基于粗糙集和自适应神经网络集成理论的边坡稳定性分析

利用SOM网络--粗糙集-BP网络集成进行边坡稳定性预测的方案:首先应用SOM网络将边坡稳定性因素中的连续属性值离散化;然后基于粗糙集理论计算边坡稳定决策系统的约简,根据实际需要确定最优决策系统;最后在最优决策系统的基础上设计BP网络进行预测.边坡稳定性预测的实际结果验证了所提出的神经网络与粗糙集理论相结合的可行性,在数据充足的条件下,该方案可以推广到其它具有连续性值的情况.     

基于粗糙集和BP神经网络的心脏病病症诊断方法

提出了把粗糙集和BP神经网络结合应用于心脏病病症诊断的方法,用经Konhonen网络量化后的心脏病病人病症数据及诊断结果建立决策表,使用粗糙集理论进行属性约简,约简后的病症数据作为BP神经网络的输入,诊断结果作为BP神经网络的输出.通过实际病例的诊断表明,利用粗糙集和BP神经网络相结合的方法,可有效提高心脏病症诊断的精度和速度,同时也减少了检查项目,降低了诊断成本.     

粗糙集-改进神经网络落煤瓦斯涌出量预测

为对井下落煤瓦斯涌出量进行预测,采用粗糙集与改进神经网络相结合的方法,在样本数据的筛选上吸取粗糙集数据约简的优点,使选择的数据样本简洁且更具代表性;充分利用BP神经网络的非线性拟合能力,将遗传算法与其相结合,避免BP网络陷入局部最优.利用编写的程序确定隐含层节点数,相比以往经验公式取值更具优势.最后在任家庄煤矿成功应用.研究结果表明:利用粗糙集与改进神经网络相结合模型进行预测,结果准确可靠,克服了以往BP模型的不足.该模型对井下落煤瓦斯涌出量预测具有一定参考价值.     

基于粗糙集与神经网络的故障诊断方法研究

提出了基于粗糙集和神经网络的故障诊断方法。采用Kohonen网络对连续属性值进行离散化,应用粗糙集理论对特征参数进行属性约简,并把约简结果生成规则作为BP网络的输入。仿真结果表明,经粗糙集理论优化后的样本集进行神经网络训练,提高了神经网络的学习速度和故障诊断正确率,减少了训练时间。     

基于粗糙集神经网络PID的串级控制系统设计

提出一种基于粗糙集的神经网络PID控制器。该控制器利用粗糙集的数据约简方法，约简BP网络样本的冗余属性和属性值并保留重要数据得到最小样本，然后用这个最小样本训练BP网络。最后利用BP网络对动态过程中的PID控制参数进行实时在线调整。对串级过热气温控制系统的仿真结果表明，与传统的神经网络PID建模方法相比，该控制器网络训练时间少、抗扰性和鲁棒性强。     

一种基于粗糙集和遗传神经网络的数据分类器模型

为了实现对无线传感器网络监测得到的高维冗余且不确定的数据进行分类识别,提出一种由遗传算法和粗糙集进行优化的BP神经网络数据分类器模型,并形成了数据挖掘分类算法。该模型通过粗糙集理论的属性约简算法删除训练样本的冗余属性,利用遗传算法对神经网络的权值和阈值进行优化,并进行神经网络学习。数据挖掘分类算法学习速度快,能够有效提高无线传感器网络中数据的分类效率。     

基于粗糙集与BP神经网络的分布式数据挖掘算法

利用数据挖掘来提高网络中能量利用率是无线传感器网络(WSN)的一个重要研究方向.本文构建了基于粗糙集与神经网络相结合的无线传感器网络分布式数据挖掘算法.该算法用粗糙集对节点内的原始数据进行离散化与属性约简后得到的最简决策表训练BP神经网络,再将构造好的BP神经网络集成在每个传感器节点上.仿真结果表明,该算法可以降低数据维数,消除冗余数据、减少网络通信量、延长网络寿命.     

一种新的基于RS和NN的混合数据挖掘算法

提出一种结合粗糙集理论和BP神经网络理论的新数据挖掘算法.算法利用粗糙集对属性的归约功能将数据仓库中的数据进行归约,将归约后的数据作为训练数据提供给神经网络.通过粗糙集归约,提高了训练数据表达的清晰度,也减少了神经网络的规模,同时利用神经网络又弥补了粗糙集对噪声数据敏感的不足.     

