粗糙集理论在步战车故障诊断专家系统中知识自动获取的应用

根据粗糙集理论,实现步战车故障诊断专家系统知识自动获取。首先根据历史故障数据建立决策表,利用粗糙集数据挖掘算法对决策表进行属性约简,对得到的决策表消除冗余,再利用属性值约简算法对决策表进行属性值约简,最后得到决策规则。知识库由条件表、结论表和事实表组成,保存在Access2003中。把条件属性保存到知识库的条件表中,把决策属性保存到知识库的结论表中,这样就很方便的建立了知识库。     

关于粒度熵的知识约简算法

针对现有知识约简算法中存在的不完备性问题,提出了一种基于粒度熵的启发式知识约简算法,将该算法应用于电力变压器故障诊断决策表的约简,避免了选择约简集的盲目性,同时也大大提高了故障诊断的效率。     

基于主曲线的脱机手写数字识别

该文提出了一种基于主曲线的脱机手写数字识别方法.该方法将主曲线及知识约简算法运用于识别模型中.主曲线是主成份分析的非线性推广,它是通过数据分布"中间"并满足"自相合"的光滑曲线.它较好地反映了数据分布的结构特征.粗糙集理论的知识约简是从决策表中获取决策(分类)规则的有效工具.本文将主曲线用于训练数据的特征提取,根据主曲线的特征生成决策表;利用我们提出的知识约简算法对决策表进行处理,自动获得分类规则.这种方法既符合人的识别习惯,又克服了利用统计特征识别所带来的不足.实验结果表明了该方法能有效提高手写数字的识别率,为脱机手写数字识别的研究提供了一条新途径.     

基于粗糙集理论的油泵车故障诊断专家系统的知识获取

在传统的故障诊断专家系统的基础上,引入粗糙集理论以解决专家系统较难获取完备知识系统的瓶颈问题。该系统从历史故障数据所形成的决策表出发,通过粗糙集数据挖掘算法获取故障诊断的最小约简属性集和潜在的诊断规则,并建立诊断规则知识库。通过计算规则隶属粗糙度来表示诊断规则的置信程度。本文中以YYBC-2型航空液压油泵车液压系统中的故障诊断分析为例进行了验证。     

粗糙集-遗传神经网络在挖掘机故障诊断中的应用研究

针对当前单一的故障诊断方法不能满足实际需求的问题,提出了一种粗糙集-遗传神经网络分类器模型,实现对挖掘机故障分类.该模型首先利用粗糙集理论对神经网络的输入进行属性约简,以减少神经网络的工作量;利用遗传算法优化BP神经网络,解决神经网络易陷入局部极小和收敛速度慢的问题;最后利用约简结果和优化的BP网络进行网络训练.实验结果验证了该方法用于故障诊断的有效性.     

一种基于关系矩阵维度增量式约简算法

目前决策表的数据信息都是动态变化的,为了有效地对这些数据集进行属性约简处理,在改进的等价关系矩阵的基础上,提出一种增量式属性约简算法,决策表增加了一些属性,利用更新前决策表的等价关系矩阵和属性约简等信息,便能快速求解出更新后的决策表属性约简.实验结果进一步验证了该方法的有效性和正确性.     

基于粗糙集的文本自动分类方法的研究

提出一种利用粗糙集理论生成文本分类规则的方法 ,通过将文本关键词的权值进行离散化处理后 ,作为规则的条件属性 ,文本所属的类别用作决策属性 ,构造决策表。然后通过属性约简和规则化简提取出文本的分类规则。该方法生成的规则易于理解 ,分类准确度较高 ,分类速度快。     

机载稳定平台伺服系统故障分析及诊断方法研究

针对在恶劣环境下运行的随动稳定平台伺服系统,采用故障树分析法确定其故障类别和逻辑关系,基于粗糙集理论建立原始决策表,使用可辨识矩阵与遗传算法相结合的方法对其进行约简,以约简后的决策表作为学习样本,训练Elman神经网络后生成故障诊断模型,使用测试样本进行校验,故障诊断正确率达98%,表明了该诊断方法的可行性,对故障模型较为复杂的稳定平台伺服系统的诊断应用具有实践意义。     

粗糙集数据挖掘及其在汽轮机故障诊断中的应用

针对当前专家系统知识获取瓶颈的难题,提出了基于粗糙集数据挖掘的汽轮机故障预报及诊断方法。将汽轮机故障历史数据首先进行模糊化及离散化处理,然后构建故障诊断决策表,以决策表作为主要工具,即“知识库”,采用粗糙集数据挖掘方法直接从决策表中提取出潜在的诊断规则,为汽轮机提供有效的故障诊断。提出了基于粗集的分类规则学习和约简算法,实现了基于粗糙集数据挖掘的汽轮机故障预报及诊断系统,其诊断正确率达到了88%。实验表明该方法可行,对汽轮机故障预报及诊断系统的设计具有借鉴意义和深入研究的价值。     

一种基于约简树的决策表属性约简方法

本文首先给出了约简树的定义，提出了采用宽度优先的策略构造约简树，在构造约简树的过程中。把某个结点处决策规则是杏一致作为在该结点处是否可以继续构造子树的条件，把该结点是否已经出现过作为剪枝条件，并把相对核作为构违约简树的一个重要的终止条件。随后研究了约简树的性质，找到了基于约简树的决策表的极小属性集。最后分析了该方法在最好和最坏情况下的时间复杂度。实例分析表明，该算法能有效地对决策表进行属性约简。     

一种改进的设备故障诊断方法

提出了一种新型故障诊断的粗糙集方法.在粗糙集知识系统中信息熵概念基础上,重新定义了一种信息熵度量方法,并运用信息熵判断系统状态:基于粗糙集优越的约简理论,运用一种改进的区分矩阵方法形成一种综合策略的诊断规则.该方法有效地解决随机误报以及信息丢失和信息不完备情况下仍保持着较好的诊断性能,并降低了计算复杂度,减少了计算开支.     

