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。     

基于灰色粗糙集与BP神经网络的设备故障预测

为更有效预测设备故障,提出一种基于灰色粗糙集与BP神经网络的设备故障预测模型。用灰色关联分析和粗糙集理论分别对二维故障决策表进行横向和纵向两个维度的约简,将冗余的数据和属性去掉,并将约简后的数据输入到BP神经网络,预测设备故障。最后以地铁信号设备故障预测为例进行实例验证,结果表明,该模型预测误差更小,预测准确率更高。     

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.     

一种改进的神经网络模型在故障诊断中的应用

利用粗糙集理论对知识的约简能力及神经网络的自学习、自适应能力,构建了粗糙集-神经网络故障诊断模型,并对BP和Elman两种神经网络比较分析。仿真结果表明,与BP结合的方法更能简化神经网络结构,减少网络的训练时间,提高故障诊断的准确率。     

粗糙集-BP网络在锌产量预测中的应用

提出了基于粗糙集与改进的BP网络的密闭鼓风炉锌产量预测模型,这样可以根据预测结果调整参数,来达到锌产量的最大化.首先运用粗糙集方法,在不改变训练样本分类质量的条件下,按照属性相对于决策表的重要度的大小,对输入参数集进行约简,确定神经网络输入层变量和神经元个数,再采用基于Levenberg-Marquardt方法的BP神经网络进行预测,仿真结果表明,该方法减少了网络的训练时间,改善了学习效率,具有较高的预测精度,是可行的、有效的.     

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。     

基于粗糙集和信息熵的BP神经网络故障诊断

针对粗糙集只能处理量化数据,容错和推广能力较差的缺点以及BP神经网络的维数灾难问题,提出1种基于信息熵的粗糙集属性离散化方法. 该方法利用粗糙集对属性进行约简,解决BP神经网络的维数灾难问题,并将BP神经网络用于模式分类补偿粗糙集属性约简用于模式分类时的不足. 实例分析表明该方法具有较好的故障诊断效果.     

基于粗糙集与BP神经网络的多因素预测模型

运用粗糙集方法和信息熵概念，在不改变训练样本分类质量的条件下，按照输入影响因素相对于输出的重要度的大小，对输入参数集进行约简，确定神经网络输入层变量和神经元个数。通过对典型样本的学习，建立粗糙集BP神经网络多因素预测模型，将其用于导弹系统研制费用预测。结果表明，该方法减少了网络的训练时间，改善了学习效率，具有较高的预测精度，是可行的、有效的。     

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.     

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。