基于粗神经网络的电力系统可靠性评估方法

发输电组合系统可靠性评估中元件状态组合数和潮流计算是引起可靠性评估计算中"计算灾"的主要原因.利用粗糙集的数据约简和特征提取功能,提炼人工神经网络的输入变量、训练样本以及事件类与系统状态之间的概略化关系,建立偶发事件模式识别的粗神经网络(RNN)模型,提出基于RNN的发输电组合系统可靠性评估算法,以提高电力系统可靠性评估的计算效率.可靠性测试系统的计算结果表明,所提算法是正确、可行和有效的.     

决策演化集的卷积预测

决策演化集是处理决策规则在时间序列上演化问题的理论,它将着眼点从静态的决策信息系统转移到动态的时间序列上,研究决策信息系统随时间变化时的演化规律,是一种新的决策规则研究方法 .在决策演化集理论体系下预测规则伴随实际规则产生,因此预测规则必然对实际规则产生影响.为了解释预测规则和实体规则之间的相互关系,引入卷积方法,在时间序列上构建预测规则和实际规则的演化混合矩阵,并利用该矩阵对决策信息系统进行预测分析.     

基于边界域的变精度粗糙集

粗糙集理论作为分类学习的一种工具,借助一对极值映射的一元算子,利用已知的知识结构表示未知的研究对象.具体主要体现在已知知识包含于未知对象集或与对象集相交不空.随着数据规模的不断增长以及数据形式的日趋复杂,严格意义的包含常常不能满足现实的需要.因此,经典粗糙集忽略了非常接近于严格包含的情况.变精度粗糙集放宽了严格包含关系.弥补了经典粗糙集理论的这一不足.然而,和经典粗糙集相比,变精度粗糙集不可避免地失去了一些基本性质.为了进一步探讨这些性质的本质内涵,在研究已有变精度粗糙集结构和性质的基础上,提出了3类基于边界域的变精度粗糙集模型,比较研究了这些模型之间的联系和区别.结果表明,第Ⅰ类变精度模型是已有变精度粗糙集模型的推广,第Ⅱ类变精度模型则是经典粗糙集的直接拓展形式之一.这2类变精度模型都侧重于从局部多数包含的角度刻画对象集.第Ⅲ类变精度模型侧重从对象集的整体边界域,即整体多数包含的角度描述了未知知识.     

基于CNN-SVM的调制方式识别优化算法

信号调制方式识别在通信领域是一个研究热点,针对目前已调信号分类识别率受噪声的影响较大的问题,提出一种基于CNN-SVM的调制方式识别算法.该算法对不同已调信号做循环谱估计,生成相应的循环谱图,并截取等高截面图作为特征图,然后借助卷积神经网络提取相应的特征,并采用t分布邻域嵌入算法对特征值降维处理,最后输入到支持向量机对已调信号进行分类识别.经实验仿真,当信噪比高于-2 dB时,算法识别率高于96%,证实了该算法具有很好的识别效果.     

粗糙集理论及其在数据挖掘中的应用

Rough sets理论被广泛运用于不确定环境下的信息处理.基于粗糙集理论的数据挖掘技术正日益受到计算机科学家和数学家的重视.笔者介绍了粗糙集理论的发展过程和基本特点,粗糙集理论在数据挖掘中的应用,以及典型的基于粗糙集的数据挖掘系统,并介绍了粗糙集理论的研究方向和研究领域,最后论述了粗糙集理论与其他智能化方法结合起来处理信息的必要性.     

基于视频的改进帧差法在车流量检测中的应用

如何有效去除背景、消除按车道开固定窗检测车辆的方法中,由于车辆换道或相邻车道的车辆部分覆盖了被检测车道检测窗而引起的误检,是车辆检测系统需要解决的一大难题.针对上述问题提出了一种基于视频的改进的帧差法,在检测带内由车辆信息生成数据流,根据数据流的变化进行车辆检测、计数并估计平均车速.从而实现对过往车辆的准确计数,更可靠地收集各车道的车流信息,为智能交通提供实时交通参数.     

基于信息颗粒的粗糙集约简研究

刻划了基于粗糙集信息颗粒的知识库模型,证明了基于基本信息颗粒的一种正区域等价算法,分析了不可分矩阵的性质,提出并实现了基于粗糙信息颗粒的属性约简算法,使粗糙集理论能更好地适应海量数据集的挖掘．     

基于模糊粗糙集理论的视觉特性图像增强

为了更准确地描述在图像增强中可能会出现的一些不完整性和不确定性问题,提高图像处理的效果,本研究提出了一种基于模糊粗糙集理论的视觉特性图像增强算法．该算法利用模糊粗糙集理论,依照图像的视觉特性,采用传统的图像增强方法进行图像预处理．实验结果证明,该算法比传统的图像增强方法效果更好．     

基于粗糙集理论的分布式检测系统数据融合

探讨分布式检测系统数据融合的粗处理方法,给出基于粗糙集理论的分布式检测系统的数据融合结构和相容算法, 通过不可分辨关系确定属性约简、导出决策规则,并将其应用于油田输油管测漏系统中,结果证明了该方法的合理性和有效性.