基于粗糙集和BP神经网络的天然裂缝识别

研究粗糙集理论和BP神经网络算法,以及如何结合两者构建天然裂缝智能识别的应用.选取与天然裂缝发育有关的测井曲线作为样本集,先用粗糙集理论约简样本信息,然后采用BP神经网络识别天然裂缝.给出了基于粗糙集和BP神经网络的天然裂缝智能识别的设计方案,通过长庆油田实际油井的应用,结果表明这种识别方法效果显著.粗糙集有效地约简样本信息,BP神经网络很好地识别天然裂缝,故基于粗糙集和神经网络的智能识别方法切实可行.     

仪表表盘数字识别方法的研究

针对无指针式仪表表盘的数字识别问题,提出一种基于特征提取和粗糙集特征约简的神经网络数字识别方法.该方法首先利用数字图像预处理技术处理图像并利用特征提取方法提取数字图像特征,然后利用粗糙集理论进行特征约简,最后将约简后的信息输入到训练好的神经网络进行识别.     

一种基于计算智能的油气层识别方法

油气层识别是测井解释的一项主要任务,现今采用基于统计学理论的常规识别方法本身存在不少缺点因而在应用中无法取得理想的效果。为此提出了一种基于粗集和神经网络的智能识别方法,先用粗集理论约简样本信息,然后采用带有非线性连接权的神经网络来识别油气层。通过塔里木油田实际油井的应用,结果表明这种识别方法的准确率远高于常规方法,且效果显著。     

无指针式仪表表盘数字识别方法的研究

针对无指针式仪表表盘的数字识别问题,提出了一种基于特征提取和粗糙集特征约简的神经网络数字识别方法.首先利用数字图像预处理技术处理图像,并利用特征提取方法提取数字图像特征;然后利用粗糙集理论进行特征约简;最后将约简后的信息输入到训练好的神经网络进行识别.实验表明,相对于传统方法,该方法具有识别率高、速度快的特点,实用价值较高.     

基于神经网络数字识别方法的研究

针对无指针式仪表表盘的数字识别问题,提出一种基于特征提取和粗糙集特征约简的神经网络数字识别方法;该方法首先利用数字图像预处理技术处理图像并利用特征提取方法提取数字图像特征,然后利用粗糙集理论进行特征约简,最后将约简后的信息输入到训练好的神经网络进行识别;实验表明,相对于传统方法,该方法具有识别率高、速度快的特点,具有较高的实用价值;并且该方法在保留神经网络高鲁棒性的同时,为快速准确地进行数字识别开辟了新的途径。     

基于粗糙集和神经网络的供应链绩效预测研究

文章从知识发现和数据挖掘的角度,利用粗糙集和BP神经网络的理论和方法,建立了基于粗糙集和BP神经网络相结合的供应链绩效预测模型。并结合一个供应链绩效预测实例,首先对其基于平衡记分卡的指标体系进行了约简,然后将约简的评价指标输入到BP神经网络中进行智能训练,最后把预测的样本输入到训练好的BP网络中得出供应链绩效的预测值,预测结果与实际结果基本吻合。     

基于粗糙集-BP神经网络的机车滚动轴承故障诊断

论文提出了一种基于粗糙集理论与BP神经网络相结合的机车滚动轴承故障诊断方法.首先对原始故障诊断样本的连续属性进行离散化处理,然后利用粗糙集理论,对条件属性进行约简,删除冗余信息,最后将约简的最小属性集作为BP神经网络的输入,并设计BP神经网络对滚动轴承进行诊断.仿真结果表明粗糙集-BP模型不仅简化神经网络结构,而且提高了收敛速度和故障诊断正确率.     

粗糙集理论的带钢表面缺陷图像的识别与分类

针对带钢表面的划伤、黑斑、翘皮、辊印、褶皱和压印6种典型缺陷,提取样本图像的灰度、纹理和几何形状特征等20维特征向量;给出粗糙集理论的关键技术,基于粗糙集理论构造带钢表面缺陷图像识别的决策表,对决策表进行属性约简,并直接从训练样本图像中导出决策规则;应用所获取的规则对带钢表面缺陷测试样本图像进行分类,并同BP算法进行对比,验证了基于粗糙集理论的分类识别算法的有效性。     

供应链核心企业绩效决策研究

从知识发现和数据挖掘的角度,利用粗糙集和BP神经网络的基本理论和方法,建立基于粗糙集和BP神经网络的核心企业绩效改进决策模型框架结构,并给出其中的基于分辨矩阵的指标约简方法和基于梯度的BP算法。最后结合一个实例,首先对其基于平衡记分卡的指标体系进行了约简,然后将约简的评价指标输入到BP神经网络中进行智能训练,并与未进行指标约简的训练结果进行了对照分析,二者结果基本一致。在此基础上,依据指标的权重,提出核心企业绩效改进的决策意见和措施。     

基于粗糙集和神经网络集成的贷款风险5级分类

建立了粗糙集与神经网络集成的贷款风险5级分类评价模型,该模型首先利用自组织映射神经网络离散化财务数据并应用遗传算法约简评价指标;基于最小约简指标提取贷款风险5级分类判别规则以及对BP神经网络进行训练;最后使用粗糙集理论判别与规则库匹配的检验样本风险等级,使用神经网络判别不与规则库任何规则匹配的检验样本风险等级.利用贷款企业数据库698家5级分类样本进行实证研究,结果表明,粗糙集与神经网络集成的判别模型预测准确率达到82.07%,是一种有效的贷款风险5级分类评价工具.     

