基于小波能量谱和粗糙集的离心式压缩机振动故障诊断

结合小波能量谱和粗糙集理论各自优点,采用尺度小波能量谱计算公式对实测的时域信号进行尺度小波能量谱计算.以尺度小波能量谱为特征参数,对应故障为决策属性,结合粗糙集理论进行故障诊断规则获取,从而提出一种基于小波能量谱和粗糙集理论的离心式压缩机振动故障诊断方法.研究结果表明:测试样本对象诊断正确率为100%;该方法不需要精确计算离心式压缩机振动的故障特征频率,与传统的提取时域和频域参数方法相比,诊断正确率达88.5%.     

基于遗传小波神经网络的电梯故障诊断分析

利用小波分析具有能量分布特征提取的特性和遗传算法优化BP算法的能力,提出了一种基于遗传算法、小波与神经网络的电梯故障诊断方法,并应用电梯故障数据作为实例进行了验证.遗传算法小波神经网络模型诊断速度快、鲁棒性好、故障诊断正确率高.     

基于遗传算法和粗糙集理论的增量式规则获取方法

规则获取的增量式算法是数据挖掘领域的一个热点问题.基于粗糙集理论,从规则获取和优化两方面研究了基于遗传算法的增量式规则挖掘方法,它具有结构简单、搜索效率高、求解速度快等优点.通过研究决策表和决策规则系数,建立基于粗糙集表示和度量的知识,并且将遗传算法和规则挖掘算法相结合,建立了新的优化方法,提出了一种基于遗传算法的增量式规则挖掘的方法.在原有规则集的基础上进行规则和规则参数的增量式更新,避免了为更新规则而重新运行规则获取算法.试验结果表明,执行增量式GA的能够有效地获取最优规则.     

基于遗传小波神经网络模型的脱机签名鉴定

根据脱机中文签名的特点,提出了一种用基于遗传算法的小波神经网络进行脱机中文签名鉴定的方法.基于遗传算法的小波神经网络模型结合了遗传算法的全局搜索能力和小波神经网络快速高精度的特点,克服了梯度下降法易陷入局部极小和引起振荡效应等缺点.该模型用遗传算法对小波神经网络的各参数进行前期优化训练,再用梯度下降法对参数进行二次优化.实验结果表明,将此模型用于脱机签名鉴定系统,与单独采用BP网络或小波神经网络相比,性能有明显的提高.     

雷达系统故障的诊断技术

对雷达系统故障诊断技术作了归纳和分类,分析了当前故障诊断技术的优缺点,重点讨论了以下8个方法:基于知识的智能故障诊断方法;对神经网络故障诊断方法;粗糙集诊断方法;基于遗传算法的故障诊断方法;故障树的诊断方法;专家系统故障诊断方法;基于小波分析的故障诊断方法;模糊故障诊断方法.最后,指出了雷达系统故障诊断技术在当前和今后的研究重点和方向.     

改进小波神经网络的C4ISR安全态势预测方法

提出了一种基于改进小波神经网络优化参数的指挥信息系统安全态势预测方法.该方法通过改进的小生境遗传算法构建了基于小波神经网络优化参数的网络安全状况预测模型,利用自适应遗传算法对小波神经网络参数进行调优,增强其搜索能力.同时,为解决自适应遗传算法容易陷入局部最优且收敛速度慢的问题,提出利用小生境技术和模糊聚类技术来处理.仿真实验结果表明,与传统算法相比,所提算法具有更快的收敛速度和更好的预测精度.     

关于几个数据挖掘技术的讨论

本文讨论了数据挖掘技术的研究进展,并对三种方法进行了深入的研究关联规则、粗糙集、遗传算法.     

基于遗传算法的Parzen窗离散化方法

为解决连续属性无法直接用于粗糙集理论中这一问题,将Parzen窗方法和遗传算法相结合,提出了一种全新的属性离散化方法。该方法首先选取较多个断点将连续属性分为较多类,然后结合粗糙集理论的一致性要求和Parzen窗所反映的离散结果稳定性指标定义遗传算法的适值函数。仿真结果表明:使用该方法得到的离散结果能得到较少个断点,并且保持数据原有的分类能力。     

基于粗糙集和遗传神经网络的智能决策方法

为解决多属性决策中的高维、非线性问题,提出一种基于粗糙集和遗传神经网络的智能多属性决策方法.利用粗糙集对多属性决策问题的条件属性进行约简,用遗传算法直接训练神经网络的权重形成遗传神经网络,约简后的属性数据进入遗传神经网络的智能决策系统.实证结果表明,该方法具有较好的泛化能力,与标准支持向量机方法相比,该方法具有一定的优势.     

基于遗传算法的WANN的汽车发动机故障诊断分析

利用基于遗传算法的全局优化能力,小波分析具有数据压缩和特征提取的特性,神经网络具有非线性映射和学习推理的优点.结合三者的特点,提出了一种基于遗传算法、小波与神经网络的汽车发动机故障诊断方法,应用汽车发动机的故障数据作为实例验证,GA-WANN模型诊断速度快,鲁棒性好,故障诊断正确率高.