SVM与证据理论集成的信息融合故障诊断技术研究

提出了支持向量机和证据理论结合的思想;建立了支持向量机初步诊断与证据理论融合决策诊断相结合的信息融合故障诊断模型;给出了基于SVM的基本概率分配构造方法和诊断决策规则.以200 MW汽轮发电机组故障诊断为例,充分地验证了该方法的诊断性能.     

基于改进决策树的电网配电线路故障自动辨识研究

为精准识别电网配电线路故障,文中设计了一种基于改进决策树的电网配电线路故障自动辨识方法。该方法引进了HHT技术,根据电网运行需求,处理电网配电线路故障数据,提取线路故障数据中的特征量数据;利用粗糙集进行电网配电线路故障数据的属性约简处理,消除冗余的特征数据,将其他具有代表性的特征数据录入终端,生成故障决策树,并根据决策树上的属性条件,提取决策规则;提取电网配电故障线路报警信号中的数据属性条件,按照决策表提取的决策规格对属性条件进行熵值排序,并以此为依据,完成电网配电故障线路的搜索与诊断。实验结果证明,该方法可以精准辨识电网中的故障线路,精准排查配电线路中的异常线路。     

粗糙集在诊断规则提取中的应用

为了克服专家在诊断规则提取时的主观性,把粗糙集理论引入诊断规则提取之中.根据电子设备故障征兆及故障特点,提出一种基于粗糙集理论的诊断规则提取方法,并通过实际电路验证了该方法的有效性.该方法为智能故障诊断中规则知识的自动获取提供了一条道路.     

Rough set theory: a data mining tool for semiconductormanufacturing

The growing volume of information poses interesting challenges and calls for tools that discover properties of data. Data mining has emerged as a discipline that contributes tools for data analysis, discovery of new knowledge, and autonomous decisionmaking. In this paper, the basic concepts of rough set theory and other aspects of data mining are introduced. The rough set theory offers a viable approach for extraction of decision rules from data sets. The extracted rules can be used for making predictions in the semiconductor industry and other applications. This contrasts other approaches such as regression analysis and neural networks where a single model is built. One of the goals of data mining is to extract meaningful knowledge. The power, generality, accuracy, and longevity of decision rules can be increased by the application of concepts from systems engineering and evolutionary computation introduced in this paper. A new rule-structuring algorithm is proposed. The concepts presented in the paper are illustrated with examples     

基于扩展粗糙集理论的信用风险分析

在对传统信用风险等级评价模型总结的基础上,提出了一种基于扩展粗糙集理论的评价方法.该方法首先将信用风险等级评价抽象成一个多准则分类问题,然后使用DRSA法直接从历史数据中提取决策规则,所得到的规则不仅可以用于企业的信用等级评价,还可以反映各指标与信用等级之间的关系.通过一组上市公司的实际数据验证了该方法的有效性.     

Theorems for Fault Collapsing in Combinational Circuits

This paper gives a mathematical approach to fault collapsing based on the stuck-at fault model for combinational circuits. The mathematical structure we work within is a Boolean ring of Boolean functions of several variables. The goal of fault collapsing for a given circuit is to reduce the number of stuck-at faults to be considered in test generation and fault diagnosis. For this purpose we need rules that let us eliminate faults from the considered fault set. In this paper some earlier known rules are proved in the new context, and several new rules are presented and proved. The most important of the new theorems deal with the relationship between stuck-at faults on a fanout stem and the branches. The concept of monotony of Boolean functions appears to be important in most of these new rules. Editor: M. Hsiao Audhild Vaaje received the M.S. degree and the Ph.D. degree in mathematics from University of Oslo in 1971 and 1992, respectively. She is an associate professor of mathematics at Agder University College in Norway, where she has been employed since 1972. She has research interests in mathematics applied to fault detection in digital circuits.     

基于动态权值的多分类器故障诊断系统

 为提高动态系统故障诊断的精确性,以及减少系统运行环境对故障诊断带来的影响,本文提出了一种基于动态权值的多分类器故障诊断系统.该方法使用决策支持度来衡量当前诊断任务中各分类器的实时决策可信度,并将其联合分类器性能指标动态地为各分类器赋予融合权值,决策性能好且决策支持度高的分类器决策结果获得较大的融合权值,同时,使不可靠决策结果的融合权值趋近于零.在此基础上,将多分类器系统优化为实时性能较好的分类器组成的子系统进行故障诊断,减少了不可靠决策的干扰,进一步提高了融合决策的精确度.试验表明本文方法具有良好的诊断决策性能,能获得比单个分类器和常用的一些融合算法更高的分类准确度.