基于图的覆盖决策信息系统属性约简新算法

属性约简是粗糙集理论的重要研究内容之一,主要是用于去除高维数据的冗余信息.利用图论求约简是覆盖决策信息系统属性约简的一个新方法,其将覆盖决策系统的约简等价于超图的极小顶点覆盖.本研究提出一种新的覆盖决策信息系统的属性约简算法,该算法采用三步策略:首先确定覆盖决策信息系统的辨识集,然后得到超图的关联矩阵,最后用贪心法求出...     

数据挖掘技术在全断面掘进机故障诊断中的应用

分析了全断面掘进机复杂的故障机理和运行参数,研究了将粗糙集和决策树应用到数据挖掘中的方法.以全断面掘进机刀盘的一些实时数据为例,采用MATLAB 7.0对数据进行离散化处理,结合粗糙集属性约简的算法对故障样本进行冗余属性的约简;然后,利用决策树算法对约简后的故障样本集进行规则提取,利用数据挖掘工具Clementine实现了C4.5算法和改进的C4.5算法,对其结果进行了对比分析;最后,运用VB编程对全断面掘进机采集的部分数据进行测试,结果表明该融合算法是一种快速、有效、可靠的故障检测与诊断的新途径.     

基于RS-ICS-BP的列控车载BTM故障诊断

针对列车运行控制车载设备结构复杂,信息量大且故障分析多依赖于专家经验完成等问题,以CTCS3-300T型列控车载设备中应答器信息接收模块BTM故障文本数据为样本,提出一种基于粗糙集(Rough Set,RS)和改进布谷鸟搜索算法(Improved Cuckoo Search,ICS)优化神经网络(Back-Propagation,BP)的列控车载BTM智能故障诊断方法(RS-ICS-BP).首先,利用粗糙集理论处理不确定数据的优势对故障数据进行处理,消除冗余条件信息;再利用ICS算法确定适合的BP神经网络初始权值和阈值.以CTCS3-300T型车载设备BTM单元的93组数据为样本进行仿真实验,结果表明:RS-ICS-BP通过加入属性约简提高分类器的分类性能,通过ICS算法优化BP神经网络,避免了局部极小问题,且迭代步数少,平均误差得以降低,分类精度有所提升.     

基于类间依赖集约简的类簇测试用例生成算法

针对类簇中类间依赖关系以及类间消息交互产生的错误而导致测试冗余和测试遗漏的问题,提出一种类间依赖集约简的类簇测试用例生成算法。形式化定义了类间继承依赖、聚集依赖和关联依赖这3种依赖关系,建立类簇测试模型。定义类簇模式和用户(领域专家)解释集,并在用户解释集中依据每一个类对象的若干实例广义相等建立等价类,得出用户解释集幂集的1个子集即匹配划分集。据匹配消去算法求出类的最大匹配集,证明该集合就是所求类的最大非平凡非依赖集;提出一种交互差组合约简算法,计算类的最大非平凡非依赖集的补集,约简得到类的最小交叠集,并证明其就是类的最小非平凡依赖集,即类的组合测试用例;对其中每一个类的组合元素进行组合测试,并与其余类交互测试,得出类的交互测试序列。     

列控系统RBC测试序列优化生成方法

目前,列控系统测试序列大多由人工编写而成,在测试项的有效性和测试案例覆盖的全面性等方面存在较多问题.针对传统蚁群算法收敛速度慢和易发生停滞现象等缺点,提出一种基于改进蚁群算法（Modified-Ant Colony Optimization,M-ACO）的测试序列优化生成方法,以RBC单电台切换场景为例,根据CTCS-3级列控系统技术规范构建RBC切换有色Petri网（Colored Petri Net,CPN）模型,由该模型生成状态空间可达图和可扩展标记语言（Extensible Markup Language,XML）文件,采用路径搜索算法生成满足全节点覆盖的测试案例集,根据各测试案例的开始条件和结束条件将测试案例串联后生成测试序列,再应用M-ACO算法生成优化测试序列.最后与序列优选算法及传统蚁群算法进行对比,结果表明：该方法降低了测试的复杂程度,测试利用率较未改进的蚁群算法提高了38.53%,适合复杂系统的测试.     

