差别矩阵属性约简的信息观解释

常见的属性约简定义有三种，即基于代数观的属性约简，基于信息观的属性约简和基于HU差别矩阵的属性约简。已有文献证明这三种属性约简彼此之间不等价。王国胤教授定义了一种新的决策表信息熵计算方法，在此方法基础上给出了粗糙集理论代数观的一种新的信息观解释。最近有学者提出了一种基于新信息熵的属性约简。经深入研究，我们证明了该属性约简与基于HU差别矩阵的属性约简是等价的，从而给出了基于HU差别矩阵的属性约简的信息观解释。     

在VPRS模型中保持边界的属性约简方法研究

讨论了变精度粗糙集模型中现有的属性约简方法，找出了β约简的不足；介绍了Inuiguchi提出的保持决策类下近似，上近似，边界和无法预言区的属性约简定义；说明了保持下近似的属性约简就是β下分布约简，保持上近似属性约简就是口上分布约简；提出了变粗度粗糙集模型中基于边界的属性约简方法，并从理论上证明了它的正确性；最后，给出了该种方法的实现算法。经实例证明，该方法操作简单，具有很高的应用价值。     

基于属性重要性的Rough集属性约简方法

介绍了属性约简的原理，在此基础上提出了基于重要性的约简方法，它是利用属性重要性原理，求取核属性和最简属性约简。并举例与传统的方法进行比较。     

基于二进制的Rough集决策表约简

基于属性约简的分明矩阵方法的思想，该文提出了Rough集不可分明属性模式和属性关系的概念，给出了基于二进制的条件属性约简和属性值约简方法，结果说明，该方法比传统的Rough集理论中的方法更简便、快捷。     

一种实值属性信息系统的粗集约简方法

本文研究应用粗集理论对实值信息系统属性进行约简的方法，对实值属性信息系统进行约简的根本问题是如何对实值属性离散化，通过对离散化方法与属性约简的关系进行研究，提出实值属性离散化的一种自动确定属性类别的方法，并结合粗集理论给出了对实值属性信息系统约简的算法，用所提出的算法进行了实验，并给出了实验结果。     

差别矩阵浓缩及其属性约简求解方法

属性约简是粗糙集理论的重要研究内容之一，已出现大量的属性约简算法，其中基于差别矩阵的属性约简算法是高效属性约简算法之一，但这些算法主要针对一致决策表，而对于不一致决策表，某些情况下不能得到属性约简。为此，本文提出改进的差别矩阵及其属性约简求解方法，统一考虑决策表一致和不一致情况两种情况下的属性约简，有效改进经典的基于差别矩阵求解属性约简的不足。同时，为适应大数据集属性约简需要，提出一种新的差别矩阵浓缩策略，以此提高属性约简的效率。     

基于并行协同进化的属性约简

提出一种求属性集合最小约简的新方法，即基于并行协同进化的属性约简方法．该方法将并行遗传算法和协同进化算法相结合，能有效地处理具有大量属性的信息系统．对各类实验数据的测试表明，该方法得到的属性约简量与基于属性重要性的约简方法相似，在某些情况下求得最小约简的可能性要高于属性重要性方法．     

基于粗糙集的决策规则约简

粗糙集理论是一个新的数据挖掘方法，正越来越被人们所重视。其主要思想是保持分类能力不变的情况下，利用等价类，通过属性约简和决策规则约简，达到发掘知识并简化知识的目的。但是属性约简是一个NP问题，对属性的约简和决策规则的约简只能通过启发式算法实现。该文针对属性约简和决策规则约简，各提出了一个启发式算法。     

一种改进的基于差别矩阵的属性约简方法

粗糙集理论作为一种新型的软计算方法，在数据挖掘方面的应用越来越被人们所重视。利用粗糙集理论进行数据挖掘，得到知识规则，最重要的一点就是基于粗糙集的属性约简。文中在区分矩阵的基础上，改进了计算信息系统属性约简的方法，使属性约简计算量大幅度减小，可以快速得到给定要求下的属性约简。     

形式背景的内积约简

形式概念分析是知识表示与挖掘的重要工具，而形式背景是形式概念分析中的基本概念之一。针对形式背景中对象集在给定属性集内是否拥有相同属性的问题，同时也为解决如何在计算中消除无关属性的问题，提出了新的属性约简类型，即内积约简。首先在形式背景中给出了内积概念；然后利用关系系统的约简理论和方法定义内积约简，并提出了基于差别矩阵的内积约简算法，以得到形式背景下的全部约简，在此基础上，通过交运算可以得到约简核；当属性增加时，设计了增量内积约简算法。最后结合传染病网络探索内积约简的应用，在模拟案例中属性数量从6个约简到2个。模拟结果表明，内积约简具有可行性和可解释性，达到了知识约简目的。     

属性重要性评分方法的改进

研究信息系统的属性重要性评分方法,通过引入敏感系数构建神经网络模型,提出属性重要性评分算法,将信息系统的各条件属性和决策属性构造一个径向基函数(RBF)神经网络。经训练和学习后,综合考虑各属性间的关系,动态调整RBF网络的拓扑结构,评分各属性的重要性。以红籽西瓜性状数据作为样本数据和测试数据进行实例分析,验证该方法的有效性。     

基于小波和RBF神经网络的手写体数字识别

针对传统的手写体数字识别技术的局限性，本文提出了基于小波和RBF神经网络的手写体数字识别方法，即利用小波较强的去噪功能以及RBF神经网络学习快速、容错性较好等优点来解决手写体数字识别的问题。实验表明，该方法的识别正确率较高。     

大规模高维数据集环境下的路面使用性能评价方法研究

传统中由单一的神经网络等算法所构架起的评价模型主要存在着精度低、网络学习速度慢等不合理之处.为此,提出了基于粗糙集和RBF神经网络的大规模数据集环境下的评价方法.首先详解了粗糙集理论对大规模高维数据所确定的宽泛属性集的分类、约简;然后把处理后的数据指标作为RBF神经网络的输入进行训练、仿真.以高速公路路面性能使用评价为...     

