基于自适应遗传算法的股票预测模型研究

为了解决单一神经网络模型很难满足股票预测建模要求的问题,提出一种基于遗传算法的粗糙集属性约简方法和神经网络相结合的预测模型。在该模型中,改进了自适应性遗传算法的交叉算子与变异算子。基于该遗传算法的粗糙集属性约简相比传统的粗糙集属性约简,其具有更强的求解最小属性约简的能力,解决了神经网络预测时训练速度慢、内存开销大等问题;在数据预处理过程中,引入聚类分析,有效解决了连续属性离散化的问题。实验结果证明,该预测模型具有较高的预测精度,在时间序列的股票预测中是相当有效的。     

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。     

混合属性约简方法在电力负荷预测中的应用

影响电力短期负荷预测精度的因素众多,为了找到负荷值与各种外在因素之间的关系,提出了一种基于粗糙集理论的混合属性约简算法,并对与预测日相似性数据进行快速约简,讨论了基于混合属性约简和BP神经网络相结合的预测模型。实验结果表明,这种方法提高了短期电力负荷预测精度。     

基于粗集属性约简的电力供应量SVM回归预测

采用基于粗糙集属性约简的支持向量机回归预测模型对我国电力供应量进行预测。根据电力供应量及其影响因素的历史数据建立决策表,利用动态层次聚类法对决策表中的连续属性进行了离散化;运用属性约简算法进行约简,提取出主要因素,并将其作为样本的特征,应用支持向量机回归预测模型对电力供应量进行预测。五年预测结果表明：与SVR模型相比,结合了属性约简方法的RS＆SVR模型充分利用了更少但是主要的预测因子的信息,预测精度有一定提高,应用效果较好。     

基于粗糙集神经网络的燃煤发热量预测模型

通过对粗糙集和BP神经网络的分析研究,以专家系统为核心,提出了一种基于粗糙集神经网络的燃煤发热量预测模型;选取影响燃煤发热量的6个参数,利用粗糙集理论对原始信息表进行约简操作,去除冗余的属性和属性值,得到约简规则,并将其作为BP神经网络的输入,对燃煤发热量进行预测;通过分析对比线性回归方法和粗糙集神经网络方法,说明该模型能有效地简化神经网络的网络结构,减少网络的训练步数,提高网络的学习效率,能够较准确地对燃煤发热量进行预测。     

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.     

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。     

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.     

遗传算法优化的RS-BP神经网络在聚合釜故障诊断中的应用研究

针对如何通过聚合釜运行时的各项历史数据,进行聚合釜的故障诊断分析和预测,本文提出了一种方法,即基于粗糙集RS-BP神经网络相结合建立数据模型,并利用遗传算法进行模型结构优化。一方面利用遗传算法对数据的粗糙集进行属性约简,保留了必要属性,约去不必要的冗余数据,减少诊断模型的输入维数,降低过拟合现象。同时利用遗传算法对BP神经网络的初始权值和阀值进行结构优化,提高其预测精度,并将其应用于聚合釜的故障预测和诊断中,仿真实验验证了该方法的有效性。     

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.     

Prediction of service life of large centrifugal compressor remanufactured impeller based on clustering rough set and fuzzy Bandelet neural network

In order to predict the service life of large centrifugal compressor impeller correctly, the rough set and fuzzy Bandelet neural network are combined to construct the novel prediction model which can give full play to theirs advantages. The attribute reduction algorithm based rough set and clustering method is firstly designed to optimize the inputting variables of fuzzy Bandelet neural network. And then the prediction model based on fuzzy Bandelet neural network is proposed, the Bandelet function is used as the excitation function of hidden layer and is combined with fuzzy theory to improve the prediction effectiveness of the prediction model. The training algorithm of fuzzy Bandelet neural network is designed based on improved genetic algorithm, the improved genetic algorithm introduces the adaptive differential evolution method into the traditional genetic algorithm, which can effectively optimize the parameters of fuzzy Bandelet neural network. Finally, the original 30 input variables of fuzzy Bandelet neural network are reduced to 9 input nodes based on rough set using 500 remanufacturing impellers as research objects. The service life of remanufacturing impeller is predicted based on three prediction models, and simulation results show that the fuzzy Bandelet neural network optimized by improved genetic algorithm has highest prediction precision and efficiency, which can correctly predict the service life of remanufacturing impeller.     

