一类加权连续属性的多变量决策树构造方法

首先利用粗集理论和模糊聚类理论确定连续多变量属性的选择问题,然后利用聚类中心算法建立等级标准中心以解决连续变量的区间划分问题,其次将等价关系相对泛化的概念用于决策树中多变量检验的构造。最后通过实例说明了本方法是可行的。     

基于核主元分析的非线性动态故障诊断

核主元分析是一种非线性主元分析方法，充分利用核函数来解决非线性映射问题，在高维特征空间中确定主元，具有很好的非线性逼近能力。同时，利用非线性最小二乘法实现核主元分析的变量重构，来识别故障源。将核主元分析应用于连续搅拌釜式反应器系统（CSTR）的故障诊断过程中，仿真结果表明该方法对于故障的检测和故障源的识别都优于线性主元分析法的诊断效果。     

基于核主元聚类的股票分类

为了正确区分不同的股票类别, 降低分类的复杂度,论文结合核主元分析和K均值聚类构造核主元聚类方法对上市公司股票进行了分类处理.在核主元聚类方法中, 首先对样本数据进行预处理,然后利用核主元分析以非线性方式降低数据的维数,再利用K均值聚类方法对降维后数据进行聚类,并最终得到不同的股票分类情况.选择了沪深股市中20支上市公司股票来进行实证分析.实证结果表明：核主元聚类方法取得了较好的分类结果,为上市公司股票分类和评估提供了很好的依据, 具有较好的适用性.     

基于变精度粗糙集的分类决策树构造方法

针对分类决策树构造时最优属性选择困难、难以适合大规模数据集的问题,提出新的属性选择标准--属性分类重要性测度,引入王信度和支持度,设计了基于变精度粗集理论的决策树算法.分类重要性测度可全面刻画属性的综合分类能力,且计算比信息增益简单.决策树生长过程中引入支持度和置信度,以控制决策树的生长,提高决策树对噪声数据集和不相容数据集的处理能力,减小决策树的规模.通过对UCI上5个不同规模和类型的数据集进行测试计算,结果表明算法效率高于ID3算法,与UCI报告的最好结果相当.     

基于主元分析和免疫聚类的双向特征数据压缩方法

针对诊断特征数据中的重复或相似事例样本和特征参量之间可能存在的相关性，提出并实现了一种有效的特征数据双向压缩预处理方法，从而在不损失数据隐含的特征知识的前提下，有效降低学习机器的学习负担。在进行样本参量的降维处理时，采用基于主元分析的横向数据压缩方法，有效地去除了各特征参量之间的相关性。在压缩样本数量时，综述和比较了现有的各种聚类算法，基于竞争和自组织原理，对借鉴生物体的自然免疫系统中克隆选择以及免疫网络自稳定等有关机理的常规免疫聚类压缩算法，作了重要改进，提出了基于主元核相似度的亲和力定义方法，增加了抗原数据归一化、近似样本直接去除等处理步骤，使算法具有更高的执行效率和更广的适应性。并以国际上通用的过程控制仿真对象“Tennessee Bastman”工厂的实际数据进行仿真实验，验证了所提方法的有效性。     

基于属性重要性的决策树规则提取算法

对属性进行约简为从关系数据库中挖掘简洁的规则创造了条件。但从属性约简后的数据集中提取最简规则的问题仍是一个NP难题,一般借助于启发式算法。提出了一种新的基于属性重要性的规则提取算法,称为IADT(importantattributedecisivetree)算法,采用粗糙集理论中的属性重要性概念,通过建立树结构来提取规则。算法可以避免面对NP难题,获得相对简单的规则。计算实例表明,IADT算法具有良好的实用性,有进甚至可以获得最简规则。通过与ID3算法进行的比较表明,IADT算法为规则树算法提供了一种新的属性选择标准。     

基于客观信息熵的多因素权重分配方法

多因素问题研究中各因素的权重分配始终是多因素问题研究的一个重点。借助模糊聚类技术和粗糙集理论提出了一个基于客观信息熵的多因素权重分配方法。该方法首先将大量数据进行模糊聚类,然后应用粗糙集理论中的信息熵知识客观地从实际数据中确定各因素的权重。     

