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。     

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.     

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。     

一种基于粗集理论的BP神经网络加速算法

应用粗糙集理论 ,对控制系统采样数据进行简化处理 ,构造一种新型神经网络结构 .提出一种误差反向传播BP(BackPropagation)神经网络加速算法 ,并将此算法应用于移动机器人的控制系统分析设计 .通过仿真结果的分析研究 ,验证了此算法在减少网络冗余 ,提高神经网络学习速度 ,提高网络实时控制能力等方面的良好的性能 .     

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.     

基于粗糙集与BP神经网络的数据挖掘分类模型

利用粗糙集理论对原始数据进行特征选择,约简冗余属性,从而减小BP网络的输入维数.该模型可以在不同的简化层次上给出相对满意的决策,适用于信息不完备情况下的推理和决策研究.     

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.     

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。     

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。     

基于量子LM神经网络和粗糙集的石油储层识别方法研究

提出一种量子LM（Levenberg Marquardt,LM）神经网络与粗糙集相结合的智能识别方法,以替代传统的统计识别方法和工程应用中以单一智能控制为基础的识别方法．基于LM神经网络的技术方案可以整理测井定位数据,提高预测的准确性;量子计算具有并行和类映射的优势;通过削减冗余信息和简化信息量,粗糙集可以降低量子LM神经网络的复杂性,缩短数据处理时间,削减神经网络的负担．通过在石油储层识别实践中的应用证明：该方法可以有效提高计算速度和识别精度,降低成本．     

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。