多粒度决策粗糙集中的粒度约简方法

多粒度决策粗糙集模型是一种泛化的多粒度粗糙集模型,该模型结合决策粗糙集数据分析理论和多粒度思想,实现了在多个粒空间进行决策粗糙集理论的建模。在此基础上,利用贝叶斯决策理论具体分析了在多粒度粗糙集模型中乐观和悲观的融合策略下多个粒空间中的概率融合关系,推导出基于最大条件概率和最小条件概率的粗糙集近似表示,进而构建了乐观多粒度决策粗糙集模型和悲观多粒度决策粗糙集模型。在该模型中引入近似分布约简的概念,分析了多个粒空间中的粒度选择问题。基于多粒度近似分布质量定义了多粒度决策粗糙集的粒度重要度,并且基于此给出了悲观和乐观融合策略α-下近似分布约简的粒度约简算法。通过实例验证了该算法的有效性。     

基于粗糙集优化的信息融合故障诊断系统

针对现有的故障诊断技术在应用于电力变压器故障诊断中,存在的冗余信息过多、诊断结果不准确等不足之处,将粗糙集理论与信息融合技术相结合,先利用粗糙集理论对故障系统前期数据进行最大限度的约简,再采用证据理论方法对预处理信息进行融合,进而进行故障模式的分类,可简化故障诊断网络规模,且相比于单一的信息融合的诊断方法,能够更快速、更精确地诊断出变压器故障类型。其研究成果在油浸式电力变压器故障诊断方面具有广阔的应用前景。     

粗糙集理论研究的新进展

首先在粗糙集特点和优点的基础上,介绍粗糙集理论的概念和理论基础,并回顾了粗糙集理论自创建以来的发展历程。接着阐述粗糙集理论的理论研究和应用研究方向。最后,分析粗糙集理论存在的不足和缺点,并指出粗糙集理论研究的发展趋势。     

基于模糊粗糙集和D-S证据理论的多源灌溉信息融合方法

针对多源灌溉信息决策过程中不确定性信息难以融合的问题,提出了一种基于模糊粗糙集和D-S证据理论相结合的决策融合方法。运用模糊粗糙集理论,建立基本概率分配函数,计算各灌溉因子与灌溉决策之间的依赖程度,构建多个融合灌溉因子对灌溉决策的识别框架;然后运用改进的D-S证据理论,进行多源灌溉信息决策层级的融合,最终解决不确定信息的表达和合成问题。应用上述方法对华北地区冬小麦土壤水分、光合速率和气孔导度等信息进行灌溉决策融合,结果显示：灌溉决策的不确定性由融合前的最高38%降至9.84%,该方法可有效地提高灌溉决策精度,降低灌溉决策的不确定性     

粗糙集理论及其在智能系统中的应用

粗糙集理论是一种新型的处理含糊和不确定知识的数学工具，在智能系统中得到了广泛的应用，介绍了经典粗糙集理论的基本思想，上下近似集、属性约简和核等基本概念以及粗糙集的研究现状．介绍了粗糙集理论在智能系统中的应用，主要包括基于粗糙集理论的属性约简作为数据预处理的手段，基于粗糙集理论的相关性分析和基于粗糙集理论的系统建模和控制．指出了粗糙集理论在应用中遇到的问题和可能的研究方向。     

融合粗糙集和DS方法的空中目标类型识别算法

通过分析粗糙集和Dempster-shafe(DS)方法在描述不确定信息上的相似性,将这两种理论融合建立统一框架,提出了融合粗糙集和DS方法的空中目标类型识别算法.该算法通过知识库推导得出基本概率分配函数,采用基于粗糙集的信任函数作为可信度度量,使得改进后的算法更有理论深度.实验结果表明,算法具有良好的运行效果.     

基于可变精度粗糙集的驾驶员多源信息融合研究

研究了应用可变精度粗糙集获取驾驶规则的方法。该方法的特点是可以处理由于类重叠引起的样本信息不精确、不一致情况下的规则获取。粗糙集理论一直用于研究不确定或不精确信息的数据分析问题,其主要思想是在保持分类能力不变的前提下,通过知识约简,导出概念的分类规则。而可变精度粗糙集作为对经典粗糙集理论的扩展,体现了等价类与集合的重叠度程度上的差别。给出了基于可变精度粗糙集的获取规则的方法,以驾驶过程的多源信息融合实例说明其使用方法,并验证了其有效性。     

核属性蚁群算法的规则获取

蚁群算法是一种新型的模拟进化算法,研究已经表明该算法具有许多优良的性质,并且在优化计算中已得到了很多应用.粗糙集理论作为一种智能数据分析和数据挖掘的新的数学工具,其主要优点在于它不需要任何关于被处理数据的先验或额外知识.本文从规则获取和优化两方面研究基于粗糙集理论和蚁群算法的分类规则挖掘方法.通过研究决策表和决策规则系数,建立基于粗糙集表示和度量的知识理论,将粗糙集理论与蚁群算法融合,采用粗糙集理论进行属性约简,利用蚁群算法获取最优分类规则,优势互补.实验结果比较表明,算法获取的分类规则,具有良好的预测能力和更为简洁的表示形式.     

