基于粗糙集的交叉覆盖神经网络研究

在探讨交叉覆盖神经网络的基础上,提出了一种基于粗糙集理论和交叉覆盖神经网络的集成算法.首先应用粗糙集对原始数据进行约简处理,在保证信息完整性的同时,减少了数据的维数,然后使用交叉覆盖算法设计多层前向网络.通过使用粗糙集进行数据约简,减少了交叉覆盖算法的计算量,降低了网络计算的复杂性.实验结果证明了此集成方法的有效性.     

一种新的粗糙神经网络的构造算法研究

将粗糙集理论同神经网络结合起来,提出了一种新的粗糙神经网络的构造算法。该算法针对含有连续属性的不一致决策表,采用整体离散化方法,对连续属性离散化,并用离散后的结果作为输入向量;然后利用粗糙集理论对不一致性决策表进行属性约简,减少神经网络的输入向量;最后使用经典数据对该神经网络进行训练。结果表明本神经网络提高了网络的收敛速度和泛化能力,改善了网络的预测性能。     

粗糙集与模糊神经网络集成在故障诊断中的研究

考虑模糊聚类的数据离散功能,粗糙集理论对决策系统的约简能力,以及模糊神经网络在模式识别方面具有的优势,提出了粗糙集一自适应模糊神经网络推理系统（ANFIS）集成进行故障诊断的方案：首先,应用SOM方法离散故障诊断数据中的连续属性值;然后,基于粗糙集理论计算诊断决策系统的约简,按照实际需要确定诊断条件;最后,根据系统约简设计ANFIS进行故障诊断。4135柴油机的实际诊断结果验证了文中提出集成故障诊断方案的可行性。在数据充分的条件下,该方案可以推广应用于其它机械设备。     

基于粗糙集理论的属性约简算法研究

数据挖掘是近年来数据库领域中出现的一个新兴研究热点,它是从大量数据中获取知识。进行数据挖掘的方法很多,粗糙集方法便是其中的主要方法之一。属性约简算法是基于粗糙集理论的数据挖掘模型中的关键步骤,同时也是粗糙集理论研究中的一个研究重点。通过对粗糙集理论的属性约简算法的深入研究,本文提出了一种改进的属性约简启发式算法。该算法建立在可辨识矩阵计算基础上。改进算法基于Hu的算法与Jelonek算法,在计算可辨识矩阵的基础上,保证最终能够找到决策信息系统的一个约简,同时较Jelonek算法相比,运算时间明显减少。     

基于粗糙集和神经网络理论的规则提取算法

提出了一种基于粗糙集和神经网络组合进行规则提取的方法。首先对初始数据集进行离散化,并利用粗糙集对决策表中的条件属性进行初步约简,然后利用神经网络对数据进行学习和预测,并通过删除网络不能分类的数据来对决策表中的噪声进行过滤,最后再由粗糙集值约简算法进行规则提取。实验表明,该方法相对于传统规则提取算法快速有效,在保留神经网络高鲁棒性的同时,避免了从神经网络中提取规则的困难。     

粗糙集和集成神经网络在钻井专家系统中应用

针对煤矿钻井领域一直凭借经验施工的现状,设计了一种基于粗糙集和集成神经网络的煤矿钻井故障诊断专家系统模型.系统利用权值平衡调节和学习率自适应联合算法对集成神经网络不断进行训练学习,通过正反向混合推理机制验证事故的存在性,同时采用粗糙集值约简算法进行规则提取,以提高集成神经网络的可解释性.实践证明,系统在处理诸如钻井故障这类复杂问题时是一种特别高效的工程化计算方法,为科学钻探提供了有力的保障,在提高钻进效率同时,能够有效地阻止钻井事故的发生.     

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。     

基于矩阵保留策略的邻域粗糙集属性约简算法

在基于邻域粗糙集的属性约简算法中,正域计算是保证其有效性的重要依据,也是影响其时间开销的最主要部分。为了减少算法时间开销,通过对现有算法FHARA的正域计算进行改进,采取保留策略,利用矩阵保留度量计算值的平方,将原本◢n◣维上的计算改进为1维上的计算,从而缩减了每次度量计算的时间,并在此基础上提出了基于矩阵保留策略的邻域粗糙集属性约简算法,最后通过多个UCI数据集验证了该算法。与现有算法相比较,实验结果表明,对大部分数据集而言,该算法能有效且更快速地得到数据集的属性约简。     

混合智能系统R—CSNN及其应用

常见分类算法面对海量数据时，在时间效率、鲁棒性和精确性上都显示出了不足。为此，本文将混合智能系统引入到神经网络分类算法的研究中，针对传统神经网络算法在训练速度和鲁棒性上的不足，提出了一个基于粗糙集、免疫算法和神经网络的混合智能系统。该系统以粗糙集为前端处理器，在保证一定信息量的基础上对输入到神经网络的数据进行约简，接着用改进免疫算法作为学习算子的神经网络进行训练。最后，通过UCI下的数据库进行仿真实验，验证了该系统的有效性。     

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.     

