基于动态粗糙集和支持向量机的振动参量预报

为了有效控制爆破振动效应,基于粗糙集和支持向量机,建立了爆破振动参量的预报模型。该模型首先在粗糙集理论指导下利用粒子群算法快速实现属性的动态离散过程,再根据最优粒子建立决策表,通过重要度分析进行次要属性和冗余数据剔除,最后用支持向量机训练余下数据和验证新样本。经工程试验验证,该模型能够同时分析定量因素和孔径、抛掷方向等定性参量对质点振动加速度峰值的重要程度,约简之后的数据有利于支持向量机预报精度的提高。     

基于粗糙集和支持向量机的肿瘤图像识别

设计了一种基于粗糙集与支持向量基的乳腺肿瘤图像识别方法。其基本思想是首先对图片进行降噪预处理,接着提取纹理和形状特征构成表征医学图像的特征矢量,然后将特征离散归一化处理,再用粗集方法进行特征属性约简,最后利用支持向量基进行识别。结果表明,该方法取得了比较理想的识别效果。     

利用粗糙集和支持向量机的银行借贷风险预测模型

将粗糙集和支持向量机相结合,提出利用粗糙集和支持向量机的银行借贷风险预测模型,提高银行个人借贷风险预测精度,为银行判断是否同意借贷提供参考和依据。该模型首先将银行样本数据形成初始决策表,对其进行数据预处理;然后用属性相似度的属性约简算法对决策表进行属性约简,去除冗余属性,获得高效的决策规则;最后将约简后的最小属性作为4种不同核函数的支持向量机学习样本,构建预测模型且进行预测评价对比分析。实验结果表明,使用相同训练样本,高斯核函数的支持向量机预测模型的准确率最高且为93%,说明该预测模型具有较高的精度。通过实验分析,构建预测模型有效地预测了银行借贷风险,且为银行借贷管理提供辅助决策。     

基于粗糙集与支持向量机的分类算法

针对高维大样本环境下支持向量机训练算法面临界的耗时增大与维数灾问题,将序列最小优化算法(SMO)与粗糙集(RS)的数据处理功能相结合,提出一种新的基于粗糙集与支持向量机的分类算法RS.SMO.该算法依据属性的重要性对数据集作属性约简,用粗糙边界集法生成类边界集作为SMO的训练子集,使训练集比原始训练集的维数与规模都有一定程度的减少,可构造出具有较好时空性能的算法.实验结果表明,RS-SMO算法能实现结构风险最小化,且性能优于SMO算法.     

基于粗糙集下近似理论的支持向量机分类方法

传统的粗糙集理论不能处理连续属性,而且得到的分类规则大多比较复杂.支持向量机理论能够得到简洁的分类规则,也能处理连续属性,但仅适用与小样本,对大样本数据集有一定的局限性.文章首先提出了针对连续属性的粗糙集下近似理论,使粗糙集理论能够应用到连续属性.基于上述理论以及支持向量机分类方法仅与支持向量有关的特性.提出了一种先由粗糙集进行预处理的支持向量机分类方法.实验表明,该方法在缩短训练时间的基础上,保留了支持向量机方法所需分类信息,提高了分类精度,克服了SVM算法的应用瓶颈.     

基于粗糙集的支持向量机故障诊断

该文结合粗糙集属性约简及支持向量机分类机理,提出了一种新的故障诊断方法。首先利用粗糙集对过程特征变量进行约简,去除冗余的过程信息,并降低过程数据的维数,获得具有代表性的过程特征信息。基于该特征信息建立支持向量分类机用于故障的诊断。以高压直流输电系统为例,对交流单相接地故障和直流接地故障进行诊断,诊断时间分别为12ms和11ms,诊断正确率分别为98.8%和96.8%。     

基于粗糙集的支持向量机微阵列数据分类方法

DNA 微阵列技术,使人们可以同时观测成千上万个基因的表达水平,对其数据的分析已成为生物信息学研究的焦点.针对微阵列基因表达数据维数高、样本小、非线性的特点,设计了一种基于粗糙集的支持向量机基因表达数据分类方法,该方法采用粗糙集进行基因特征约简,运用支持向量机进行数据分类,实验表明其分类效果良好.     

基于支持向量机的决策系统知识发现

从规则获取和类别预报两方面研究支持向量机(SVM)方法在决策系统知识发现中的应用。对于规则获取，用SVM对决策系统进行条件属性约简并提取特征对象，进而基于较少的特征对象提取规则，使得规则获取的难度和速度都有所改善；对于类别预报，利用SVM对决策系统的对象进行分类，得到一个简单的判决函数。该判决函数可以完成对样本的类别预报，起到与决策规则类似的作用，而且此方法比传统方法简单易行。实验表明，将SVM方法用于决策系统的知识发现，不仅简便可行，而且可以提高速度。对于较大的决策系统更能体现出该方法的优越性。     

不确定支持向量机在洪水预测模型中的应用

准确及时地进行洪水预测对洪水预报、洪水实时调度及水资源的合理调度起着非常关键的作用.提出一种粗糙集理论和支持向量机相结合的洪水预测模型,利用粗糙集理论对支持向量机的输入数据集进行约简预处理,通过发现数据间的关系去掉冗余输入信息,简化输入空间的表达信息,提高支持向量机训练的速度,获得较高的预测精度.实验结果表明,该模型能提高支持向量机训练的速度,获得较高的预测精度.     

