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.     

成人高校毕业生学位评审预测模型及其应用

在定性分析的基础上,提取影响成人高校毕业生学位评审的12个指标,并利用粗糙集理论与LVQ神经网络的各自优势,构建了一个粗糙集-LVQ神经网络成人高校毕业生学位评审预测模型。粗糙集作为前置系统,在分类能力不变的前提下对属性进行约简,得到两个属性个数均为7的最小条件属性约简集,利用LVQ神经网络进行分类处理。实证分析中,该模型对两个最小条件属性约简集进行择优选择,并对胜选的属性约简训练样本与全部属性训练样本的分类能力进行对比,最后,利用该模型与LVQ进行了相关参数比较。结果表明,文章构建的粗糙集-LVQ预测模型与LVQ网络相比,输入矢量减少了42%,运行效率提高了75%,准确识别率提高了14.4%。     

模糊决策粗糙集模型及其属性约简

决策粗糙集基于严格的不可分辨等价关系,只能适用于离散型数据,文中研究了一种新的模糊决策粗糙集模型及相应的属性约简算法.该模型将不可分辨等价关系放松为高斯核模糊T-等价关系,从模糊隶属度角度定义了条件概率,能够直接对数值型数据进行属性约简.利用UCI标准数据集,将该模型与Pawlak经典粗糙集、决策粗糙集在属性约简能力上进行比较,仿真实验结果表明,该模型具有较好的性能.     

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.     

基于优势关系的中超球队竞赛水平评估研究

本文尝试利用粗糙集的优势关系法对2015赛季中超球队竞赛水平进行评估,是将粗糙集理论应用于实际问题的典型事例.通过对参赛球队的进攻能力和防守能力的数据化,再利用粗糙集的优势关系对各参赛球队的综合实力分析、排序,对球队竞赛水平评估具有很高的可靠性.该方法克服了以往用"胜败论英雄"的一元评估弊端,合理的评估有利于激励中超球队的竞技战术能力提升,使我国足球"竞赛水平"能在国际赛事中产生影响.     

基于遗传算法和变精度粗糙集的离散化算法

目前常用的离散算法多为单属性离散化算法.利用该类算法对多维连续属性进行离散化时,逐次对单个属性进行离散化,割裂了多维属性之间的关系.基于此提出了一种基于遗传算法和变精度粗糙集的多属性离散化算法.该算法基于变精度粗糙集所具有的较好数据分类容错和抗噪能力,通过变精度粗糙集近似分类精度建立遗传算法适宜度评价函数,并利用遗传算法在多维连续属性候选断点集上寻找最优断点子集.基于UCI数据集比较了所提算法与多种常用的离散化算法的差异,实验结果表明,该算法可以获得相对较好的离散化效果.     

根据粗糙集理论进行图像块分类的规则发现

提出了一种根据粗糙集理论进行图像块分类的方法,它利用了粗糙集理论的强大的定性分析能力,结合图像块样本的时域、频域特性对其进行分类,并在分类能力不变的情况下,通过知识约简,导出问题的分类规则。     

基于粗糙集理论的滑坡易发性评价——以三峡库区秭归县境内为例

以滑坡灾害突出的三峡库区秭归县境内为研究区,利用粗糙集理论将20个初始评价因子进行属性约简至12个核心评价因子,并对其组成的决策表进行知识挖掘获得滑坡与评价因子之间的规则集合.利用知识规则集合对决策表进行分类,得到以斜坡单元为基础的滑坡易发性图.研究结果表明:滑坡易发区面积占研究区总面积的21.7％,主要分布在斜坡结构为顺向坡,地层岩性为软岩、软硬相间岩,以及靠近水系及公路开挖的区域.粗糙集方法的预测精度为87％,其预测能力较KNN算法和Logistic模型的优.粗糙集理论是一种行之有效的区域滑坡易发性评价方法.     

基于粗糙集__神经网络的客户价值预测

首先找出对客户价值有影响的一些因子,然后利用神经网络与粗糙集理论的优势互补,采用粗糙集对数据进行预处理,构建基于粗糙集-神经网络的客户价值预测模型,并依据此模型进行了验证评价,结果表明,本文提出的模型用于客户价值预测是有效的.     

采用局部粗糙集模型的决策规则提取

研究基于局部粗糙集模型下的决策规则提取.对经典粗糙集的决策规则提取进行改进,给出局部粗糙集模型下的决策规则公式,并研究相关性质.结合局部粗糙集模型给出的规则提取公式,引入参数值α,α∈(0,1］,使规则提取公式的泛化能力更强,适用性更广.通过3个实例对局部粗糙集模型决策规则提取的运用进行说明.     