粗糙集模糊神经网络软件质量预测

以面向对象的软件度量为研究对象,首先采用SOM神经网络离散化度量元因子矩阵数据,接着对于得到的离散化的矩阵数据采用粗糙集理论的属性约简算法进行属性约简,然后根据约简得到规则构造模糊神经网络的网络结构,并采用BP算法对网络进行训练,最后通过仿真实验验证了该算法。     

基于粒子群优化算法的相关向量机边坡稳定性分析模型

为快速获取边坡稳定性系数,及时对边坡进行稳定性评价,提出一种基于粒子群优化算法(particle swarm optimization,PSO)的相关向量机(relevance vector machine,RVM)边坡稳定性分析模型。该模型通过选取影响边坡稳定性安全系数的6个主要因素,并对这6个主要影响因素产生的30组数据进行拟合训练,利用粒子群算法对相关向量机模型参数进行优化,选取最优参数值,根据这30组训练样本来对剩余4组样本进行精准预测。结果表明：与实际值进行对比,基于PSO-RVM模型预测的平均相对误差仅为5.64%,且建立的PSO-RVM预测模型的边坡稳定性安全系数的平均相对误差均明显优于利用BP(back propogation)神经网络和协调粒子群(coordinated particle swarm optimization,CPSO) -BP模型预测得到的平均相对误差,进一步为边坡稳定性预测及评价提供一种新方法。     

基于粗糙集和自组织神经网络的聚类方法

自组织神经网络在学习过程中采取竞争机制选取最优匹配神经元获胜，然而实际情况可能有一组神经元都非常匹配输入向量。引入粗糙集的上近似与下近似理论，选择一组最匹配神经元获胜。实验证明基于粗糙集和自组织神经网络的聚类算法，较之传统的自组织神经网络聚类算法聚类结果更平均，死神经元更少，是一种良好的聚类算法。     

基于扩展可辨识矩阵的混合决策系统属性约简

经典粗糙集理论的研究对象只能是完备的离散决策系统。为了直接对不完备混合决策系统进行属性约简,因此通过引入邻域关系和限制容差关系的概念对可辨识矩阵的定义进行了扩展,提出了一种基于扩展可辨识矩阵的属性约简算法;该算法可以兼容处理完备与不完备混合决策系统。通过UCI数据集的仿真实验证明了该算法的有效性,最后讨论了扩展可辨识矩阵中的邻域阈值选择对属性约简结果的影响。     

一种基于依赖度的决策表属性约简算法

属性约简是粗集理论研究的重要内容之一,计算所有属性约简已被证明是NP-hard问题,目前尚不存在一种非常有效的方法。基于依赖度的决策表属性约简算法,可同时适用于一致和不一致的决策表,实验结果表明,与Hu提出的属性约简算法相比,该算法不仅简单可行,而且具有较好的时间性能。     

一种基于形式概念分析的粗糙集中的知识获取方法

文章提出了一种基于形式概念分析的粗糙集中的知识获取方法,即应用形式概念分析中的内涵集去解决属性约简、核等粗糙集中的一些重要问题.实例证明了该方法的有效性.     

城市交通系统降维状态判别规则

城市交通流是一个复杂多变、非线性、非结构化、时空变化的随机大系统。目前常用的固定阈值评价方法无法全面判别交通系统运行状态。随着我国智能交通系统的建设规模不断扩大,急需寻找一种适合我国城市交通流混合现象严重的、符合交通流运动机理的交通状态判别模型。本文在研究混合交通流的多维交通状态变量的基础上,利用粗糙集理论,建立四维状态判别模型,通过数据离散和属性约简得到二维决策表,提出一种城市交通系统降维状态判别规则,并以实例说明其能够有效剔除系统冗余信息,提高挖掘规则的精度。     

粗糙集理论的研究现状与前景

介绍了粗糙集理论的基本概念及信息系统属性的简化和规则提取，阐述了粗糙集理论的有关应用和发展前景。     

基于Rough集实现判定树归纳分类算法的简化

Rough集理论提供了一种新的处理不精确、不完全与不相容知识的数学方法，在决策表中快速、有效地挖掘出缺省规则。本文将Rough集属性约简应用到判定树归纳分类方法中，明显优化判定树，简化数据挖掘的过程。     

基于小波神经网络的实际业务流预测方法

针对无线传感器网络传输过程中容易受到噪音干扰的问题,提出了一种新的业务流预测算法AWNNP(Ant colony-based Wavelet Neural Network Prediction).该算法首先利用小波变换对业务流进行分解,并将其小波系数和尺度系数作为样本数据.其次,结合蚁群算法和神经网络来训练样本数据,采用小波模型重构进行重构,以此获得业务流的预测数据.同时,通过仿真实验对比,并分析了小波神经网络预测算法和BP神经网络预测算法,实验结果表明,AWNNP算法性能较优,其误差为16.21%.     

BP神经网络的改进及其应用

在分析BP神经网络建模步骤的基础上,针对BP神经网络某些不足,提出了几点改进措施。首先对原始数据进行了非线性规格化;其次,提出了记忆式初始权值和阀值;最后以确定性系数最大为依据进行参数优选,并将改进后的BP神经网络应用于需水量预测。结果表明,改进后的BP神经网络不仅提高了BP神经网络预测的精度,而且加快了BP网络运行时的收敛速度。     

一种改进的粗糙集约简算法及其应用

引入一种改进的属性频率函数,据此提出了一种改进的粗糙集约简算法,并将该改进算法运用到商品的综合评价中,最后,通过算例验证了该算法的可行性和有效性。