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.     

决策表的属性重要性与离散化

运用 Rough集理论处理决策表时 ,要求决策表中的值用离散数据表达。文中形式化描述了离散化问题 ,研究了决策表的属性重要性 ,提出计算条件属性重要性的新方法 ,然后给出基于属性重要性的决策表离散化算法。该算法按照属性重要性从小到大的顺序对每个属性进行离散化 :从可辨别矩阵中得到冲突样本 ,将冲突样本的属性值作为断点的上下界 ,用所有这样的断点化简后得到的断点集对该属性进行离散化处理。     

异源证据间的一致度分析

提出异源证据间的一致度分析问题,将冲突度分析中的冲突与不冲突拓展为一致度分析中的一致、冲突、不一致不冲突.研究了基于Dempster合成正规化前分配给空集的Mass和证据间博彩许诺距离的证据间的一致度的一般数学形式和实用形式,及基于一致度的Dempster组合规则使用判断.通过典型算例与冲突度分析进行对比,体现了一致度分析对应用Dempster组合规则指示的强鲁棒性与合理性.     

基于模糊集和粗糙集的武器系统作战能力评估

为了解决多属性决策中各属性权值常依赖主观确定的问题,提出了一种基于模糊集和连续粗糙集的武器系统作战能力评价模型。对连续系统样本值归一化后,采用模糊偏序模型对各样本进行排序,建立连续值决策信息表,解决了一般粗糙集需要有决策信息表的问题。进而基于粗糙集属性的广义重要度,计算各属性值的权重系数,避免了因属性值离散化对噪声的敏感而造成的不良后果。结合战斗机空战能力评估,验证了该方法对武器系统作战能力评估的可行性和有效性。     

基于GVT的瞬间消息及并发问题的深入研究

对基于GVT算法的全局控制机制中的瞬间消息及并发报告两大难点的核心问题进行深入的研究和讨论。文章首先介绍了GVT的定义,紧接着讨论了它与LBTS的区别,其次分析了瞬间消息问题及其解决途径,在此基础上提出了一种简单的同步GVT算法。文章余下部分深入讨论了并发报告问题,并提供了解决该问题的基本异步GVT算法,最后在深入阐述一致切点、双切点机制的基础上提出了双切点GVT算法,并详尽描述了这个优化GVT算法的设计与实现。     

基于粗糙集的区间型数据离散化算法

针对条件属性取值为区间型数据的离散化问题,提出了一种新的基于粗糙集理论的离散化算法.首先将粗糙集理论中上、下近似的概念进行扩展,用以描述区间数对象间的距离和相似关系,并通过定义相似度阈值来确定对象间的 相似关系.为了达到用最少的离散划分区间得到较好的离散化结果,并合理地确定相似度阈值, 文章给出了粗糙熵的概念.通过离散化属性的上、下近似粗糙熵值的计算以及该属性下各区间数对象的相似度矩阵的确定,可以得到该属性下最终的离散化结果.最后给出了一个烟叶质量等级评价的实例, 实验结果表明该算法是有效的.     

基于混合遗传的粗集理论在工期目标实现中的应用

提出了一种基于混合遗传算法的相对约简算法,把模拟退火融入到遗传算法中形成混合遗传算法,提高了遗传算法的优化效率,并用这种混合遗传算法寻求最小条件属性集及最小属性值约简.并把该算法引入到工程管理中,提出若干条决策规则,工程管理人员按照这种决策规则进行施工过程的管理,确保在预定时间内完成工程任务.如果对整个施工过程的每道工序都提出决策规则,就可以实现施工过程的智能化管理.     