基于粗糙集和神经网络的上海最低工资标准研究

介绍了粗糙集基本理论和基于粗糙集的神经网络建模,根据粗糙集理论的属性约简步骤,提出了融合粗糙集对原有的神经网络模型加以改进的分析研究方法,并将此方法应用于对上海最低工资标准的分析研究,给出了应用此方法进行实证研究的过程和分析结果,并给出了用约简后的属性进行学习过程时的误差分析曲线.旨在保留重要信息的前提下,消除多余的属性数据,提高仿真的精度和速度,从而更好地为政府制定相应决策,提供更科学合理的依据.     

形式概念分析对粗糙集理论的表示及扩展

侧重于建立形式概念分析与粗糙集之间融合的理论基础.利用形式概念分析中名义梯级背景(nominal scale)的概念,对信息系统进行平面梯级(plain scaling)得到了衍生的形式背景.证明了粗糙集理论中的划分、上下近似、独立、依赖、约简等核心概念都可以在相应的衍生背景中进行表示.揭示了粗糙集理论在分析处理数据时的局限性,指出了利用梯级的方法可以扩展粗糙集理论.     

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。     

模糊信息粗传递模型及其应用

在实际的信息传递中人们需要更加准确可靠的信息,而且被传递概念是模糊集合,根据这些信息传递情况,利用粗模糊集理论提出了一种模糊信息粗传递模型,由该模型得到提高模糊信息传递精确度方法。最后给出了该模型的应用。模糊粗传递是粗模糊集的一种新的应用。     

An overview on rough neural networks

This paper is based on rough set theory and neural networks, and mainly introduces the previous researchers how to use rough set theory, which has the superior ability to rule out redundant, and neural networks, which has the self-organizing and self-learning ability to complement each other’s advantages, in order to obtain rough neural networks with better performance. This paper also details the possibility of the integration of these two theories and the current mainstream fusion method and then takes two more mainstream previous neural networks, back-propagation neural networks and radial basis function neural networks, as an example to integrate with rough set theory. This example describes the fusion method, fusion performance, and its corresponding learning algorithm after fusion in detail.     

基于粗糙集神经网络和信息融合的故障诊断

神经网络是智能故障诊断系统的一种重要的方法。粗糙集理论则是处理不完备信息的一种技术。文中以复杂的人工智能诊断问题为研究对象,系统地论述了基于神经网络、粗糙集、信息融合的智能诊断的理论、方法与实践。其主要方法如下:在故障诊断的神经网络模型的基础上,以粗糙集理论中的信息系统属性值表为主要工具,将复杂的组合神经网络约简并删除其中不必要的属性,克服了网络规模过于庞大和分类速度慢的缺点,并给出了基于粗糙集理论的组合神经网络的模型结构,最后再利用数据融合技术,得出更加精确的结果。一个故障诊断实例证明了该方法的有效性。     

基于粗集理论的证据加权组合方法及其应用

对于证据理论中不同来源的证据具有不同的重要性,在信息融合过程中,若能把不同重要性的证据准确表达出来就可以提高融合精度.为此,提出了一种基于粗集理论的加权证据多源信息融合方法,在证据理论中引入证据权的概念,根据粗集理论和证据理论的基本关系,利用粗集理论进行不同信息源证据权的发现.应用柴油机状态评估实例进行验证,研究表明,该方法避免了传统证据理论的主观因素影响,能有效提高融合结果的准确性,并且融合过程更有逻辑性.     

基于粗神经网络的仿人智能机器人的语音融合算法研究

将粗集合理论与神经网络相结合，提出一种基于粗神经网络的新的信息融合方法，用于仿人智能机器人的语音融合。该方法不仅可以接受定量输入，而且可以接受定性输入，即输入是一个范围，或在观测时间内输入是变化的。由于粗神经网络的误差传递函数不可微，所以采用遗传算法来训练粗神经网络。仿真实验结果表明，基于粗神经网络的信息融合方法有效地提高了语音的识别率。     

粗集理论对目标识别中改进融合效果的讨论

应用于目标识别中的数据融合技术，虽已取得一定的成效，但是仍存在一些问题。粗集理论是一种处理不精确知识的数学工具。基于粗集理论的数据融合应用于目标识别中能改进融合的效果。