粗糙集与神经网络集成在故障诊断中应用研究

提出了SOM网络－粗糙集－BP网络集成进行故障诊断的方案；首先应用SOM网络离散化故障诊断数据中的连续属性值；然后基于粗糙集理论计算诊断决策系统的约简，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网络进行故障诊断，4135柴油机的实际诊断结果验证了所提出的民粗糙集理论相结合进行故障诊断的可行性，在数据充分的条件下，该方案可以推广应用于其他机械设备。     

基于RS-BPNN理论的边坡稳定性预测及应用

从文献资料中收集并整理了45组各类危险边坡数据实例,结合粗糙集理论的数据挖掘功能和BP神经网络理论的非线性映射功能,建立了基于粗糙集-BP神经网络(RS-BPNN)理论的边坡稳定性预测模型.利用粗糙集对离散化后的数据进行了属性约简,利用神经网络对约简前后的数据进行了网络训练和仿真,并对其中五组边坡的安全系数和稳定状态进行了预测.结果表明,未经约简的BP网络安全系数预测的平均误差率为14.51%,约简后的RS-BP网络预测的平均误差率为7.24%,且经过粗糙集约简后边坡的预测状态与边坡的实际状态更加吻合.     

基于RS与ANFIS的投标报价决策研究

针对建设工程投标报价中标高金的确定这一多因素决策问题,提出了粗糙集理论(RS)与自适应模糊神经网络(ANFIS)集成的标高金决策方法.首先利用自组神经织网络(SOM)对决策系统中的连续属性值离散化后,通过粗糙集理论约简属性,去除冗余信息,计算出标高金决策系统的约简;根据这一约简,经过减法聚类获得模糊推理规则数目,确定ANFIS的初始结构,最后应用ANFIS对文章中30个典型国际工程案例的标高金进行计算和预测.研究结果表明,与一般BP神经网络相比,该方法网络规模大大减小,网络结构透明,学习速度更快,而且保持了较高的预测精度.     

基于粗糙集与神经网络的故障诊断研究

基于粗糙集理论,尝试利用分辨矩阵的基本思想,对连续的征兆数据进行离散化处理,并利用遗传算法的并行能力和全局寻优能力,在保证分类能力不变的情况下,根据实际情况通过知识约简,确定最优决策系统;并在此基础上设计出BP网络对故障进行诊断.结果验证了采用粗糙集与神经网络相结合的方法对发动机过热故障诊断的可行性、实用性与有效性.     

基于RS-CPM模型的边坡失稳灾害预测及应用

提出基于粗糙集的边坡失稳灾害突变级数预测模型,选取介质容重、内聚力、内摩擦角、边坡角、边坡坡高、孔隙压力比共6个预测指标,运用粗糙集理论进行属性约简和属性重要性排序,在此基础上开展突变级数的指标浓缩,从而实现对边坡失稳灾害的预测.研究结果表明:该模型计算输出的各种指标预测值与实际值较吻合,预测精度较高,可在实际工程中应用;这种方法克服了突变级数法难以判定属性重要度的缺点,计算简便,可操作性强,为公路边坡风险提供了一种可行的预测方法.     

基于改进蝙蝠算法优化广义回归神经网络的岩质边坡稳定性预测

在对边坡进行稳定性评价时,传统的数值分析法计算量大,对经验的依赖性强,无法很好地反映边坡动态开放和非线性的特征.针对岩质边坡的上述特点,采用广义Hoek-Brown非线性破坏准则力学参数作为边坡稳定性的影响因素.利用改进后的蝙蝠算法(bat algorithm,BA)搜寻最优解来更新广义回归神经网络(generalized regression neural network,GRNN)的光滑因子,建立改进的BA-GRNN边坡稳定性预测网络.针对蝙蝠算法种群个体缺乏变异机制,在迭代过程中寻优能力下降的问题,引入交叉变异算子改进蝙蝠种群的多样性,使其保持持续优化能力.将改进BA-GRNN网络、BA-GRNN和GRNN3种网络得到预测结果进行对比,发现改进后的BA-GRNN预测网络对于边坡状态和安全系数预测精度更高,在边坡稳定性的预测方面有更好的适用性.     

