基于粗糙集-BP神经网络的垃圾破碎机故障诊断

针对目前垃圾破碎机故障诊断效率低的问题,设计了一种基于粗糙集理论与BP神经网络的故障诊断系统。结合粗糙集理论和BP神经网络的优点,首先利用粗糙集对原始故障诊断样本进行处理,然后对条件属性进行约简,删除冗余的信息,减少神经网络输入端的数据,从而简化神经网络的结构。并将基于粗糙集-BP神经网络的故障诊断系统对垃圾破碎机进行故障诊断。利用粗糙集对故障知识进行约简,简化BP神经网络结构,提高故障诊断的速度及准确度。将此方法应用于某型号垃圾破碎机的故障诊断中,诊断结果表明所提诊断方法可简化神经网络结构,提高诊断效率。     

基于广义粗糙集与神经网络集成的旋转机械故障诊断研究

故障诊断规则中判断条件的冗余、不完全和不确定性不利于实际应用。采用广义粗糙集理论对旋转机械振动故障诊断的非完备决策系统进行了约简 ,得到了更为简明的最优诊断规则 ;根据约简结果 ,建立了基于神经网络的故障诊断系统 ;网络的训练对比结果表明 ,基于粗糙集理论的约简处理简化了神经网络结构 ,提高了网络的训练效率 ;以诊断实例验证了广义粗糙集理论与神经网络集成进行故障诊断的可行性     

基于粗糙遗传BP神经网络的滚动轴承故障诊断

为了提高滚动轴承的故障诊断效率和精度,将粗糙集理论和遗传BP神经网络相结合,提出了一种新的滚动轴承故障诊断方法。首先利用粗糙集理论对故障诊断决策表进行属性约简,以简化BP神经网络的结构及降低计算量。然后利用遗传算法来优化BP神经网络的参数以达到最优泛化能力,从而建立粗糙遗传BP神经网络故障诊断模型。以美国凯斯西储大学的轴承数据为例,通过MATLAB仿真,结果表明该方法不仅可以克服BP神经网络的缺陷、减少遗传寻优迭代次数,还能提高故障诊断精确度。     

一种多准则库存分类的混合预测方法

提出一种基于混合模型，对企业库存信息管理系统中的物质项目进行多准则分类预测的方法。整个分类过程包括两部分：其一，以粗糙集方法作为初始分类工具，实现库存分类中多准则属性的约简，减少计算量．但不损失任何有效信息，同时，基于提出的三个信息测量概率规则，发展了抽取决策规则的穷尽算法和覆盖算法；其二，对于不能由粗糙集模型正确分类的物质项目，进一步采用BP算法的人工神经网络进行分类。该方法不仅克服了神经网络分类模型输入个数受限的缺点，而且可得到较高的预测精度。为验证方法的有效性，仿真实验时比较了具有BP算法的神经网络模型和粗糙集模型的分类预测精度。结果表明，混合模型是企业库存信息管理系统中进行决策预测的一种可行方法。     

粗糙集用于故障诊断中的测点优化配置

提出了一种基于粗糙集属性约简技术的测点优化配置方法。首先根据齿轮箱的故障机理确定了基本测点,采用粗糙集理论建立了测点优化决策表;然后提出了采用基于属性频率的差别矩阵法求取最小属性约简集,避免了复杂的布尔运算;最后通过对约简集进行分析找到了有效的信号监测点,并且应用BP神经网络进行了仿真验证。实验结果表明该方法不需要对监测对象建模,也不需要进行动力学分析,而是根据时频域指标与故障种类之间的关联程度选择有效监测点,通过监控有效监测点,采集有效故障信息,有利于提高故障诊断的效率和准确率。     

数据挖掘在短时交通流预测模型中的应用研究

为准确地对交通流进行短时预测,提出了一种新的基于数据挖掘技术的预测模型。该模型综合了改进遗传算法、粗糙集理论和小波神经网络三种数据挖掘技术。建模阶段分为离散化、属性约简和训练三个步骤。在离散化的过程中,采用了改进的遗传算法,保证了系统分类能力,且使断点数目最少;属性约简中采用了粗糙集理论,选择对交通流预测密切相关的属性,加速了小波神经网络的预测速度并使其结构简化;训练中利用了小波变换非线性特性,采用经过属性约简后的数据对小波神经网络进行训练,从而获得短时预测模型。为验证模型的有效性,进行了对比测试,分析结果证实了该预测模型比传统方法具有更高的精度和速度,为交通流的准确实时预测提供了一种新的思路。     

基于GA-BP神经网络的刀具寿命预测研究

刀具的使用寿命对于刀具需求计划制定、刀具生产准备以及切削参数的设置等具有重要影响。为了准确预测刀具使用寿命,在BP神经网络中引入了一种新型遗传算法,提出了一种基于遗传算法优化的BP神经网络的刀具寿命预测方法。BP神经网络中的权值和阈值利用遗传算法进行优化处理,训练BP神经网络预测模型求得最优解。实验结果表明,基于GA-BP神经网络刀具寿命预测方法相比传统BP神经网络预测具有更高的寿命预测精度,为刀具需求制定、成本核算、切削参数的制定提供了理论依据。     

粗神经网络在煤与瓦斯突出预测系统的应用

在综合研究了各种算法的基础上,将粗集理论和BP神经网络结合,充分利用了粗集算法能够去除冗余信息,BP神经网络能够精确加快收敛速度的优点.利用具体网络建立一个突出预测机制,并利用该预测机制对矿井瓦斯突出情况进行模拟预测.实际应用效果表明:采用基于MATLAB神经网络工具箱的BP网络模型,能克服一般BP网络收敛较慢的缺点,能加快收敛速度.实验结果表明:基于粗集- BP神经网络的预测模型可靠,收敛速度快,预测精度高,效果良好.     

粗糙集-神经网络计算机网络故障诊断方法研究

本文用粗糙神经网络进行计算机网络故障分类判断。首先用粗糙集理论对计算机网络的状态属性进行了约简,将庞大的状态属性表约简为最小属性表,然后将最小属性表作为三层前向神经网络的训练样本,构造了基于三层前向神经网络的计算机网络故障的分类判断系统。实践表明,粗糙神经网络计算机网络故障分类判断系统提高了故障诊断速度,其准确率比单独采用粗糙集方法或人工神经网络的方法都高。     

基于RS-SVM的TN软测量建模研究

采用粗糙集理论(RS)约简属性,在保留重要信息的前提下消除冗余信息,简化了模型结构。而支持向量机(SVM)是一种基于统计学习理论的新型学习机,本文根据TN(总氮)难于在线测量的情况,采用RS-SVM方法,用某城市污水处理厂的实际水质参数数据,建立了出水TN基于粗糙集-支持向量机的软测量模型。和未经粗糙集预处理的支持向量机模型及粗糙集-BP神经网络(RS-BPNN)模型进行了比较,选择RS-SVM模型作为最终的软测量模型。结果表明,有粗糙集预处理后,不仅测量值的误差值更小,而且大大降低了输人数据的维数,减小了模型的规模,更有利于软测量模型的实用化。同时也表明支持向量机作为建立软测量模型的工具,具有良好的性能,比神经网络更加具有优势。