基于Rough Sets-C4.5的故障征兆提取与判别

针对原始信息系统往往存在大量重复样本和冗余属性,从而影响实际故障诊断的精度和速度这一问题,介绍了一种基于粗糙集和决策树C4.5算法相融合的故障诊断模型,用于设备的精确和快速故障诊断.利用粗糙集具有较强的处理不确定和不完备信息的能力,对原始样本集进行离散化及约简处理;同时,利用决策树C4.5算法对约简后的决策表进行快速学习并形成树状故障分类器.以实例介绍了利用该模型进行故障诊断的完整过程.     

基于粗糙集模型的公共设施布局问题研究

针对公共服务设施规划布局问题,建立了相应的粗糙集模型,从而把设施布局问题转化为粗糙集属性约简问题.并利用粗糙集理论中基于信息熵的约简方法对布局问题进行求解.最后通过实例验证了该方法的可行性和有效性.拓展了粗糙集理论在现实问题中的一个重要应用.     

双论域粗糙集的不确定性度量

为了进一步扩展粗糙集的应用范围和灵活性,利用构造性方法研究了双论域粗糙集的不确定性度量,分析了双论域粗糙集不确定性度量与由双论域粗糙集诱导的Pawlak粗糙集的粒度之间的关系.通过比较Pawlak近似空间中粒度的大小,定义了不同信息系统中关系的粗细程度,给出了反映信息系统分类能力的双论域粗糙集信息熵和信息粒度的定义,研究了双论域粗糙集信息熵和信息粒度与信息系统中关系的粗细程度之间的关系.结果表明：双论域粗糙集的信息熵越大,信息系统的不确定性越强,信息系统中关系的区分能力越弱;信息系统的关系越精细,双论域粗糙集的信息熵越小,双论域粗糙集的信息粒度越小.     

粗糙集与故障树理论的组合故障诊断

故障知识的获取以及故障树结构的确定一直是亟待解决的瓶颈问题.将粗糙集理论引入到故障树的故障诊断中,利用粗糙集对实例测得的故障信息进行知识约减和知识获取,寻找系统各个故障源信号之间的逻辑关系,并通过这些逻辑关系构造基于知识的故障树模型.故障实例分析表明,将粗糙集理论与故障树有机结合在一起进行故障诊断能有效地压缩故障特征空间,实现快速、准确的故障推理.     

粒度计算中混合属性约简的权重模糊粗糙集模型

针对权重粗糙集模型不能有效处理非平衡混合数据的问题,对权重论域上的各种类型变量进行分析并建立统一的模糊等价关系,提出混合数据上的权重模糊粗糙集模型,并利用该模型构造出带权模糊等价空间上的混合属性约简算法.混合属性约简算法产生的模糊软划分可以克服权重论域上离散硬划分产生的信息损失.在非平衡混合数据集上进行的实验结果表明,与基于权重粗糙集的算法相比,基于权重模糊粗糙集模型的属性约简算法的平均分类精度提高了11.9%.     

基于粗糙集理论的多指标综合评价方法

针对评价多指标优劣中属性权值难以确定的问题,笔者提出了基于粗糙集的TOPSIS综合评价的应用算法,利用粗糙集进行权重确定,把粗糙集与TOPSIS相结合,提出了基于粗糙集的TOPSIS综合评价方法,以属性重要度作为各个属性的权值,对信息系统进行加权分析,得出了总体排序结果,并通过算例验证了该方法的有效性.     

基于多粒度概率粗糙集与MULTIMOORA的q-RO模糊多属性群决策

为了探索q-RO(q-rung orthopair)模糊信息系统中具备稳定决策结果的多属性群决策方法,依据多粒度概率粗糙集与MULTIMOORA(multi-objective optimization by ratio analysis plus the full MULTIplicative form)建立了一种新的q-RO模糊多粒度计算模型,并用于求解多属性群决策问题.结合q-RO模糊概率粗糙集与多粒度粗糙集,提出了多粒度q-RO模糊概率粗糙集模型.利用离差最大化法计算属性权重与决策者权重,进一步建立了基于多粒度概率粗糙集与MULTIMOORA的q-RO模糊多属性群决策方法,该方法考虑了决策风险与容错能力,可提供稳定的决策结果.通过2个实际算例验证了所建立方法的可行性与有效性.     

模糊粗糙集粗糙熵的修正

在粗糙集理论中,由于用模糊粗糙熵去度量RF集的不确定性更具有直观性,所以如何利用香农信息熵理论定义模糊粗糙集的熵的度量,是一个值得研究的问题.结合知识粗糙性和信息熵给出了模糊粗糙集的熵的度量新定义,并对其一些性质进行了讨论.     

基于RS-ANN知识员工离职模型及预警研究

以相关文献作为研究基础,确定知识型员工离职的相关因素,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)员工离职预警模型;并将该模型应用于员工离职预警数据进行实例验证,该模型预警速度快,离职预警正确率高。     

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.