一种基于粗糙集属性度量的集成分类器

为了准确度量属性的重要性,从基于粗糙集的属性度量视角,提出一种基于混合度量机制的属性评价方法,该方法从不同的信息粒度分析属性的重要性.在混合度量机制中,根据数据分布特点引入参数权重因子.在此基础上,构造一种基于粗糙集属性度量机制的集成分类器.通过实验结果和比较分析表明,所提出的方法能有效地降低数据的属性维度,相比较于单一属性度量准则,分类器具有更好的分类性能.      

状态变量合成的三级倒立摆的模糊神经网络控制

为解决模糊神经网络在控制多变量系统时的规则组合爆炸问题并同时获得最佳结构和参数，结合SCNN训练竞争出最佳模糊标记数以及改进的遗传算法优化网络的权值，提出SCNN优化的用状态变量合成模糊神经网络控制二级倒立摆。该方法既能解决具有快速、强非线性、绝对不稳定系统的控制问题，又能对状态变量可按性质和类型分类的多变量系统，大大减少模糊神经网络控制器的规则数，有利于利用专家的控制经验。实验结果证实该方法的控制效果好，鲁棒性强。     

基于概念格粗糙集的采矿方法优选研究

为了正确选择矿山初选的采矿方法,提出基于概念格粗糙集的采矿方法评价体系。综合考虑影响采矿方法选择的众多因素后,对指标进行分层处理,利用改进的粗糙集建立采矿方法评价体系,生成最少决策规则集。属性约简是粗糙集中的核心问题,选择概念格作为约简工具,对条件属性进行约简。将模型用于15种采矿方法的优选,得到了最大可约简属性集,决策规则集的分类质量为100%。最后,将约简概念格与传统粗糙集中的分辨矩阵进行对比,结果表明：概念格在属性约简方面比分辨矩阵更有效,利用概念格的粗糙集构建采矿方法评价体系对矿山生产具有一定的理论指导意义。     

一种新的模糊系统建模方法研究与应用

基于聚类技术和一类模糊神经网络,提出一种新的自动生成模糊系统规则库的设计方法.通过结构辨识(原始数据聚类得到模糊规则数)和参数辨识(RBF网络优化参数)方法,构造模糊系统完善的模糊规则库.通过对丙烯腈收益率问题及函数逼近问题的仿真,说明了该方法具有规则数目少、学习速度快、建模精度高等特点.     

基于小波变换与PSO-BP神经网络的电能质量扰动分类

针对传统BP算法采用梯度下降算法存在的易陷入局部极小、收敛速度慢等缺点,本文提出了一种基于小波变换和PSO-BP神经网络的电能质量扰动分类方法.用PSCAD/EMTDC仿真几种典型的电能质量扰动,并利用小波变换进行多尺度分解,得到各尺度上信号的能量特征,输入PSO-BP神经网络,实现扰动的分类.仿真结果表明该方法较BP网络收敛迅速,容易达到训练要求,同时该方法具有分类速度快,精确度较高等优点.     

基于FOA-GRNN模型的转炉炼钢终点预报

目前广泛采用的RBF神经网络具有训练时间长与训练困难等缺陷.本研究结合实际生产数据,建立了FOA-GRNN神经网络预报模型,并对转炉终点温度与碳质量分数进行预报.结果表明:与RBF神经网络相比,FOA-GRNN神经网络可以有效提高命中率并满足实际生产要求.当碳质量分数绝对误差小于±0. 03%时,FOA-GRNN神经网络预报命中率可由91%提高至94%;当温度绝对误差小于±15℃时,预报命中率可由89%提高至97%.同时,FOA-GRNN神经网络训练时间在RBF神经网络基础上分别降低了42. 22%与37. 08%,预报结果与实测值的均方差也有一定的降低,故可为现场生产提供重要的参考.     

多输出PID神经网络在碳化塔建模中的应用

碳化过程是纯碱生产中的关键反应.本文针对碳化过程的反应复杂、机理建模难的特点,提出了一种多输出PID神经网络的建模方法对碳化塔内温度分布进行非线性建模,并用梯度法训练该网络.文章讨论了多输出PID神经网络的结构和算法,通过仿真研究得出其良好的实用价值.     

模糊神经网络法在电力工程岩体分类中的应用

应用模糊集和神经网络相结合,运用模糊积分来综合各个子网的输出,提出了岩体分类的方法.根据收集到的岩体分类资料作为样本来训练和检验网络模型.计算结果表明此方法克服了传统人工神经网络计算容易陷入局部最小的缺点.应用此模型对工程岩体进行分类,为工程施工提供依据.     

基于卡尔曼滤波的迟滞神经网络风速序列预测

通过将迟滞特性引入神经元激励函数的方式,构造了一种前向型迟滞神经网络模型.结合卡尔曼滤波方法,将其应用于风速时间序列的预测分析中.在原始风速时间序列的基础上,构造出风速变化率序列.采用迟滞神经网络分别对两种序列进行预测分析,并将预测结果利用卡尔曼滤波方法进行融合,从而得到最优预测估计结果.仿真实验结果表明,迟滞神经网络具有更加灵活的网络结构,能够有效改善网络的泛化能力,预测性能优于传统神经网络.采用卡尔曼滤波方法对预测结果进行融合后能够进一步提高预测精度,降低预测误差.      

基于定量关联规则树的分类及回归预测算法

为了解决基于Apriori的分类关联规则算法挖掘数值型数据时效率和准确率偏低的问题,提出基于定量关联规则树的分类及回归预测算法.采用改进的定量关联规则算法挖掘数值型数据生成关联规则库,并基于关联规则树结构实现分类及回归预测.研究结果表明:改进的Apriori定量关联规则挖掘算法提高了分类预测的准确率并降低了计算复杂度;而采用关联规则树结构可使分类与回归预测时间明显加快,提高了样本匹配学习的速度.