粗糙集CMAC神经网络故障诊断策略

提出一种基于粗糙集CMAC神经网络的智能互补融合的诊断策略．该策略利用粗糙集理论对数据样本进行数据浓缩．提取初步的诊断规则．对初步的诊断规则通过神经网络进行粗映射，利用神经网络的分类逼近能力，建立故障状态空间到诊断空间的精确映射．大大提高了神经网络的收敛速度和逼近精度．将该神经网络应用于的变压器故障诊断实例．结果表明．该神经网络具有分类逼近能力强．计算量小等优点．诊断正确率比普通神经网络的诊断正确率高．     

粗糙集神经网络系统在歼击机结构故障诊断中的应用

给出故障诊断中定性和定量的诊断方法,先用粗糙集理论定性分析有无故障及故障的性质,再用神经网络定量计算故障的大小.通过利用粗糙集的数据预处理能力,从原始的数据中提取出故障诊断的规则,从而将输入映射到输出的子空间,而后在此子空间上用神经网络进行故障度的诊断.文中还将此法用于某歼击机的故障诊断中,并和传统的人工神经网络故障诊断模型相比较,结果表明了本文方法的有效性.     

一种基于粗糙集的粗糙神经网络构造方法

针对神经网络中各神经元和权不能赋予明确的物理意义 ,提出了一种基于粗糙集的神经网络模型 .该模型利用粗糙集理论数值分析的能力 ,首先从给定的数据集中抽取出规则 ,然后根据这些规则构造神经网络隐含层的神经元个数 ,从而确定粗糙神经网络的初始拓扑结构 .同时 ,将输入映射到输出子空间 ,并在这个子空间上用神经网络进行逼近 ,由此得到一种可理解性好、收敛速度快的神经网络模型 .实验结果表明 ,该模型能够较好地处理神经网络拓扑结构、训练样本的大小、样本质量等对神经网络的精度及泛化能力有直接影响的问题 ,在大大缩短训练时间的同时 ,它的预测精度可达 96 4 % ,较同条件下径向基函数神经网络模型的精度高 3 6 % .     

基于粗糙集与模糊神经网络的多级压缩机诊断

为解决多级往复式压缩机故障诊断这一复杂问题,提出了一种棋于智能互补融合的智能诊断策略、该策略利用粗糙集理论对数据样本进行党费,形成初步的诊断规则,并基于该结果形成模糊神经网络,再利用网络的分类逼通能力,建立从故障状态空间至解释空间的精确映射,从而达到故障诊断的目的,另外,还提出了一种基于误差反馈的节点函数特性变化模糊神经网络逼近器和新的数据党费度量指标－数据蒸发率,对一台四级压缩机的故障诊断结果表明,提出的新方法具有诊断率和数据蒸发率高、结果易于被人理解、诊断计算最小等优点。     

基于粗糙集的模糊神经网络在故障诊断中的应用

文章将粗糙集理论、模糊逻辑推理和神经网络等方法相结合,提出一种基于粗糙集的模糊神经网络理论的复杂机械的故障诊断方法。该方法应用模糊逻辑推理建立故障诊断决策表,采用粗糙集理论对故障样本数据属性约简,将获取的主要特征属性输入到神经网络中进行训练学习,然后把检测数据输入到诊断系统中进行检测。检测结果表明,该方法在船舶柴油机的故障诊断中是有效的。     

基于BP神经网络的大型旋转机械故障诊断及其网络数据源的研究

在对提取神经网络输入结点数据源的方法进行详细分析的基础上，构造出设备状态监测及故障诊断的BP神经网络模型，同时利用实验方法确定出模型参数．最后用实验数据验证该系统对故障进行映射的可行性。     

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。     

基于粗糙集的模式匹配方法

模式匹配在信息集成和数据挖掘领域有着广泛应用,提出了一种基于粗糙集和神经网络的模式匹配方法,利用粗糙集的属性约简机理,对模式属性进行约简,然后通过BP神经网络分类以达到匹配目的.该方法大大的降低了神经网络输入向量维数.实验结果表明该方法能够有效地提高匹配效率和准确率.     