基于遗传算法的泊位连续化动态调度研究

针对泊位调度问题,将岸线连续化,建立了泊位的动态调度模型。考虑到岸边起重机的分配对泊位调度中船舶的集装箱装卸作业时间的影响,根据规则建立了分配岸边起重机和确定船舶集装箱装卸作业时间的算法。基于泊位连续化动态调度模型建立了分段的染色体编码,分别反映船舶靠泊服务顺序和靠泊位置信息。基于实例,通过仿真计算,与泊位离散化动态调度进行了比较和分析。     

基于RS-ANFIS的雷达抗干扰性能评估方法

雷达抗干扰性能评估是雷达系统研制、引进、装备过程中必要的环节. 如何综合评估复杂电磁环境下的雷达抗干扰性能评估已成为研究的重点. 针对现有雷达抗干扰性能评估方法的特点和局限性, 提出了一种基于粗糙集-自适应神经网络模糊推理系统(RS-ANFIS)的性能评估方法. 首先, 针对原始样本数据的不完备性和不确定性, 采用粗糙集理论对原始样本数据进行数据归一化、 离散化、属性约简处理, 并得到覆盖原始样本特征的最小规则集. 其次, 建立了基于ANFIS的Sugeno型性能评估模型, 设计了评估变量的隶属度函数和推理规则, 确定了评估网络各层输入输出关系以及网络学习算法. 最后, 以12组雷达抗干扰性能评估指标为例进行算法模型验证, 表明了方法的可行性和模型的有效性. 实验结果表明, 该方法能够有效改进网络结构, 提高雷达抗干扰性能评估结果的可信度.     

基于模糊关联规则的股票市场交易规则抽取

将模糊关联规则应用于股票市场的交易规则抽取,以期能为投资者投资做出正确决策.首先选用聚类方法对模糊集属性进行离散化,进而构造模糊集和隶属函数,给出模糊集构造算法,最后提出适合股票交易规则抽取的模糊关联规则算法FARS.实验结果表明,所得规则能很好的反映股票交易中的实际情况.     

Half-global discretization algorithm based on rough set theory

It is being widely studied how to extract knowledge from a decision table based on rough set theory. The novel problem is how to discretize a decision table having continuous attribute. In order to obtain more reasonable discretization results, a discretization algorithm is proposed, which arranges half-global discretization based on the correlational coefficient of each continuous attribute while considering the uniqueness of rough set theory. When choosing heuristic information, stability is combined with rough entropy. In terms of stability, the possibility of classifying objects belonging to certain sub-interval of a given attribute into neighbor sub-intervals is minimized. By doing this, rational discrete intervals can be determined. Rough entropy is employed to decide the optimal cut-points while guaranteeing the consistency of the decision table after discretization. Thought of this algorithm is elaborated through Iris data and then some experiments by comparing outcomes of four discritized datasets are also given, which are calculated by the proposed algorithm and four other typical algorithms for discritization respectively. After that, classification rules are deduced and summarized through rough set based classifiers. Results show that the proposed discretization algorithm is able to generate optimal classification accuracy while minimizing the number of discrete intervals. It displays superiority especially when dealing with a decision table having a large attribute number.     

New method for discretization of continuous attributes in rough set theory

A new method for discretization of continuous attributes is put forward to overcome the limitation of the traditional rough sets,which cannot deal with continuous attributes.The method is based on an improved algorithm to produce candidate cut points and an algorithm of reduction based on variable precision rough information entropy.With the guarantee of consistency of decision system,the method can reduce the number of cut points and improve efficiency of reduction.Adopting variable precision rough information entropy as measure criterion,it has a good tolerance to noise.Experiments show that the algorithm yields satisfying reduction results.     