基于粗糙集与神经网络的故障诊断研究

通过引入粗糙集理论,利用可辨识矩阵约简算法对故障诊断决策表进行属性约简,剔除其中不必要的属性,然后构造改进的BP神经网络作为粗糙集的后端处理机,构造了基于粗糙集与神经网络的故障诊断模型。仿真结果表明,该方法可以有效地减少输入层个数,简化神经网络结构,减少网络的训练时间,在故障诊断中有良好的应用前景。     

粗糙集CMAC神经网络及其在非线性系统辩识中的应用

提出了一种基于粗糙集规则提取的CMAC神经网络非线性系统辩识策略。该策略利用粗糙集理论对数据样本进行数据浓缩，提取初步的映射规则。对初步的规则通过神经网络进行粗映射，利用神经网络的分类逼近能力，建立输入状态空间到输出空间的精确映射，大大提高了神经网络的收敛速度和逼近精度。通过一个非线性系统对该神经网络进行了实验，结果表明，该神经网络具有分类逼近能力强、计算量小等优点。     

基于粗糙集理论和BP神经网络的数据挖掘算法

根据数据挖掘中粗糙集理论和BP神经网络各自的优势和存在的问题,提出了一种将粗糙集理论和BP神经网络理论结合在一起的算法。该算法利用粗糙集对属性的归约功能将数据仓库中的数据进行归约,并将归约后的数据作为训练数据提供给BP神经网络。通过粗糙集归约,提高了训练数据表达的清晰度,也减小了BP神经网络的规模,同时利用BP神经网络又克服了粗糙集对噪声数据敏感的影响。文中提出了代价函数,解决了训练数据与网络精度的问题,也提供了由粗糙集归约向BP神经网络训练转变的依据。     

基于粗糙集和遗传算法的神经网络模型研究

提出一种基于粗糙集理论和遗传算法的神经网络模型和它的构造方法.该模型先利用粗糙集理论进行属性约简;利用遗传算法优化BP网络参数;用约简结果和优化的BP网络参数进行网络训练.仿真实验结果表明,该模型能简化网络训练样本,优化神经网络结构,提高系统的学习效率和精度.此方法是有效可行的,具有理论意义和实用价值.     

Rough Neural Network of Variable Precision

In this paper, a new method is described to construct rough neural networks. On the base of rough set model, we present a method to develop rough neural network of variable precision and train it using Levenberg–Marquart algorithm. The method is particularly attractive because it combines the advantages of both rough logic networks and neural networks. In our system, weak generalization in rough sets theory and complexity in neural network are avoided while anti-jamming performance is highly improved and the network structure is also simplified. In experiments, the network is applied to classification of remote sensing images. The results show that our method is more effective and successful than application of rough sets and neural network separately.     

RS-IPSO-BPNN模型在建筑工程估价中的应用

针对一般建筑工程估价问题的复杂性,融合粗糙集理论、粒子群算法和神经网络算法的优势,提出了一种新的建筑工程估价模型--基于粗糙集理论、改进粒子群算法和神经网络算法集成的建筑工程估价模型。利用粗糙集理论对影响建筑工程造价的因素进行约简,优化BP神经网络的输入变量;利用一种带收缩因子的改进粒子群算法优化BP神经网络初始权重和阈值。该方法有效地增强了BP算法对非线性问题的处理能力,同时提高了BP算法的收敛速度和搜索全局最优值的能力。选取湖南某市工程案例进行实证分析。研究结果表明,新的算法模型能够以工程特征为依托,科学客观地评估建筑工程造价,具有较高的实际应用价值。     

粗糙集-神经网络在作战效能评估中的应用

为了提高作战效能评估的准确度,将粗糙集理论和神经网络引入到作战效能评估研究中,提出了粗糙集与神经网络相结合的作战效能评估方法.应用粗糙集简化神经网络训练样本数据集,在保留重要信息的前提下消除冗余的数据,仿真实验表明评估精度提高了,并且能获得更好的效果.以坦克作战效能为例,构建了坦克的效能评估模型,给出了基于粗糙集和神经...     

Granular neural networks

Fuzzy neural networks (FNNs) and rough neural networks (RNNs) both have been hot research topics in the artificial intelligence in recent years. The former imitates the human brain in dealing with problems, the other takes advantage of rough set theory to process questions uncertainly. The aim of FNNs and RNNs is to process the massive volume of uncertain information, which is widespread applied in our life. This article summarizes the recent research development of FNNs and RNNs (together called granular neural networks). First the fuzzy neuron and rough neuron is introduced; next FNNs are analysed in two categories: normal FNNs and fuzzy logic neural networks; then the RNNs are analysed in the following four aspects: neural networks based on using rough sets in preprocessing information, neural networks based on rough logic, neural networks based on rough neuron and neural networks based on rough-granular; then we give a flow chart of the RNNs processing questions and an application of classical neural networks based on rough sets; next this is compared with FNNs and RNNs and the way to integrate is described; finally some advice is given on development of FNNs and RNNs in future.