基于模糊粗糙集的一种属性约简算法

将粗糙集理论与模糊集理论相结合,提出了一种基于模糊粗糙集的属性约简算法。该方法引入了模糊C均值聚类算法用以连续属性的模糊化;并通过聚类有效性分析来确定最佳分类数目;克服了目前属性模糊化方法需要人为规定划分类数,几乎不考虑信息系统的具体属性值等缺点。实例验证了此方法的有效性。     

一种混合智能故障诊断方法及柴油机故障诊断

提出了一种模糊聚类、粗糙集理论与神经网络集成的混合智能故障诊断方法。引入聚类有效性函数和点分布密度函数。对模糊c-均值聚类算法进行改进,形成了自适应模糊聚类算法并依据该算法将连续的故障特征值离散化。应用粗糙集理论处理离散化的故障诊断数据。采用基于信息熵的方法,约简冗余的故障特征。依据约简结果构建神经网络,采用遗传算法优化网络的权值和阈值。将该方法用于柴油机气门故障诊断,并与普通神经网络进行对比。结果表明,该方法提高了故障诊断的正确率。     

规则递归T-S模糊模型及其辨识方法

针对传统T-S模糊模型不能较好描述系统时变特性的问题,提出了一种基于递归策略的动态T-S模糊模型及其辨识方法.规则递归T-S模糊模型在传统T-S模糊模型基础上,增加了具有一定权重的反馈环节,该环节对当前激励强度与前一时刻激励强度进行加权和得到当前时刻新的规则激励强度,从而实现动态递归变化,有效描述了系统的动态过程.为使规则递归T-S模糊模型具有较少的规则数量和较好的泛化能力,前件参数采用一种基于规则激励强度的模糊聚类算法获得,而后件和递归环节参数则采用一种由支持向量机和粒子群优化算法组成的联合辨识方法获得.Box-Jenkins煤气炉的仿真结果表明,规则递归T-S模糊模型及其辨识方法具有较好的动态描述能力,与混合聚类方法相比,均方差降低了1.2％.     

基于模糊粗糙集理论的建筑业综合评价

根据模糊聚类和粗糙集理论的基本原理,利用模糊聚类的相似关系与粗糙集可辨识矩阵的特性,结合这两种方法的互补优势,研究了将之应用于建筑业综合评价的方法和步骤.通过模糊聚类法形成粗糙集下的决策信息系统,采用基于可辨识矩阵的启发式约简法对属性约简,计算出约简后各属性的权重.利用各属性的权重分别对各省市(或地区)的建筑业指标评价值加权求和从而得出各自的建筑业综合评价值,对其结果的客观性和实用性所进行的分析评价证明该方法有效.     

基于粗糙集理论的模糊C-means高维数据聚类算法

模糊C-means算法是一种重要的聚类分析算法,但是在数据维数较高的情况下,该算法计算量急剧上升从而导致其效率较低.针对这一问题,提出了一种基于粗糙集理论的模糊C-means高维数据聚类算法,该算法在传统模糊C-means算法的基础上引入了粗糙集属性约简的理念,通过对数据集属性的约简,提取出对分类影响较大的属性集而摒弃与分类无关的属性,进而在聚类过程中只计算属性约简结果集中的属性,从而减少聚类过程的工作量、提高聚类效率.理论分析和实验结果表明,该算法在处理高维数据时较高效.     

FCM属性约简方法在汽轮机故障诊断中的应用

文章通过汽轮机故障样本数据的空间分布状态分析,基于模糊c均值(FCM)聚类方法实现故障征兆参数属性的离散化处理;采用粗糙集(RS)属性约简方法对原始特征向量进行优化,去除冗余特征,提取特征向量的本质信息;基于约简后的特征向量建立支持向量机(SVM)故障诊断模型.实验结果表明,该文所提出的方法不仅可以提高故障诊断的准确性...     

一种模糊Rough决策方法

利用模糊集理论和粗糙集理论在处理不确定性和不精确性问题方面侧重点的差异性，构造一种组合决策模型。该模型从问题领域内的部分不精确信息出发利用模糊聚类方法构造一个决策信息系统，利用粗糙集理论关于决策规则的约简方法从决策信息系统中提取（挖掘）决策规则，使之适用于问题的整个领域。     

一种新的T-S模糊模型辨识算法

针对非传统T-S模糊模型,给出了一种新的辨识方法。利用改进模糊划分聚类算法辨识前件参数,最小二乘法对模糊模型的后件参数进行辨识。应用Box-Jenkins煤气炉数据和一个非线性系统进行仿真实验,结果证明了该方法的有效性与实用性。     

高炉铁水硅含量的智能预测

文章提出了一种基于T-S模型的自适应模糊神经推理系统的高炉铁水硅含量智能预测模型,采用模糊聚类算法对样本数据进行分析归类,自行生成模糊规则库,实现模型结构简化和参数优化,特别适用于高炉冶炼这类复杂的非线性系统的预测系统建模;仿真结果表明,该方法预测命中率高,具有很好的实用性.     