基于径向基神经网络的月降水量预测模型研究

针对月降水量高度非线性的特点,以合肥20年的月降水量为时间序列,综合运用径向基函数（RBF）神经网络,建立了一种基于径向基函数的神经网络预测模型。首先对RBF神经网络进行介绍,并将该网络应用于月降水量预测,应用归一化方法对原始数据进行预处理;然后运用MATLABR2008神经网络工具箱函数建立月降水量预测模型;最后进行仿真实验与分析,将RBF神经网络与传统的BP网络训练预测结果进行比较。结果显示,RBF神经网络模型训练的迭代次数和训练时间、预测结果明显好于传统BP神经网络。     

基于径向基函数神经网络的混沌干扰信号检测

为提高强混沌背景下谐波信号的检测能力,提高系统的信噪比,提出了一种在混沌背景噪声中提取正弦信号的RBF神经网络方法。依据混沌吸引子固有的几何特性和混沌系统轨迹点在流形中的演化规律,建立混沌系统的RBF神经网络单步预测模型,改进了网络的学习算法,利用RBF神经网络对输入扰动的敏感,预测出误差信号。分析了在低信噪比下的检测性能。通过对Lorenz流和实际舰船辐射噪声信号中的信号检测进行计算机仿真实验,验证了算法的有效性和可行性,并且实验表明信噪比最低达-40dB时,仍能有效检测出信号。     

Data dimensionality reduction with application to simplifying RBF network structure and improving classification performance

For high dimensional data, if no preprocessing is carried out before inputting patterns to classifiers, the computation required may be too heavy. For example, the number of hidden units of a radial basis function (RBF) neural network can be too large. This is not suitable for some practical applications due to speed and memory constraints. In many cases, some attributes are not relevant to concepts in the data at all. In this paper, we propose a novel separability-correlation measure (SCM) to rank the importance of attributes. According to the attribute ranking results, different attribute subsets are used as inputs to a classifier, such as an RBF neural network. Those attributes that increase the validation error are deemed irrelevant and are deleted. The complexity of the classifier can thus be reduced and its classification performance improved. Computer simulations show that our method for attribute importance ranking leads to smaller attribute subsets with higher accuracies compared with the existing SUD and Relief-F methods. We also propose a modified method for efficient construction of an RBF classifier. In this method we allow for large overlaps between clusters corresponding to the same class label. Our approach significantly reduces the structural complexity of the RBF network and improves the classification performance.     

A fast identification algorithm for box-cox transformation based radial basis function neural network

In this letter, a Box-Cox transformation-based radial basis function (RBF) neural network is introduced using the RBF neural network to represent the transformed system output. Initially a fixed and moderate sized RBF model base is derived based on a rank revealing orthogonal matrix triangularization (QR decomposition). Then a new fast identification algorithm is introduced using Gauss-Newton algorithm to derive the required Box-Cox transformation, based on a maximum likelihood estimator. The main contribution of this letter is to explore the special structure of the proposed RBF neural network for computational efficiency by utilizing the inverse of matrix block decomposition lemma. Finally, the Box-Cox transformation-based RBF neural network, with good generalization and sparsity, is identified based on the derived optimal Box-Cox transformation and a D-optimality-based orthogonal forward regression algorithm. The proposed algorithm and its efficacy are demonstrated with an illustrative example in comparison with support vector machine regression.     

An intelligent neural system for predicting structural response subject to earthquakes

An efficient method is introduced to predict the time history responses of structures subject to earthquakes employing neural network techniques. In order to achieve this purpose, a new intelligent neural system (INS) is designed by combining competitive and radial basis function (RBF) neural networks. In the INS the input space is classified by a competitive neural network (CNN) based on natural frequencies of the structures. Afterward an RBF network is assigned to each class and is trained by using the data located in the class. Results of illustrative examples demonstrate high performance and computational advantages of INS comparing with the single RBF network.     

一种基于优化的RBF神经网络交通流预测新算法

提出了一种基于遗传算法优化的RBF神经网络交通流预测新方法,该方法把遗传算法应用于RBF神经网络的参数确定中,实现了RBF神经网络隐层高斯函数的中心矢量和基宽向量以及隐层与输出层之间的权值的优化,提高了RBF神经网络的泛化能力。仿真结果表明：改进的RBF网络用于交通流预测中具有可靠的精度和较好的收敛速度,具有广阔的应用推广前景。     

基于混沌RBF神经网络的汽油机进气流量预测研究

针对汽油机进气流量的多维非线性特性,提出了一种混沌径向基（RBF）神经网络的汽油机进气流量预测模型。证明了汽油机进气流量时间序列具有混沌特性,对采集的原始数据进行相空间重构,利用RBF神经网络对重构后的数据进行训练和预测,并利用混沌算法确定输出层连接权值和隐含层高斯函数径向基中心,使其达到全局最优,加快了RBF神经网络的收敛速度。仿真结果表明,与空气进气流量平均值模型、RBF神经网络预测模型比较,该模型具有更高的预测精度,为精确及时测试汽油机进气流量提供了一种全新的软件测量方法。