

目前决策树中很多分类算法例如ID3/C4.5/C5.0等都依赖于离散的属性值,并且希望将它们的值域划分到一个有限区间。利用统计学法则,提出一种新的连续属性值的划分方法;该方法通过统计学法则来发现精准的合并区间。另外在此基础上,为提高决策树算法分类学习性能,提出一种启发式的划分算法来获得理想的划分结果.在UCI真实数据集上进行仿真实验.结果表明获得了一个比较高的分类学习精度、与常见的划分算法比较起来有很好的分类学习能力。     

基于粗糙集神经网络的故障诊断

在神经网络故障诊断模型的基础上,引入粗糙集理论,给出连续属性值的离散化方法.并应用粗糙集对故障诊断决策表进行属性约简,剔除其中不必要的属性.仿真结果表明,该方法可以有效地减少输入层个数,简化神经网络结构,减少网络的训练时间,在故障诊断中有良好的应用前景.     

基于粗糙集和决策树的数据挖掘方法

从粗糙集和决策树两种方法具有的优势互补性出发,提出了一种基于粗糙集和决策树相结合的数据挖掘新方法·以胶合板缺陷检测数据分析为应用对象,利用粗糙集理论对胶合板数据库中的特征信息进行缺陷识别·利用谱系聚类重心距离法对数据进行离散化处理,采用粗糙集进行属性约简,得到低维样本数据,最后用决策树方法产生决策规则·实验证明,这种数据挖掘方法保留了原始数据的内部特点,加快了获取知识的进程,提高了模型的分类准确率,增强了规则的可解释性,取得了满意的研究结果·     

Application of Rough Set Theory in Fault Diagnostic Rules Acquisition

Rough set theory is a new mathematical tool to deal with vagneness and uncertainty. But original rough sets theory only generates deterministic rules and deals with data sets in which there is no noise. The variable precision rough set model （VPRSM） is presented to handle uncertain and noisy information. A method based on VPRSM is proposed to apply to fault diagnosis feature extraction and rules acquisition for industrial applications. An example for fault diagnosis of rotary machinery is given to show that the method is very effective.