基于模糊聚类和粗糙集的仿真可信性模糊综合评估

为客观有效地解决仿真可信性评估问题,提出基于模糊聚类和粗糙集的仿真可信性模糊综合评估方法。阐述了基于模糊传递闭包法进行模糊聚类分析的基本步骤,分析了粗糙集中属性重要性的相关原理;提出了基于模糊聚类和粗糙集的可信性模糊综合评估模型,利用模糊聚类和粗糙集中的属性重要性原理客观地进行各因素权重分配,结合模糊综合评判进行仿真可信性综合评估;以某飞行视景仿真系统为例,进行可信性综合评估。结果表明,该方法具有一定的合理性和可行性。     

基于主元分析的RBF神经网络多模型切换控制

针对传统多模型自适应控制中子模型数量过多、学习和自适应能力的局限性等问题,将神经网络的学习能力和非线性逼近能力与多模型切换的思想相结合,提出基于主元分析的径向基(RBF)神经网络多模型切换控制算法。首先,基于主元分析法进行工况区域识别。其次,在不同的工况区域内采用RBF神经网络建立多个子模型并设计相应的控制器。最后,根据性能指标函数选择相应的控制器以得到最佳的控制效果。仿真结果表明,该算法大大减少了子模型数量,并改善了系统的动态性能。     

基于属性重要性的多属性客观权重分配方法

针对属性权重完全求知且属性值以连续值形式给出的无决策属性的多属性决策问题,提出了利用属性重要性来进行客观权重的分配方法。该方法根据模糊聚类技术与粗糙集中的相对正域理论,论述了如何从客观数据中根据属性重要性确定各属性的客观权重。通过实例说明了该方法的合理性和有效性。     

基于优势关系和可变精度粗糙集的多准则决策方法

针对不确定性决策问题,提出了一种基于优势关系和可变精度粗糙集理论的多准则决策方法。该方法把基于优势关系的粗糙集模型和基于可变精度粗糙集模型结合起来,在可变精度粗糙集模型中把规则的置信度阈值当作可变精度参数值。首先,给出全部方案的成对比较表。然后,从一部分方案的成对比较表中,利用优势关系粗糙集和可变精度粗糙集的扩展粗糙集理论提取两类优势规则。最后,定义打分函数给全部方案打分,并进行排序,选出最优方案。通过一个简单算例论证了该方法的可行性。     

基于可变精度粗糙集的多决策表分析方法

针对可能存在分类误差缺失信息的群体分类决策问题,提出了一种可以从多个决策表中获取群体分类偏好的可变精度粗糙集方法。该方法通过控制决策者的分类误差率,群体分类一致率及反对率,将多个决策表中符合条件的信息汇集,形成群体分类模式表,然后根据每种分类模式在不同分类误差率和群体一致率下得到支持和反对的频数,得到群体分类模式集合的下近似,即群体分类偏好。给出了应用该方法的具体步骤,算例验证了该方法的有效性。     

基于决策依赖度的粗糙集约简模型研究

为寻求高效的粗糙集约简模型,基于可分辨关系提出决策分辨约简、依赖性和依赖度等概念.与以往粗糙集约简模型相比,为提高约简精确性,提出性能为O(|P‖U|)的等价类划分方法和性能为O(|P‖U/C|)的属性重要性度量方法.同时给出了相关定理和等价命题,论证了传统决策约简模型和决策分辨约简模型的一致性.并基于属性重要性给出性能为O(|C|~2|U/C|)的求核方法和性能为Max{O(|C‖U|),O(|C|~2|U/C|)}的约简模型.新模型充分考虑了核属性和其他属性间的关联,从而有效降低冗余率,解决了对比模型存在的问题.理论和仿真实例分析表明新模型高效且结果准确率高.     