滑坡地质灾害无人监测预警平台设计

为远程实时监测边坡稳定状态并及时进行滑坡地质灾害预警,减少人员财产损失,设计了一种滑坡地质灾害无人监测预警平台。提出了短距离自组织无线传感网络和北斗短报文/GPRS远程通信技术相结合的无线数据传输方案,以及边坡地表变形、地下变形、内力、水文、环境等参数的低功耗传感检测方案,进而实现了免线缆的滑坡地质灾害无人监测硬件平台;建立了滑坡地质灾害预测预警系统软件平台,实现边坡监测数据的阀值预警、边坡稳定性辅助分析和远程支援专家数据访问与会商等功能。该系统平台具有部署维护成本较低、功能全面实用的特点,在边坡稳定性参数监测和滑坡地质灾害的预测预警方面具有一定的推广价值。     

BP神经网络技术在调剖效果预测中的应用研究

调剖效果预测是对调剖措施进行决策和方案优化设计的理论基础。通过对影响调剖效果的因素分析,建立了BP网络效果预测模型并对其进行优化改进。模型网络预测结果与实际生产效果对比分析表明,所建立的预测模型可靠。可利用BP网络模型进行调剖效果预测,并为调剖方案的优化设计提供科学决策依据。     

基于主客观赋权法的山区高速公路边坡防护决策与生态环境

针对山区高速公路建设导致原生植被和动物栖息地破坏、水土流失以及局部环境恶化等系列生态环境问题,对山区高速公路边坡防护决策与生态环境进行研究.采用综合主观赋权法和客观赋权法后的主客观赋权法进行理论分析,对分目标值构成矩阵和定性指标进行规格化处理,并对主客观赋权法数学模型进行理论求解;利用均衡度变权创建山区高速公路边坡防护方案决策的主客观赋权综合评价模型;建立边坡防护方案综合评价指标体系,对山区常张高速公路张家界段进行实证研究.研究结果表明:从生态环境评价角度用主客观赋权法综合评价法得出三维网植草防护为最优方案,因此,采用主客观赋权综合评价法对边坡防护方案决策和保护生态环境是合理的、可行的.     

多尺度决策系统中基于模糊相似关系的决策粗糙集最优尺度选择与约简

基于模糊相似关系的决策粗糙集是经典决策粗糙集的延伸与拓展,为当今的研究热点之一。在实际处理数据时,同一对象的同一属性可能具有不同层次,并且在不同层次上取得不同值。为此,该文针对多尺度决策系统,提出多尺度决策系统中基于模糊相似关系的决策粗糙集模型,给出相应的最优尺度选择及约简方法,并讨论了获得一个最优尺度约简的简便算法。利用5组UCI标准数据集对该文所提出的模型与算法进行实例验证,证明其有效性。该文提出的模型进一步拓展了基于模糊相似关系的决策粗糙集在多尺度决策系统下的应用。     

基于灰色关联度的粗集连续属性离散化算法

连续属性的离散化是粗糙集理论亟待解决的关键问题之一。基于灰色系统和粗糙集的有关理论，提出了 一种新的基于属性重要性的离散化算法。该算法以条件属性对决策属性的灰色关联度来度量条件属性的重要性， 在保证决策表原始分类能力不变的前提下，按照属性重要性由小到大的顺序对每个条件属性的侯选断点进行考 察!将冗余的断点去掉，从而将条件属性离散化。同时给出了该算法的时间复杂度分析，并通过实例分析验证了算 法的有效性和实用性。     