基于粗糙集和支持向量机的采空区煤自燃火灾预报

考虑到采用标志气体分析法对煤自燃火灾预报时特征维数较高、特征之间存在冗余且样本有限,文中提出基于粗糙集和支持向量机的采空区煤自燃火灾预报方法。该方法首先采用粗糙集对原始样本去除冗余和特征维数约简得到多组候选特征子集,然后对获得的多组候选特征子集利用支持向量机进行分类和性能评价,选取分类性能最好的一组特征子集用于设计支持向量机分类器,并对采空区遗煤自燃状态进行预测分析。实验选择大同矿区煤样自然发火实验数据,与4种典型分类预测算法的进行比较分析,实验结果表明文中算法预测准确率更高,训练速度更快。粗糙集为煤自燃火灾预报中标志气体选择提供了一个理论依据和新的思路,而支持向量机则提高了煤自燃火灾预测的精度。     

基于灰粗糙支持向量机的连续多属性预测方法

文章对多属性且属性值为连续的决策系统进行预测,提出了灰粗糙支持向量机预测方法.首先采用灰色关联分析计算出条件属性相对于决策属性的重要度;并对连续属性进行离散化,结合Pawlak属性重要度与灰关联度进行约简;将约简后的条件属性作为影响因子,基于支持向量机对决策属性进行预测.实验结果表明,该方法是有效可行的.     

基于RS与LS-SVM多分类法的故障诊断方法及其应用

针对密闭鼓风炉熔炼过程工艺复杂、工况变化较大的特点,提出应用粗糙集(RS)和最小二乘支持向量机(LS-SVM)进行鼓风炉故障诊断的方法.该方法首先利用RS对炉子的故障样本进行知识约简,获得各故障类型的征兆最小条件属性作为特征向量,然后,输入到由多个最小二乘支持向量机构成的多故障分类器中进行故障识别和分类.研究结果表明:该方法具有较强的泛化能力,诊断准确率达到90%以上.     

基于支撑向量机的井眼轨迹预测新方法

提出了一种利用支撑向量机(SVM)进行井眼轨迹预测的新方法,它基于小样本统计学习理论,通过对一口或几口已钻井的轨迹数据进行学习训练支撑向量机,建立井眼轨迹的支撑向量机预测模型。对多口井的实验结果分析表明,该方法估计精度高且易于现场推广使用。     

基于支撑向量机的井眼轨迹预测新方法

提出了一种利用支撑向量机（SVM）进行井眼轨迹预测的新方法，它基于小样本统计学习理论，通过对一口或几口已钻井的轨迹数据进行学习训练支撑向量机，建立井眼轨迹的支撑向量机预测模型。对多口井的实验结果分析表明，该方法估计精度高且易于现场推广使用。     

基于粗糙集和D-S证据理论的交通拥堵预警

鉴于拥堵预警中的信息和知识具有随机性和不确定性、采集到的数据又常常包含着噪声的特点,利用粗糙集能够对数据进行分析和处理,D-S理论能够分析各种不完备信息的特点,提出了一种算法——基于粗糙集和D-S理论,计算交通可能发生拥堵的概率,为交通拥堵预警提供分析与支持.仿真结果表明该方法是可行而且有效的.     

基于支持向量机的不平衡样本分类研究

分类问题是机器学习领域的重要研究方向之一。支持向量机是一种基于结构风险最小化的学习机器,在解决分类问题上有着出色的效果。但基于支持向量机的分类器在处理不平衡样本时,对少类样本分类准确率偏低。诸多研究在对此问题做分析时往往把主要原因归结为各类样本间数量上的不平衡,而没有充分考虑样本点在特征空间上的分布情况。针对此问题做出原因分析,并给出结论:样本的不平衡性主要是由特征空间下各类样本的分布所决定的,而和数量上的不平衡关系较小。通过实验验证结论的科学有效性。     

基于构造化方法的扩展粗糙集模型研究

从构造化方法的角度对粗糙集模型的扩展研究进行了综述.首先阐释粗糙集理论基本体系结构,然后从基于元素、基于粒、基于子系统、概率等多个角度探讨粗糙集理论中上下近似算子的扩展,并介绍了国内外关于粗糙集模型的扩展研究状况,讨论了当前粗糙集理论的热点研究领域,给出了将来需要重点研究的主要问题.     

基于构造化方法的扩展粗糙集模型研究

从构造化方法的角度对粗糙集模型的扩展研究进行了综述。首先阐释粗糙集理论基本体系结构,然后从基于元素、基于粒、基于子系统、概率等多个角度探讨粗糙集理论中上下近似算子的扩展,并介绍了国内外关于粗糙集模型的扩展研究状况,讨论了当前粗糙集理论的热点研究领域,给出了将来需要重点研究的主要问题。