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。     

基于砂体统计参数应用BP神经网络方法识别岩性

随着测井技术的不断进步,测井数据成为获得地层岩性信息的重要依据。岩性识别是测井数据解释中最关键的环节。传统的识别方法效率低、准确性不高、人为影响大、不利于在实际工程的应用。为降低测井曲线岩性分类过程中人工砂体解释工作的繁琐性与主观性影响,在统计参数的基础上,提出一种应用BP神经网络的测井曲线自动解释方法。以工区内已解释岩性的测井数据作为训练数据,选择测井数据中的电阻率、孔隙度、渗透率、泥质含量、深侧向以及浅侧向作为神经网络的输入数据,利用BP神经网络模型对岩性进行识别,输出数据是对应岩性的解释结果。实验数据测试证明,该方法能够自动、快速地实现测井曲线砂体解释,有助于地质工作者进行可靠、有效的岩性识别工作。     

粗集神经网络及其在齿轮箱故障识别中的应用

为有效解决故障诊断中的故障识别问题,提出了一种以强耦合方式进行集成的粗集-神经网络的故障识别方法.该方法通过粗糙集对获得的故障属性进行降维预处理并获取粗集规则,再以所得的粗集规则与BP神经网络进行强耦合对故障进行识别.对该方法以齿轮箱故障识别进行了仿真实验,与BP神经网络的识别效果进行对比,结果表明了粗集神经网络在训练速度、测试精度方面的有效性.     

基于粗集神经网络的分类方法

数据挖掘是近年来发展快速的信息处理新技术,如何有效地从高维的、超大规模数据中提取隐藏的有用信息,是该领域的研究核心。针对海量数据的挖掘分类问题,将粗集和神经网络紧密结合建立一种新的高效数据挖掘模型,即利用粗糙集理论中的知识简化方法,去掉冗余的属性特征和样本,然后,利用性能优良的模糊kohonen 聚类神经网络进行聚类分析,最后形成分类规则。该模型充分融合了粗集强大的规则提取能力和神经网络优良的分类能力。实验证明模型具有很好的分类效率,且有较高的精确性。     

粗集理论在空间数据挖掘中的应用

粗集理论能支持数据挖掘与知识发现的多个步骤，如数据预处理、数据简化、规则生成、数据依赖关系获取等，为数据挖掘与知识发现提供了新的思路和方法。本文将粗集理论引入空间数据挖掘领域，介绍了粗集理论的基础理论和一系列方法，给出了应用实例，并探讨粗集理论在空间数据挖掘中的应用。     

一类正规模糊神经网络及其在复杂水淹层识别中的应用

考虑了一种五层结构的正规化模糊神经网络模型,针对网络结构的优化问题给出了该网络模型的规则层节点的选取方法和相应的反传播学习规则.对于具有较少数输入节点的情况,该网络有较快的训练速度.油藏测井解释中水淹层的识别是石油开发中特别是开发中后期比较突出的一个问题,复杂的地质条件在测井曲线的表现中具有许多模糊性,在各种模糊条件的组合下油藏水淹表现为强水淹、中水淹、弱水淹和无水淹等情形.将正规模糊神经网络用于油藏测井解释中水淹层的识别以提取测井曲线与水淹级别之间的映射关系,从而实现模糊性油藏测井解释中水淹层的识别.实验表明此方法对解决水淹层识别问题具有良好的适应性和实用性.     

基于Zernike矩、粗集和神经网络的数字识别方法

针对无指针式表盘的数字判读问题,提出一种基于Zernike矩和粗集预处理的神经网络数字识别方法。该方法首先利用Zernike矩的旋转不变性特征提取数字图像特征,再对所提取的Zernike矩进行基于粗集的特征约简,约简后的信息输入到训练好的神经网络进行识别。通过实际的表盘分割截取的带旋转的数字识别中试验,结果表明该方法具有识别率高,速度快的特点,具有较高的实时价值。     

基于Zernike矩、粗集和神经网络的数字识别方法

针对无指针式表盘的数字判读问题,提出一种基于Zernike矩和粗集预处理的神经网络数字识别方法.该方法首先利用Zernike矩的旋转不变性特征提取数字图像特征,再对所提取的Zernike矩进行基于粗集的特征约简,约简后的信息输入到训练好的神经网络进行识别.通过实际的表盘分割截取的带旋转的数字识别中试验,结果表明该方法具有识别率高,速度快的特点,具有较高的实时价值.     