基于Rough集的交叉覆盖算法设计

1.引言人工神经网络因其特有的信息处理能力和独到的解算能力取得了长足的发展,引起各方面的广泛关注,当前已经有许多人工神经网络模型在视觉、语言、信号处理、自动控制、函数逼近、金融证券等领域获得成功的应用,但诸如BP网络等模型也存在一些带有共性的缺点,比如:学习和训练时间很长、学习收敛性很难保证。文[2]根据神经元的几何意义提出的     

基于LVQ神经网络的改进覆盖算法

覆盖算法是一种具有高分类准确度和强泛化能力的构造性神经网络分类算法。针对其选择覆盖中心的随意性,结合竞争性神经网络方法对覆盖算法进行改进,在覆盖学习之前进行预学习,选择最佳覆盖球形中心,来优化覆盖。通过标准UCI测试数据实验的比较,从分类的准确性和覆盖个数方面进行对比,得到改进的覆盖算法有很好的效果。     

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。     

基于论域空间模糊划分的粗集神经网络

针对粗集神经网络构建过程中的论域空间划分问题,提出一种基于模糊聚类的论域划分方法。将带交叉变异算子的粒子群优化算法(PSO)与模糊C-均值聚类算法(FCM)相结合,给出一种新的模糊聚类算法CMPSO-FCM,该算法具有良好的搜索能力和聚类效果。提出一种基于信息熵的模糊粗糙集决策规则获取方法,并用获取的规则指导粗集神经网络的构建。实验结果表明,该方法构造的神经网络具有更精简的结构、较好的分类精度和泛化能力。     

粗糙集属性约简方法在股票预测中的应用研究

针对神经网络在股票预测中遇到的困难,在预测模型中引入粗糙集理论,提出一种基于粗糙集与神经网络相结合的预测方法,并根据基本遗传算法的弱点对其进行了改进。首先,介绍了基于遗传算法的属性约简方法,对各遗传因子进行改进。然后,采用基于改进遗传算法的属性约简方法对模型的样本数据进行约简,删除冗余数据,得到样本输入的最小约简。最后,利用约简后的样本对预测模型进行训练与检验。实验结果表明,该方法具有较高的预测精度,能有效地解决网络结构复杂、学习速度缓慢等问题。     

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.     

粗神经网络及其在图像融合中的应用研究

粗集理论能够优选数据,但容错性与推广能力比较弱;而神经网络具有较强的自组织、容错以及推理能力,却不能优选数据。把这两种理论结合起来,使之发挥各自优势,然后把它们用于图像融合之中,并提出了一种基于粗神经网络的图像融合方法,该方法使用遗传算法作为神经网络的训练算法。通过仿真实验表明,在对融合来自同一景物的多幅带噪声图像的应用中,该方法取得了很好的效果。     

基于粗糙集理论的神经网络研究及应用

为了补偿神经网络的黑箱特性并提高其工作性能，将粗糙集理论同神经网络结合起来，提出一种基于粗糙集的神经网络体系结构．首先，利用粗糙集理论对神经网络初始化参数的选择和确定进行指导，赋予各参数相关的物理意义；然后，以系统输出误差最小化为目标对粗糙神经网络进行训练，使其满足性能要求．实验结果表明，粗糙神经网络能较好地完成数据挖掘任务，并能获得较高的分类精度．     

RS-GA神经网络无人机受风情况估计

针对现有无人机（Unmanned Aerial Vehicle,UAV）风场估计方法中存在的计算复杂、需额外搭载传感器等问题,提出基于粗糙集遗传神经网络的无人机受风状态估计方法。该方法利用粗糙集分析方法对无人机上采集的姿态信息数据集进行约简;利用遗传算法全局搜索能力强的特点优化神经网络的初始权值;用简化的无人机数据集训练神经网络即得到所需神经网络风场估计模型。仿真结果表明,该方法具有较高的识别率以及较短的训练时间,证明了其在无人机风场估计上应用的有效性。     

人工神经网络设计算法的研究

人工神经网络在计算机领域中仍然是一个有待进一步研究的问题。文中介绍了目前使用的几种不同的人工神经网络设计算法：BP算法、FP算法、多层前向网络的交叉覆盖设计算法。探讨了这些算法的应用和特点，并从原理和设计思路上进行了分析。对BP算法和交叉覆盖算法给出具体的测试结果，解释并说明了各种算法的优缺点。重点研究并介绍了目前流行的多层前向网络的交叉覆盖算法的设计思路和应用方法，测试结果证明了该方法在智能识别领域的有效性。