基于粗集理论的神经网络

在分析了粗集理论方法和人工神经网络方法两者各自的特点与共同之处后,首先探讨粗集学习与神经网络学习的结合方法,然后提出一种基于粗集预处理的神经网络系统,最后给出一个基于粗集方法作为信息预处理的神经网络文字识别的例子,来说明基于粗集的神经网络系统的优越性     

基于RS的GMDH神经网络在空袭目标识别中的应用

针对目标属性识别的特点,建立了基于粗糙集(Rough Sets, RS)的数据分组处理(Group Method of Data Handling, GMDH)神经网络分类模型.该模型较好地解决了采用高维数据集训练神经网络效率低,神经网络结构规模较大的问题.同时为了提高高维数据集合的属性约简效率,改进了集合近似质量属性约简算法.最后,通过与BP(Back-Propagation, BP)神经网络分类能力的仿真对比,结果表明,基于粗糙集的数据分组处理神经网络分类模型分类能力优于BP神经网络模型,满足现代防空作战对目标属性识别的需求,基于快速求核和集合近似质量的属性约简算法快速有效.     

基于粗糙Multilayer Perceptron网络的规则提取及生成方法研究

将粗糙集理论同神经网络结合起来,提出了一种基于粗糙集的神经网络体系结构,并以此为基础讨论了神经网络中的规则提取方法.为扩大神经网络的适用范围,利用粗糙集理论中的相关概念来指导神经网络系统的构建,从而使系统参数具有较为明确的物理意义.提出一种对该网络进行训练的学习算法.根据网络中各节点所对应的物理意义以及相应连接权值的大小,给出了一种折衷型算法对粗糙神经网络进行推理规则提取和生成.实验结果表明:粗糙神经网络具有较好的工作性能,并且能给出相应的推理规则.     

一种神经网络集成分类器在暂态稳定评估中的应用

针对神经网络应用于电力系统暂态稳定评估存在的误分类问题，将粗糙集理论和神经网络相结合，运用特征矩阵进行属性约简的基础上，应用装袋策略构造集成神经网络分类器来提高分类准确率，在新英格兰10机39节点系统中的应用验证了该分类器的分类准确率较普通神经网络分类器有较大的提高、     

粗糙集神经网络理论在矿井通风系统评价中的应用

针对矿井通风系统神经网络评价法中建立样本的不稳定性问题,开展了基于粗糙集和BP神经网络理论的通风系统综合评价研究。以某矿井通风系统为研究对象,应用粗糙集数据分析系统对矿井通风系统评价指标的原始数据样本的分类质量进行了检验;在此基础上,基于人工神经网络理论,建立了矿井通风系统的粗糙集神经网络评价模型,从而形成了一种新的基于粗糙集神经网络理论的矿井通风系统评价方法。研究结果表明,经过模型的数据检验和应用性验证,其理论评价结果与实际情况相符,且网络总误差小于0.004;这说明基于粗糙集神经网络的综合评价方法在矿井通风系统评价中有很好的实际应用效果。     

基于粗糙集的模糊模型辨识方法

提出了一种基于粗糙数据分析的模糊模型辨识方法·二值化数据过滤和决策表的简约算法是该方法的两个关键点·通过将传统的决策表转化成二进制决策表,并采用二值化数据过滤技术,可以同时简化决策表的属性和属性值·通过决策表的简约算法,从决策表中提取出重要的属性和关键的属性值,从而得到了输入空间的模糊最优化分,进一步得到模糊模型的前提结构和参数·利用这种方法以一组经典数据为背景建立了岩石边坡工程中边坡稳定性分析的模糊模型,仿真结果说明了该方法的有效性     

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.     

基于粗集神经网络的目标识别

研究了粗集和神经网络方法在信息融合目标识别中的应用,提出将神经网络学习机制引入到粗集系统,同时通过粗集的条件和决策属性构造神经网络结构,并针对三种不同谱段下的三种不同目标图像进行了实验,试验表明,粗集神经网络相结合的识别算法的识别率要明显高于单独使用一种融合算法的识别率,训练时间也大大缩短。