基于粗糙集-神经网络故障诊断技术的研究

提出了一种基于粗糙集-神经网络故障诊断新方法,该方法利用粗糙集理论对数据样本进行数据浓缩,提取初步的映射规则.该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,建立输入状态空间到输出空间的精确映射,大大提高了神经网络的收敛速度和逼近精度.通过对一个电力电子电路进行实验,实验结果表明,该方法可以有效地减少输入层神经元个数,提高神经网络模型的学习效率和诊断的准确性,在故障诊断中有良好的应用前景.     

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．     

一种粗糙模糊神经网络分类器及其应用

提出了一种粗糙模糊神经网络分类器的模型。其过程为:利用粗糙集理论获取分类知识,根据训练样本建立决策表,进行决策表属性值离散化、属性约简和分类规则的提取;依据约简后决策表的属性、经模糊化处理的属性值及分类规则构造粗糙模糊神经网络分类器。该分类器可以有效地克服粗糙集规则匹配方法抗噪声能力和规则泛化能力差的缺点;同时可简化神经网络的结构,加快网络的训练速度。并详细介绍了该分类器用于汽车车牌字符识别的步骤和实验结果。     

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.     

基于粗糙集与神经网络的机场气象新型预测模型

针对民用机场多因素气象预测问题的复杂性,提出了一种基于粗糙集—RBF神经网络模型.该模型利用粗糙集理论约简气象影响因素,提取关键因素作为网络的输入,简化了网络结构.实例验证,该模型的学习训练速度和预测精度远优于传统的RBF神经网络模型.     

基于粗糙集理论的模糊神经网络及其在化纤生产过程中的应用

提出一种基于粗糙集理论的模糊神经网络系统,首先运用粗糙集理论来发现大量样本数据中的概略化的规则,然后根据这些规则来设计神经网络的结构模型,并利用神经网络技术对模型进行训练。化纤工业中抽丝冷却侧吹风过程的模拟仿真实验,证明了该方法的有效性和可行性。     

GIS面目标间拓扑关系的粗糙表达模型

在分析传统9交模型和特例4交模型的基础上,利用粗糙集理论的下近似RA表示空间实体内部,边界域A-RA表示空间实体的边界,并结合粗糙集中的变精度粗糙集、模糊粗糙集分别建立了基于粗糙集和4交模型的空间面状实体拓扑关系的三种粗糙表达模型。     

粗糙集和拓扑空间

研究了粗糙集和拓扑空间的关系,讨论了Pawlak粗糙集模型的拓扑性质,指出Pawlak粗糙集模型等价于一类特殊的正则拓扑空间,该拓扑空间一般不是Hausdorff空间,且一般不具有连通性,还证明了一个一般的二元关系下的粗糙集模型当且仅当它是自反的和传递的时,可定义一个拓扑空间,每一个拓扑空间都是一个特殊的一般关系下的近似空间。     

基于概率测度的规则提取算法

通过概率粗糙集模型和确定性粗糙集模型之间的对比,分析了概率粗糙集模型在处理有矛盾的决策表时的有效性.在此基础上以属性重要度为依据建立决策树,同时引入了概率近似空间的思想,给出了一种新的粗糙集规则提取算法.     

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.     

基于粗糙集理论的Bayes粗糙模型研究

从经典的概率粗糙集推广模型出发,参照Bayes因子,研究了一种Bayes粗糙集模型,该模型不受先验概率的影响,从而减小了决策失误的风险．     

粗糙集理论中粗糙函数定义的改进及粗糙导数性质的证明

对二元、n元粗糙函数、k阶粗糙导数的定义进行了改进,给出了一元、二元粗糙导数的性质,并对一元、二元、n元粗糙导数的性质给出了较详细的证明.     

粗糙集代数与MTL代数

讨论粗糙集代数与MTL代数的关系以及由粗糙集代数构造MTL代数的方法.借助近似代数上的原子及同余关系,证明了在适当选取蕴涵算子及余运算之后,粗糙集代数就成为MTL代数.     

粗糙子环的判定

粗糙代数是粗糙集理论研究的一个方向,粗糙环和粗糙子环是粗糙代数的主要内容之一.以 Pawla粗糙集模型、环论为基础,给出了环的粗糙子环的定义,并研究了粗糙子环的性质及判定定理, 扩展了粗糙代数理论的研究范围.     

广义粗集的公理化

粗集理论在数据挖掘等领域得到了广泛的应用，对粗集理论进行推广可得到各种广义粗集。该文研究了广义粗集的多个公理组，证明了公理组中各公理的独立性，并给出了普通粗集理论的另一个公理组，它有4条相互独立的公理组成。     

粗糙集代数与R_0-代数

在粗糙集的代数方法研究中,一个重要的方面是从粗糙集的偶序对(<下近似集,上近似集>)表示入手,通过定义偶序对的基本运算,从而构造出相应的粗代数并发现R0-代数能够抽象刻画偶序对的性质。讨论了粗糙集代数与R0-代数的关系以及由粗糙集代数构造R0-代数的方法,借助近似代数上的原子及同余关系,证明了在适当选取蕴涵算子和余运算之后,粗糙集代数就成为R0-代数。     

粗相等与粗相等代数

讨论了粗等价的性质 ,证明了粗相等关系是 Boolean代数 (2 U,∩ ,∪ ,～ )上的同余关系 ,给出了 2 U上的一个等价关系是粗相等的刻画 .从粗相等出发 ,引入了一类新的代数系统——粗相等代数     

分级粗糙集和分级知识约简

Pawlak 粗糙集模型认为一个元素要么属于一个集合,要么不属于该集合,要么可能属于该集合,把可能属于该集合的元素的全体称为边界.Pawlak 粗糙集模型对边界的研究较少.文章认为对边界的隶属度差别较小的元素以同一个量级属于边界,从而可按一个对象对边界的隶属量级对边界进行划分.基于这一思想提出了分级粗糙集模型和分级最大分布约简、分级分布约简的概念.给出了这两种约简的判定定理及辨识矩阵以及相应的核属性的等价条件.分级粗糙集模型推广了Pawlak粗糙集及变精度粗糙集模型.     

粗糙集模型和概率粗糙集模型的若干研究

主要叙述在等价关系、一般关系和概率论中的粗糙集模型，给出它们的定义、性质、各自的几种定义类型和它们之间的联系以及若干例子．     

程度粗糙集

从广义程度粗糙集出发,定义了程度粗糙集,深入讨论了其内部构造,得出了程度粗糙集简化运算的重要方法.对比经典粗糙集性质,研究了程度粗糙集3个方面的性质:集合与其程度近似集的关系、程度近似算子的幂作用、程度边界算子对粗糙集性质的修正.得出了若干具有理论和应用价值的结果,并从算子论和集合论的角度丰富了粗糙集理论.