一种具有优先级的参数配对组合覆盖测试集生成方法

参数的配对组合测试广泛用于软件系统错误的检测。然而在实际参数组合测试的应用中，由于时间或预算等限制原因，无法运行整个测试集。在此情况下，必须设置测试案例的优先级。本文引入优先级权值的概念，使用一个贪心算法为已生成的参数配对组合覆盖测试集按照优先级高低进行排序。不论测试在任何时刻中断，都可确保最重要的测试已被运行。     

基于压缩决策表的乐观多粒度粗糙集粒度约简算法

粒度约简是多粒度粗糙集研究的一个关键问题。为了从乐观多粒度粗糙集的角度研究粒度约简问题,消除冗余数据,提高粒度约简的效率,提出基于压缩决策表的乐观多粒度粗糙集粒度约简算法。针对乐观多粒度粗糙集模型,引入下近似分布粒度约简的概念;利用线性时间排序算法进行等价类划分,为决策表的压缩和下近似集的计算打下基础;以冗余的决策表为研究对象,以核粒度为初始粒度约简集,以粒度重要性为启发式信息,运用粒度约简算法进行粒度约简,并通过实例分析和实验验证了该算法的有效性。结果表明,算法降低了计算下近似集的时间复杂度,具有较高的粒度约简效率。     

一种最小测试代价约简的改进算法

传统属性约简的目标是在决策表中的所有条件属性中,选择一组分类代价最小的约简,算法构建了测试代价最小的约简.以往的测试代价约简算法查找成功率不够理想,性能不稳定,提出了一种改进的测试代价约简算法.通过运行2个UCI数据集实验,证明算法是有效的,并为提高测试代价约简算法性能提供了新途径.     

一种具有优先级的参数配对组合覆盖测试集生成方法

参数的配对组合测试广泛用于软件系统错误的检测。然而在实际参数组合测试的应用中，由于时间或预算等限制原因，无法运行整个测试集。在此情况下，必须设置测试案例的优先级。本文引入优先级权值的概念，使用一个贪心算法为已生成的参数配对组合覆盖测试集按照优先级高低进行排序。不论测试在任何时刻中断，都可确保最重要的测试已被运行。     

基于XGBoost的列控车载设备故障预测方法

列控车载设备的健康管理和故障预测是实现高速铁路关键装备智能化视情维护的重要途径.为了克服列控车载设备故障建模的复杂性和健康监测手段受限等问题,充分运用现场收集的设备运行记录数据,提出一种基于数据驱动的列控车载设备故障预测体系框架.建立了高速列车列控车载设备运行数据管理平台,基于大量历史现场数据构建训练及测试样本集,运用极端梯度提升(eXtreme Gradient Boosting,XGBoost)算法实施特定故障类型的模型训练与学习,并将所得故障模型用于故障概率的预测分析.以CTCS2-200H型列控车载设备为对象,运用实际数据对所提出的故障建模方法进行了验证,对不同建模样本规模、故障类型维度下的模型性能以及不同建模算法性能进行了对比.结果表明:基于XGBoost算法的建模方法能够有效揭示各特征量与故障之间的关联,所采用树的深度值越高,迭代收敛速度越快;相较于GBDT、RF算法,基于XGBoost的建模方法能够实现更高的预测正确率,在给定样本条件下达到稳定正确率所需训练时间分别减少了78.55％、12.47％,验证了该方法在大规模数据条件下的适用性和性能优势.     

基于人工免疫算法的高效回归测试用例集约简机制

为了在海量回归测试用例中剔除冗余测试用例,优化回归测试的效率,提出一种基于人工免疫算法的高效回归测试用例集约简机制.首先,构建测试需求覆盖模型,其次,通过适应度函数刻画测试用例集的测试总开销,利用人工免疫算法强大的全局搜索能力约简回归测试用例集.基于真实工程代码构建实验验证了所提机制的有效性,实验结果表明:同现有基于遗传算法的机制相比,在不同的迭代阈值下,平均约简成功率分别从10%,35%和80%提升至100%,同时平均冗余覆盖比率从98%,95%和109%降低到21%,55%和90%,测试用例集约简效果明显;在约简效率方面,所提机制平均迭代次数均小于25次,而对比方案的迭代次数均大于50次,用例约简效率大幅提升.     

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.     

基于分离优势覆盖集的Pythagorean模糊决策信息系统的属性约简

讨论了基于分离优势覆盖集的Pythagorean模糊决策信息系统的属性约简问题.首先基于优势关系,在Pythagorean模糊决策信息系统中给出了优势覆盖集、分离优势覆盖集、D-分离优势覆盖集等概念.进而利用分离优势覆盖集、D-分离优势覆盖集对Pythagorean模糊决策信息系统进行约简.最后,将提出的约简算法与其他约简算法进行比较,验证了所提出算法的有效性和优越性.     