基于粗糙集神经网络的旋转机械故障诊断

针对旋转机械故障和故障征兆关系的复杂性及神经网络在故障诊断中存在网络结构复杂和训练时间长等问题,提出了一种基于粗糙集与神经网络结合的故障诊断方法;采用自组织映射方法对属性进行离散化,设计了一种自适应遗传算法对属性进行约简,将获得的最小条件属性集作为神经网络的输入;以轴承的故障诊断为例进行分析,结果表明,该方法在保证诊断正确率的同时,可以有效简化神经网络的结构,降低网络的训练时间;另外,设计的自适应约简算法在保证获得最小约简的基础上,大大加快了收敛速度;该方法可推广应用在其它机械设备的故障中。     

基于改进的粗糙集和神经网络的WSN故障诊断

综合粗糙集理论和人工神经网络的优点,提出了改进的粗糙集理论算法,并结合人工神经网络,实现了一种无线传感器网络(Wireless Sensor Network,WSN)节点智能故障诊断方法。首先基于WSN的应用环境和故障特征的分析,通过数据采集、数据预处理和数据压缩来获得诊断决策表,并利用粗糙集中改进的归纳属性约简算法(Improved Inductive Attribute Reduction Algorithm,IIARA)对决策表进行属性约简,从而提取对故障诊断贡献最大的最小故障诊断特征集合,进而确定后端径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的拓扑结构。最后通过网络训练建立故障征兆与故障类型之间的非线性映射关系,得到诊断结果。仿真实验结果显示,该诊断算法在对WSN节点进行故障诊断时,可以有效地减少网络输入层个数,简化神经网络结构,减少网络的训练时间,提高模型的诊断准确性。     

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.     

粗糙集和神经网络方法在数据挖掘中的应用

提出了一种基于神经网络和粗集的数据挖掘新方法。首先利用粗集理论对原始数据进行一致性属性约简,然后使用神经网络对数据进行学习,并同时完成属性的不一致约简,最后再由粗集对神经网络中的知识进行规则抽取。该方法充分融合了粗集理论强大的属性约简、规则生成能力和神经网络优良的分类、容错能力。实验表明,该方法快速有效,生成规则简单准确,具有良好的鲁棒性。     

A forecasting method of forest pests based on the rough set and PSO-BP neural network

In order to improve the forecasting accuracy of the occurrence period of insect pests, this paper proposes a kind of forecasting method based on the combination of rough set theory and improved PSO-BP neural network. It takes insect pests of Euphrates poplar forests as the object of study. First, an attribute reduction algorithm of rough set is used to eliminate redundancy attributes. Input factors of the forecasting model of insect pests (temperature, humidity and rainfall) can be reduced from sixteen to eight. Then, particle swarm optimization (PSO) algorithm is improved using the inertia weight, and weights and thresholds of BP neural network are optimized using the improved PSO algorithm. Finally, the forecasting model of insect pests is established using rough set and an improved PSO-BP network. The test results show that rough set theory can effectively reduce the feature dimension and the improved PSO algorithm can reduce the iteration times, with an average accuracy of 94.8 %. This method can provide the technical support for the prevention and control of the insect pests of the Euphrates poplar forests.     

基于粗糙集的进化神经网络入侵检测系统研究

针对目前实时入侵检测系统所处理的网络数据具有的非线性和高维的特点,提出基于粗糙集理论的进化神经网络入侵检测方法。对网络中截获的数据,利用粗糙集属性约简方法对其属性集进行约简,得到影响分类精度的重要属性。把约简后形成的训练样本进行数值化和归一化处理,作为神经网络的输入数据,再利用遗传算法较强的宏观搜索能力和全局寻优的特点,优化神经网络权值,并在此基础上进行神经网络学习,从而建立入侵检测系统的优化分析模型。实验结果表明,该算法学习速度快,有效提高了入侵检测系统的检测效率。     

基于粗集理论与神经网络技术规则提取的研究

为了从大量数据中获取有用的知识,提出了基于粗集与神经网络技术的数据挖掘方法。首先利用粗集理论消除冗余的属性,得到数据集的一些规则,然后利用这些规则构造神经网络,利用神经网络技术完善粗糙规则。文章就这一技术的研究方法作了综述,并提出了改进的粗集约简方法.     

基于云计算的层次粗糙集模型约简算法研究

传统的并行属性约简算法通过利用抽样技术获取小数据样本进行知识约简,但对于大数据集来说,样本数据不具有一般性且无法代表整个数据集.为了弥补传统并行属性约简算法只能用来计算最小属性约简、处理小数据集的缺陷,论文通过分析了先验知识在粒计算中的重要性,结合云计算技术处理海量数据的优势,以粗糙集理论为背景,从不同角度、层次出发建立层次粗糙集模型,提出基于云计算的层次粗糙集模型约简算法,讨论并实现了知识约简算法中的可并行化操作,利用Hadoop在普通计算机集群上进行试验,从运行时间、加速比、可扩展性三个方面对所提出基于正区域、信息熵、边界域算法的重要性进行评价.实验证明：基于云计算的层次粗糙集模型约简算法可以有效处理大数据集.