基于决策树的轨道电路故障诊断知识表示方法研究

针对ZPW-2000A无绝缘轨道电路故障逻辑机理模糊的问题,本文采用了基于决策树的轨道电路专家系统知识表示方法.该方法首先将轨道电路故障影响较大的特征向量样本建立故障决策表,然后运用最小信息熵算法对属性值离散化,根据决策树算法快速学习及分类的特点对离散后的数据样本进行训练学习,生成故障决策树后进行知识规则的获取,在专家系统的知识库中以产生规则存储.通过对ZPW-2000A无绝缘轨道电路的实例分析验证了该方法在轨道电路专家系统知识表示与获取中的有效性和实用性.     

基于粗糙集和MRF的彩色图像分割方法

提出了基于粗糙集和马尔科夫随机场(MRF)的彩色图像分割方法.将图像分割分为两个阶段:粗分割阶段和细分割阶段.基于粗糙集分割方法不仅仅考虑了每个像素点的颜色特征,也考虑了像素点邻域的颜色信息,这提高了粗分割的分割精度.在基于粗糙集分割的基础上,采用颜色特征和纹理特征,建立多特征的自适应可变权重马尔科夫随机场分割模型,再利用禁忌搜索算法逐步更新像素点标记,实现图像的最大后验概率估计.传统的MRF分割模型中需要人工设定图像分割数目以及随机给定初始分割,文中的算法,初始分割和初始类别数都将由粗分割获得.实验表明,文中算法可以有效地实现彩色图像分割.     

基于粗糙集的转炉炼钢知识发现模型

针对转炉炼钢知识发现的特点,采用粗糙集理论进行分析,应用数据清洗、标准化及离散等方式对转炉炼钢生产数据进行预处理,以炼钢生产的主要影响因素作为知识发现的条件属性,以转炉冶炼终点控制目标作为知识发现的决策属性,建立了基于粗糙集方法的转炉炼钢知识发现模型,实现转炉炼钢生产知识的自动发现、获取和规则提取。以转炉冶炼终点钢水温度的变化规律做为知识发现的决策属性,采用210 t转炉炼钢实际生产数据进行模型的应用测试,结果表明提取出的铁水硅含量、铁矿石质量、氧气消耗量等影响因素对转炉冶炼钢水终点温度存在重要影响,且模型提取出的转炉炼钢终点钢水温度知识规则与现行转炉炼钢现场的变化规律一致,证明基于粗糙集方法的转炉炼钢知识发现模型的有效性。     

基于动态约简的铁路牵引供电系统故障诊断研究

对铁路牵引供电系统中的复杂信息进行采集并构建决策表,基于动态约简方法建立故障诊断数学模型,降低了已有诊断方法中对专家主观判断的依赖性,提高了故障诊断结果的可靠性。后对津山线牵引供电系统的故障情况进行了分析。     

基于模糊近似空间的S-粗集模型研究

基于近似空间,对原始S-粗集模型进行了扩展.提出了基于模糊近似空间的S-粗集模型,讨论了模型的上下近似算子的性质;接着分析了此模型与已有模型的相互关系,最后通过实例对此模型进行了说明.     

基于覆盖的多粒度决策理论粗糙集模型

经典的多粒度决策理论粗糙集是基于论域上的等价关系而建立的,然而在实际应用中等价关系很难得到和把握.本文结合多粒度决策理论粗糙集模型,基于覆盖粗糙集理论提出了基于覆盖的多粒度决策理论粗糙集理论,推广了前人的工作.     

《南开大学学报》(自然科学版)2014年总目次

<正>~~     

基于模糊粗糙集的半监督影像分类算法

针对影像分类中少量标记样本问题,提出了基于模糊粗糙集的影像半监督分类算法.首先,通过模糊粗糙集对数据的粗糙性与模糊性进行建模,采用归一化的模糊互信息来度量特征与类别信息的相关性,并利用模糊上下近似度量样本的类别隶属度;然后,结合归一化的模糊互信息改进正则化框架下的特征评价方法,在谱图分析的半监督特征选择框架下实现特征优选;其次,结合近邻约束提高模糊上下近似预测样本类别的准确性,设计基于模糊粗糙集的约束自学习,选择信息量大的未标记样本更新训练样本集;最后,利用新的样本集训练分类器,完成影像分类任务.多组实验表明所提算法能够在少量标记样本的条件下有效提高影像的分类精度.     

基于粗糙注意力融合机制与Group Transformer的视网膜血管分割网络

视网膜血管的形态学变化对早期眼科疾病的诊断具有重要意义,除眼科疾病外,糖尿病、心血管疾病等同样可以通过视网膜血管的形态判别疾病进展。然而,视网膜血管本身具有复杂的组织结构,且易受到光线等因素的影响,对其准确分割并不容易。针对上述问题,提出了一种视网膜血管分割网络。该网络中首先设计了粗糙注意力融合模块(rough attention fusion module,RAFM),该模块基于粗糙集上下近似理论,利用全局最大池化与全局平均池化对注意力系数进行上下限描述,并串行融合通道注意力机制与空间注意力机制;然后,将粗糙注意力融合模块融入Group Transformer U network (GT U-Net),构建一种基于粗糙注意力融合机制与Group Transformer的视网膜血管分割网络;最后,基于公开DRIVE彩色眼底图像数据集进行对比实验,该网络结构在测试集上的准确率、F₁分数、AUC值分别达到了0.963 1、0.848 8和0.981 2,与GT U-Net模型相比,F₁分数、AUC值分别提升了0.35%、0.21%;与其他当前主流...     

一个关于数字图像处理的变精度形态学模型

基于形态学的基本理论,通过包含度和集合间大包含度包含关系的定义,建立一种新的变精度形态学模型.该模型与经典形态学相比,在使用上具有更强的灵活性,且经典形态学只是该模型的一种特殊形式.最后通过实验仿真,将其用于图像去噪和边界提取,验证了该模型的灵活性,并且所得效果明显优于经典形态学算法.