一种基于决策表约简的集覆盖问题的近似解法

集覆盖问题和决策信息表的约简问题分别是优化领域和信息处理领域重要的研究课题,但目前的研究大都针对这两个问题分别独立展开.通过分析集覆盖问题的解结构和决策信息表的布尔约简结构,将两者联系起来探讨.首先,给出一个集覆盖问题的布尔矩阵表示,并通过添加决策属性,对集覆盖中的集合进行分类,进一步诱导出一个以该布尔矩阵为条件属性值的决策信息表.其次,分析了决策表和集覆盖的辨识集之间的关系,证明了集覆盖问题的一个局部最优解恰好是该决策表的一个属性约简,即,求解集覆盖问题可等价地转化为求解决策表的属性约简问题.然后,利用决策表中的条件熵来度量集覆盖中一个集合在集族中的相对重要度,并构造了基于条件熵的集覆盖问题的近似算法.最后,运用实例验证了该算法的有效性和可行性,并将新算法与几个传统集覆盖算法进行了对比.实验结果表明,新算法在求得满意解上具有一定的优势.     

基于邻域粗糙集的极速学习机算法

将基于单隐层前馈神经网络(SLFN)提出的极速学习机(ELM)算法和邻域粗糙集理论进行结合,提出基于邻域粗糙集的极速学习机算法,采用邻域粗糙集对样本集进行属性约简,去掉冗余属性,利用ELM对约简后的数据集进行学习,并对数据样本进行预测。实验表明ELM算法相比具有更高的训练精度和测试精度。     

决策代价约简求解中的交叉验证策略

属性约简是粗糙集理论中的核心问题,其目的是剔除冗余属性以找到具有较好泛化能力的属性子集.在决策粗糙集理论中,决策代价经常被作为属性约简的约束条件.但值得注意的是,虽然基于决策代价的约简求解算法可以有效地降低训练样本集上的总决策代价,但其往往忽视了测试样本集上的总决策代价.为解决这一问题,利用交叉验证的基本思想,设计了以决策代价为约束条件的一种新的属性约简求解算法.在八个UCI数据集上的实验结果表明,相较于传统基于决策代价的约简求解算法,所提算法不仅能有效地降低训练集合和测试集合的总决策代价,而且找出的属性子集亦可以带来更好的分类性能.     

基于计算机虚拟化列车控制系统敏捷测试方法

传统的基于通信的列车运行控制(communication based train control,CBTC)系统测试受真实硬件设备环境的制约而存在瓶颈,针对该问题提出一种基于计算机虚拟化的CBTC系统测试方法.采用计算机虚拟技术模拟物理硬件设备环境,构建CBTC系统虚拟化测试平台.基于该测试平台,设计了一种自适应测试用例约简优排算法,可以在保证测试覆盖率的前提下,约简测试用例的数量,并通过优化测试用例的执行顺序,缩短系统的测试时间.该方法应用于深圳市地铁2号线CBTC系统测试,与传统测试方法进行了对比.实验表明,本测试方法可精简测试用例幅度约45%,测试时间缩短约33%,大幅提高了系统测试效率.     

基于需求的测试覆盖

介绍了测试用例的生成方法、测试用例集优化算法和3种具体的测试需求约简策略TRR—Sub、TRR—Greedy和TRRLinear,从而帮助设计者如何设计出高效、实用的测试覆盖。     

基于邻域粗糙集的连续值分布式数据属性约简

为了去除系统中的冗余属性,保持系统的分类能力,研究了连续值分布式数据的属性约简.给出了连续值分布式决策信息系统中邻域粗糙集的定义,讨论了分布式连续值决策信息系统中正域计算的可分解性.以保持分布式决策信息系统的正域不变为前提,探讨了分布式决策信息系统中属性的可约性,提出了分布式连续值决策信息系统的属性约简算法.为了验证该算法的有效性,在7份数据集上进行了3组实验.实验使用提出的算法对分布式数据进行属性约简,进而采用加权集成的方式进行分类测试.实验结果表明,该算法能够有效去除连续值分布式数据中的冗余属性,使得约简后的连续值分布式数据的集成分类能力与约简前相差不大.甚至更高.     

基于相似依赖度的属性加权决策树算法

粗糙集分析方法利用数据本身提供的信息,不需要任何先验知识即可对已有的知识进行处理,在保留关键信息的前提下,对数据进行简化并求得属性组合。在此基础上提出了一种基于相似依赖度的属性选择算法,从约简出的属性组合中选择与决策属性最为相似的核集,根据属性的相似依赖度作为决策树的加权值,从而建立决策树。通过对影响学生成绩因素的数据进行分析表明,所提出的算法是易于实施的,而且形成的决策树的准确率也有了一定的提高。