基于RS-ANN的汽车发动机故障诊断分析

利用粗糙集理论对知识的约简能力及神经网络的分类能力,构建粗糙集-神经网络（RS-ANN）故障诊断组合模型;并将该模型应用于汽车发动机故障数据进行实例验证,该模型诊断速度快,故障诊断正确率高.     

粗糙集结合BP神经网络的数据融合方法研究

在粗糙集和数据融合基本理论的基础上,研究了基于粗糙集理论和BP神经网络相结合的数据融合方法。先利用粗糙集对输入信息进行简化,剔除冗余信息,从而缩减了BP神经网络的规模,提高了融合系统的识别率,进而提高整个融合系统的效率。与传统的神经网络融合系统进行比较,通过实例说明了该方法的有效性。     

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.     

基于知识的歼击机起飞爬升阶段的故障诊断与报警

针对歼击机的起飞、爬升阶段 ,数据量大且复杂 ,对故障诊断要求精度高 ,实时性好 ,设计出粗集和神经网络相结合 ,分层诊断的方法 ,先定故障的类型 ,然后定故障的度 .其中在粗集诊断部分 ,提出了适合该研究对象的离散和简约方法 ,从而得到了少量但足够用的决策规则 ,使得实时诊断程序结构简单 ,实时性好 .包含诊断和报警模块的实时程序证明 ,此方法可以达到精度和实时性要求 .     

优化的粗神经网络在机械故障中的预测研究

为了尽早发现机械故障,做到防患于未然,实施安全生产,在神经网络中引入粗糙集理论和模糊聚类方法,实现建模预测。首先用粗糙集和模糊聚类进行属性约简,去掉冗余的属性。然后根据模糊逻辑规则获取合理的网络输入层、隐含层和输出层,建立优化的粗神经网络预测模型。该模型可以有效地去除神经网络中输入层的冗余神经元,合理的确定隐含层神经元的数目,使神经网络提高了收敛性能,获得更好的非线性逼近能力。应用车床的机械振动采样数据进行仿真实验,结果说明：优化的粗神经网络预测模型,可提取有用信息、简化网络结构,减少训练时间,提高预测精度。在机械振动位移的采样数据预测实验中,取得了良好的效果,对于减少机械故障、实现安全生产、提高经济效益具有重要意义。     

基于粗集理论与神经网络的电力系统负荷预测VoIP系统的QoS

介绍了一种基于粗集理论与神经网络相结合的电力系统负荷预测方法.运用粗集理论方法对不确定、不完整的历史数据进行属性的约简分析,并将约简后的属性作为人工神经网络的输入进行负荷预测;改进基因算法对神经网络权值修正.算例表明该方法可行、有效.     

基于规则的神经网络在模式分类中的应用

针对模式分类任务,提出一种基于粗糙集规则的神经网络构造方法.首先,利用粗糙集理论和遗传算法约简输入特征,在尽量保持分类能力不变的情况下降低条件属性维数,并推导出简练的分类规则集合.然后,以规则集为基础构造BP神经网络结构、确定网络层数、输入输出节点数等,并计算规则的条件属性重要度和依赖度2个参数对连接权值进行初始化.最后,通过一个实例验证了方法的有效性,结果表明该方法能有效解决传统神经网络构造难、解释难、过拟合等问题,提高了分类精度,降低了训练时间.此外,初步探讨了网络训练时对知识提炼的影响.     

神经网络在动力学系统建模中的理论研究

动力学系统可以看成是映输入空间到输出空间的一个算子,在特定时刻动力学系统的输出可以看成是其输入空间上的一个泛函,这样动力学系统建模就可以看作是表征系统映射关系的算子或泛函的逼近问题。研究了多层神经网络的非线性映射能力,给出了多层网络可一致逼近有限维空间Ｒｎ紧集上的连续函数、无穷维函数空间紧集上的连续泛函和连续算子的理论证明。得出的几个一般性结论为在动力学系统建模等领域应用神经网络准备了理论工具。