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。     

粗集-神经网络在雷达信号识别中的应用研究

信号识别是侦察系统信号处理的目的,是整个雷达对抗信号处理中关键性的一个环节。为解决雷达信号识别的问题,提出将粗集和神经网络紧密结合建立新的识别模型,该模型充分融合了粗集强大的规则提取能力和神经网络优良的分类能力。实验表明,该模型减少了识别的主观因素,简化了神经网络结构,能够对雷达信号有效地识别。     

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。     

A rough set-based multiple criteria linear programming approach for the medical diagnosis and prognosis

It is well known that data mining is a process of discovering unknown, hidden information from a large amount of data, extracting valuable information, and using the information to make important business decisions. And data mining has been developed into a new information technology, including regression, decision tree, neural network, fuzzy set, rough set, and support vector machine. This paper puts forward a rough set-based multiple criteria linear programming (RS-MCLP) approach for solving classification problems in data mining. Firstly, we describe the basic theory and models of rough set and multiple criteria linear programming (MCLP) and analyse their characteristics and advantages in practical applications. Secondly, detailed analysis about their deficiencies are provided, respectively. However, because of the existing mutual complementarities between them, we put forward and build the RS-MCLP methods and models which sufficiently integrate their virtues and overcome the adverse factors simultaneously. In addition, we also develop and implement these algorithm and models in SAS and Windows system platforms. Finally, many experiments show that the RS-MCLP approach is prior to single MCLP model and other traditional classification methods in data mining, and remarkably improve the accuracy of medical diagnosis and prognosis simultaneously.     

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.     

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．     

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。     

Rough sets for adapting wavelet neural networks as a new classifier system

Classification is an important theme in data mining. Rough sets and neural networks are two techniques applied to data mining problems. Wavelet neural networks have recently attracted great interest because of their advantages over conventional neural networks as they are universal approximations and achieve faster convergence. This paper presents a hybrid system to extract efficiently classification rules from decision table. The neurons of such hybrid network instantiate approximate reasoning knowledge gleaned from input data. The new model uses rough set theory to help in decreasing the computational effort needed for building the network structure by using what is called reduct algorithm and a rules set (knowledge) is generated from the decision table. By applying the wavelets, frequencies analysis, rough sets and dynamic scaling in connection with neural network, novel and reliable classifier architecture is obtained and its effectiveness is verified by the experiments comparing with traditional rough set and neural networks approaches.     

基于注意力机制和图卷积的小样本分类网络

深度神经网络在有着大量标注数据的图像识别任务上已经占据了统治地位,但是在只有少量标注数据的数据集上训练一个好的网络仍然是一个据有挑战性的任务.如何从有限的标注数据中学习已经成为了一个有着很多应用场景的热点问题.目前有很多解决小样本分类任务的方法,但是仍然存在识别准确率低的问题,根本原因是在小样本学习中,神经网络只能接收少量有标签的数据,导致神经网络不能获取足够的用来识别的信息.因此,提出了一种基于注意力机制和图卷积网络的小样本分类模型.这个模型不仅能够更好地提取特征,而且能够充分利用提取的特征对目标图像进行分类.通过注意力机制,能够指导神经网络关注更有用的信息,而图卷积使得网络能够利用支撑集中其他类别的信息做出更准确的判断.经过大量的实验,证明了提出的模型在Omniglot数据集和mini-ImageNet数据集上的分类准确率都超过了基于传统神经网络的关系网络.     

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.