基于离散化分布密度的无人机粗糙决策方法

无人机“精准农业”任务要求无人机能够响应环境信息进行自主决策,从而完成喷绘任务。首先,研究了面向作业要求的空间属性设计规则,根据精准作业条件属性因子的值域分布特点及其样本密度,提出了一种基于高斯分布密度的反正切属性精细离散方法。然后,利用粗糙集属性依赖度的算法求解属性约简,去掉冗余的属性,获取精准作业的粗糙决策规则表。最后,通过试验验证了粗糙决策方法的合理性和准确性。     

基于网络的数值关联规则挖掘方法

关联规则 ( Association Rules)发现的是属性间的关系 .属性可以是逻辑型的 ,也可以是数值型的 .在从逻辑型属性描述的数据中发现关联规则方面已经有许多比较成熟的算法 ,而在数值型属性方面则不然 .将数值关联规则挖掘问题映射成逻辑关联规则挖掘问题是一种方便有效的方法 .本文给出了一个新的数值属性关联规则挖掘算法 ,该算法利用数据本身的特征决定对数值属性值域的划分 ,进而将划分后的所有区间映射为逻辑属性 (项目 ) ,在此基础上可以挖掘出更容易理解、更具有概括性的有效关联规则 .本文给出了一个发现频繁项目集搜索算法 ,并采用一种纵向数据库格式来简化项目集支持度的计算.     

基于相似关系的多属性决策问题研究

属性权重确定是多属性决策问题中一个重要的研究内容。针对属性权重未知的多属性决策问题：首先,指出决策对象与理想对象之间的相似度与决策对象的优势度之间存在直接的关系;其次,借鉴离差最大化算法,提出用属性值的相似度来确定属性权重;再次,利用各个决策对象与理想对象的相似度对各决策对象进行排序并择优;最后,对属性值为区间数的多属性决策实例进行了分析,同时对该算法与离差最大化算法的异同点进行对比。     

基于粗糙集-神经网络的城市产业生命周期识别

以城市经济为背景,提出了基于粗糙集-RBF神经网络的城市产业生命周期识别方法.首先运用基于MDV函数与信息熵的模糊聚类算法进行连续属性离散化处理,然后采用粗糙集理论约简出重要指标体系,最后将训练样本输入RBF神经网络进行学习和训练,并对检验样本的产业生命周期阶段进行判断.对大连市669组样本产业的分析结果表明:基于MDV函数与信息熵的模糊聚类算法能够有效改善离散化效果,且与通常采用的模糊评价法相比,该方法对检验样本预测精度更高,是一种有效和实用的城市产业生命周期识别工具.     

融合新型偏好度模型和改进累积前景理论的决策方法

针对决策问题的不确定性和复杂性以及属性权重和专家权重未知等特征,提出一种融合新型偏好度模型和改进累积前景理论的决策方法。首先,定义群决策问题的基本框架,将属性值和心理参考点改进为区间值;其次,根据区间心理参考点的二维几何表示定义新型偏好度模型,由此确定属性权重和专家权重;再次,聚合专家意见,考虑专家心理行为,由属性值和区间心理参考点的位置关系,得到收益值和损失值的计算公式,进而确定各方案的总前景值及排序关系;最后,通过案例分析和方法对比验证该方法的有效性、可行性和实用性。     

遗传算法在决策表连续属性离散化中的应用研究

连续属性的离散化是压缩数据和简化分析的重要手段 ,也是模式识别、机器学习和粗集分析等领域研究的难点 .目前已出现多种离散方法 ,存在的主要问题是对离散效果影响较大的侯选分割点集选择带有较强的主观性 .最优离散化是 NP-困难问题 ,大多数离散化算法采用的启发式也难以得到较满意的离散效果 .基于粗集理论 ,探讨了上述问题 ,把分割点的优选问题转化为 0 -1整数规划 ,并提出一种用实数编码的遗传算法来计算最优分割点集.     

一种基于双向动态规划的立体匹配算法

提出了一种利用双向动态规划和视差可靠性准则的立体匹配算法.首先,提出了一种新的全局能量函数,它解决了扫描线间的不连续性,同时保护了的视差不连续边缘;其次,利用加强顺序约束和遮挡约束的双向动态规划方法来处理遮挡;最后,在利用三个可靠性准则去除伪视差点之后,使用可移动窗口方法填充伪视差点的视差获得稠密视差图.实验结果表明,该算法在深度不连续区域和大的无纹理区域均能取得很好的匹配效果.