智能邮件过滤系统的设计与实现

介绍了一种基于粗糙集和聚类的智能邮件过滤算法，并且提出一种智能邮件过滤系统，该系统按其功能可以划分为知识库子系统、邮件导入子系统、关键词获取子系统和属性约简子系统等四个部分。重点介绍了采用基于粗糙集和聚类的智能邮件过滤算法的属性约简子系统的设计。     

回转窑简体温度红外扫描与状态预报系统研究

针对烧结法生产氧化铝工艺过程中回转窑窑皮形状复杂与筒体测温难的特点，采用红外线测温与数字滤波补偿技术相结合，开发出回转窑筒体温度红外线扫描和状态预报系统孩系统在测量回转窑筒体表面温度及其变化的基础上，通过基于模糊协方差矩阵的聚类算法。在线仿真出窑内村与窑皮的形状及厚度，发出相应的状态预报信号，有效地改善了窑的操作，提高了设备的运转率，降低了生产成本，并为回转窑的自动控制提供参考．图2，参12．     

氧化铝熟料烧结回转窑智能控制系统设计与应用

介绍了氧化铝熟料烧结回转窑的工艺生产过程。针对生产过程存在的大滞后、非线性和多变量强耦合等特点,提出了基于自适应模糊控制、软开关控制、自适应预测控制和传统回路控制相结合的智能控制策略,并基于此策略在计算机集散控制系统上开发了氧化铝熟料烧结回转窑智能控制软件,成功应用于某公司氧化铝熟料烧结回转窑,实现了氧化铝熟料烧结回转窑的稳定控制。该系统投运以来可靠性高,控制效果及时、准确,具有在冶金、水泥等行业推广的价值。     

适用于励磁系统建模的模糊神经网络方法

基于原有励磁建模方法,将模糊理论和神经网络相结合,充分利用模糊理论处理不精确问题和神经网络较强的泛化能力等优势,形成一种模糊神经网络(FNN),并推导了FNN的学习算法.将此FNN用于发电机的控制环节——励磁系统建模.仿真结果显示,FNN模型能够较精确地对实际系统进行拟合.     

基于质量指标的球团焙烧先进过程控制

以某烧结厂球团焙烧过程中燃烧控制系统为研究对象，针对生产过程中因果非线性及条件不确定等因素的影响，综合运用网络技术、软测量技术、模糊控制和专家系统等，提出一种焙烧过程的质量控制策略和先进过程控制(APC)方案，设计了基于神经网络的模糊化软测量(FNNSS)模型。采用软测量的方法实现生产综合条件指标即广义透气性的测定，对不同的透气性采取不同的控制策略，并进行了仿真研究。     

锌钡白转窑"等质量等能量"控制模型参数辨识

针对锌钡白转窑控制项目中“等质量等能量”控制模型在进料量估算和控制模型参数辨识方面的不足,通过分析大量的历史数据和总结操作工人现场手动控制的经验,提出一种新的进料量计算方法和控制模型参数辨识方法,把进料量控制纳入到消色力控制中来,同时引入人工判断消色力作为辨识依据.文中还给出了参数辨识的具体过程,并对控制效果进行了探讨.该方法已成功应用于转窑控制中,提高了产量和产品的消色力.     

多支承回转窑支承系统模糊优化配置研究

回转窑支承系统的配置决定着回转窑载荷的分配情况,从而决定着回转窑的整体运行性能.在建立求解回转窑支承载荷力学模型的基础上,以均衡分配回转窑载荷为优化目标,考虑支承系统优化配置中的模糊因素,建立了回转窑支承系统模糊优化配置模型,并用最大最小法对该优化模型进行了求解,结果表明回转窑支承系统模糊优化配置能尽可能地均衡分配回转窑载荷,提高支承系统的性能和回转窑的运转率.     

大型多支承回转窑运行状态监测与调整

在研究回转窑运行状态影响因素的基础上，建立了回转窑载荷分配与轴线变化的线性关系式；得出了运行时回转窑主体部件的应力及变形情况；探明了回转窑轴向运动机理，建立了轴向运动接触力学调控模型；给出了回转窑最佳运行状态调整的优化方法，建立了调窑参数模糊优化模型；研究了一种新型的回转窑运行轴线测量方法--零位移方向键相法；应用理论研究成果，开发了回转窑运行状态分析与监测系统.     

直接转矩控制的异步电动机转矩脉动最小化

针对异步电动机直接转矩控制低速转矩脉动大的问题,充分利用模糊控制吸收人的经验思维,以及神经网络对信息的处理具有自组织、自学习的特点,提出一种新的模糊神经网络控制方法.该方法实现了逆变器开关周期的占空比控制,使感应电动机的转矩脉动达到最小.其中,模糊神经网络的训练采用最小二乘法,解决了常规的BP算法容易陷入局部极小的问题.将传统的直接转矩控制方案和模糊神经网络占空比控制方案进行了比较研究,仿真结果校验了模糊神经网络占空比控制方案的有效性.     

基于模型迁移方法的回转窑煅烧带温度软测量

回转窑的煅烧带温度是其控制过程中一个非常重要的参数,但煅烧带温度难以直接获取并且缺少大量的实测数据进行软测量.为了在数据较少的情况下获得准确的软测量模型,并考虑到窑头温度与煅烧温度的相似性,引入了基于过程相似性进行模型迁移的方法(PMBPS),首先采用混沌混合学习算法训练T-S模糊神经网络,对具有大量准确测量值的窑头温...     

稳定性监控自学习FNN控制器

针对一类未知的非线性系统，提出一种具有稳定性监控的实时自学习ＦＮＮ控制器．ＦＮＮ控制器采用遗传算法使自学习获得最优的性能指标；实时学习过程的稳定性则由基于李雅普诺夫方法设计的监控器来保证，使得ＦＮＮ控制器的自学习过程总是在全局稳定性的条件下进行．