神经网络主元分析的传感器故障诊断方法

针对多传感器故障诊断问题,将神经网络引入主元分析(principal component analysis, PCA)模型之中,提出一基于主元分析的多传感器故障诊断模型。首先,应用传感器正常工作时测量的历史数据,由PCA模型得到所有传感器的预测值。其次,计算传感器系统的平方预期误差值(squared prediction error, SPE),根据系统的SPE值是否跳变,判定有无故障发生。通过分别重构单个传感器信号的SPE值来确定发生故障的传感器。最后,应用一个多传感器故障诊断仿真实例证明了该方案的可行性。     

Support vector classifier based on principal component analysis

Support vector classifier （SVC） has the superior advantages for small sample learning problems with high dimensions, with especially better generalization ability. However there is some redundancy among the high dimensions of the original samples and the main features of the samples may be picked up first to improve the performance of SVC. A principal component analysis （PCA） is employed to reduce the feature dimensions of the original samples and the pre-selected main features efficiently, and an SVC is constructed in the selected feature space to improve the learning speed and identification rate of SVC. Furthermore, a heuristic genetic algorithm-based automatic model selection is proposed to determine the hyperparameters of SVC to evaluate the performance of the learning machines. Experiments performed on the Heart and Adult benchmark data sets demonstrate that the proposed PCA-based SVC not only reduces the test time drastically, but also improves the identify rates effectively.     

一种基于贡献率图的KPCA故障识别方法

提出一种新的针对KPCA模型的故障识别方法——贡献率图法。该方法是在微分贡献率图和核函数导数的基础上提出来的,它采用统计量T2和SPE对每个变量的偏导数来度量每个变量对统计量T2和SPE的贡献率。和基于数据重构法的KPCA故障识别方法相比,该方法不需要任何迭代近似计算和数据的重构,计算量小且可避免重构产生的误差对识别结果的影响。通过在某型涡扇发动机故障检测与诊断中的应用表明,该方法比基于数据重构法的故障变量识别准确率更高,再结合发动机故障机理分析,便可准确地确诊故障,从而大为缩短故障定位及排故的时间,预防重大事故的发生。     

基于决策树的快速SVM分类方法

为提高支持向量机（support vector machine, SVM)算法对大规模数据的适应能力,加快SVM算法的分类速度,提出一种基于决策树的快速SVM分类方法。该方法的重点在于构建一棵决策树,将大规模问题分解为相对简单的子问题,树中节点由线性支持向量机组成,每个节点包含一个决策超平面,分类过程取决于节点的数量。此方法在分类复杂样本时避免了使用非线性核函数。并且由于使用线性核函数,则不用进行模型选择,进一步加快了样本的分类速度。实验表明,针对大规模多特征数据的非线性分类问题,该方法比传统方法具有更高的速度。     

杂合灰色聚类与扩展优势粗集的概率决策方法

为了能够由多标准信息表获取最小的知识表达,提出了一种灰色定权聚类与扩展优势粗糙集杂合的方法,杂合方法建立的基本思路为:首先运用灰色定权聚类方法将由不同量纲偏好属性组成的多标准信息表生成多标准决策表,接下来应用扩展优势粗糙集方法进行概率决策分析,并导出偏好概率决策模型.该方法被应用于区域关键技术的评价选择中,获取的偏好概率决策规则可为决策者提供决策参考.     

基于粗糙集理论的多源信息融合故障诊断方法

在故障诊断中,从包含冗余和不一致信息的数据中获取简单有效的诊断决策规则是一个难题.首先,针对完备信息系统和不完备信息系统分剐提出了相应的融合算法,为解决数据超载以及不完整信息融合问题提供了有效的方法.其次,提出了基于粗糙集理论的多源信息融合故障诊断模型.该模型从包含冗余和不一致信息的原始数据出发,利用基于改进属性重要度的方法实现故障征兆属性约简;然后通过给出的值约简算法进一步产生最大广义决策规则集,建立了用于故障诊断的规则库.最后,在应用该模型进行故障诊断时,用待诊断实例的离散化了的故障征兆属性与规则库中的诊断决策规则进行匹配,对返回的诊断决策规则依据置信度、覆盖度和支持度进行综合评价,并得出诊断结论.给出的诊断实例验证了该方法的可行性和有效性.