基于粗糙集的容错神经网络故障诊断系统

粗糙集和神经网络在故障诊断中都得到了广泛的应用,但两者都有其局限性,同时在许多方面有其互补性,融合粗糙集和神经网络各自的优势,建立了粗糙集——客错神经网络故障诊断系统。利用粗糙集对原始数据进行简约,导出最简诊断规则,根据选择的冗余约简和最简诊断规则建立粗糙集——容错神经网络故障诊断系统。以滚动轴承故障诊断为例,仿真结果表明系统提高了故障诊断准确率和诊断速度,消除了故障诊断中的误报和漏报现象。     

一种基于粗糙集神经网络的分类算法*

当输入维数高时神经网络结构复杂,体系庞大,导致其收敛速度慢,为克服这个缺点,提出了基于决策规则的神经网络(RDRN),利用粗糙集理论从数据样本中获取最简的决策规则,按决策规则语义构建一种不完全连接的神经网络。根据决策语义规则,计算并初始化网络的参数,减少网络训练的迭代次数,提高网络的收敛速度。同时利用蚁群算法对网络输入的连续属性的最优离散化值进行寻优,从而获得了最优的网络结构。最后通过实验结果将本文提出方法与传统神经网络方法以及支持向量机分类方法进行了比较。比较说明了该神经网络具有收敛速度较快,分类效率较高的优点。     

一种基于粗糙集理论的最简规则挖掘方法

提出了一种基于粗糙集理论的最简规则挖掘方法，它是一个采用基于分类正确度的粗糙集模型进行多概念分类规则挖掘的新方法，能有效处理决策表的不一致性，采用启发式算法，挖掘出满足给定精确度的最简产生式规则知识。用多个UCI数据集对算法进行了测试，并且与著名的Rosetta软件进行实验对比，结果说明此方法大大提高了总的数据约简量，可以有效地简化最终得到的规则知识。     

粗糙集与模糊系统集成的化学模式分类方法及其应用

模糊方法是一种有效的化学模式分类方法,但模糊规则的获取和相关参数的确定较为困难。对此,本文采用粗糙集方法,无需任何先验知识,约简系统,获取最简规则集,在此基础上构建结构合理．适用于分类的模糊-神经网络系统,并根据规则的统计性质和离散化结果初始化网络参数,采用LM方法训练网络;在橄榄油模式分类建模的应用中,该方法训练收敛速度快,所建模型预测性能良好,要优于现代统计方法和前馈神经网络。     

粗糙集CMAC神经网络及其在非线性系统辩识中的应用

提出了一种基于粗糙集规则提取的CMAC神经网络非线性系统辩识策略。该策略利用粗糙集理论对数据样本进行数据浓缩，提取初步的映射规则。对初步的规则通过神经网络进行粗映射，利用神经网络的分类逼近能力，建立输入状态空间到输出空间的精确映射，大大提高了神经网络的收敛速度和逼近精度。通过一个非线性系统对该神经网络进行了实验，结果表明，该神经网络具有分类逼近能力强、计算量小等优点。     

基于人工智能技术的不完备信息系统智能诊断方法研究

为了提高不完备信息系统故障诊断的正确性与效率,本文提出一种基于粗糙集理论、蚁群优化算法和RBF神经网络相结合的故障智能诊断方法。该方法首先利用“条件组合补齐算法”对不完备的数据进行完备化处理,再利用粗糙集对条件属性进行知识约简,得到具有最大完备度的最小规则集,接着用蚁群算法优化RBF神经网络的权值,并将最小规则集用于训练RBF神经网络模型,获得故障智能诊断模型。通过实际工程数据验证故障智能诊断模型的有效性,结果表明提出的方法能有效实现系统故障的诊断。     

一种改进的基于RS与SVM的故障诊断方法

传统的基于粗糙集与支持向量机的故障诊断方法在用支持向量机分类前用粗糙集进行数据约简,仅将粗糙集作为数据约简的工具,忽视了粗糙集所获取的决策规则对原有数据中所隐含知识的概括表达作用.本文提出了一种改进的基于粗糙集与支持向量机的故障诊断方法,首先基于粗糙集对样本数据进行约简和初步决策规则获取,然后将获取的规则作为先验知识集成到支持向量机中进行故障诊断.该方法结合了粗糙集的处理高维数据的优点和支持向量机具有较高推广能力的优势,并且在用支持向量机分类时有效地利用了粗糙集获取的决策规则,提高了故障诊断的准确率.使用该方法对柴油机常见故障进行诊断实验,结果表明了方法的有效性. 前用粗糙集进行数据约简,仅将粗糙集作为数据约简的工具,忽视了粗糙集所获取的决策规则对原有数据中所隐舍知识的概括表达作用.本文提出了一种改进的基于粗糙集与支持向量机的故障诊断方法,首先基于粗糙集对样本数据进行约简和初步决策规则获取,然后将获取的规则作为先验知识集成到支持向量机中进行故障诊断.该方法结合了粗糙集的处理高维数据的优点和支持向量机具有较高推广能力的优势,并且在用支持向量机分类时有效地利用了粗糙集获取的决策规则,提高了故障诊断的准确率.使用该 法对柴油机常见故障进行诊断实验,结果表明了方法的有效性. 前用粗糙集进行数据约简,仅将粗糙集     

基于粗糙集和神经网络结合的鱼病诊断方法

为了实现鱼病的快速和大批量诊断的目的,将粗糙集理论和神经网络紧密结合建立一种新的高效鱼病诊断模型.利用粗糙集进行知识获取,即把鱼病的典型案例作为样本空间形成"症状一疾病"的决策表,然后根据粗糙集的知识简化方法,去掉冗余的属性和样本,利用性能优良的模糊kohonen聚类网络进行聚类分析,最后形成鱼病的分类规则,新的鱼病就可通过此规则进行诊断,该模型充分融合了粗糙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,可以实现鱼病的快速诊断.     

一种基于粗糙集理论的最简决策规则挖掘算法

研究粗糙集理论中可辨识矩阵，扩展了类别特征矩阵，提出一种基于粗糙集理论的最筒决策规则算法．该算法根据决策属性将原始决策表分成若干个等价子决策表．借助核属性和属性频率函数对各类别特征矩阵挖掘出最简决策规则．与可辨识矩阵相比，采用类别特征矩阵可有效减少存储空间和时间复杂度。增强规则的泛化能力．实验结果表明，采用所提出的算法获得的规则更为简洁和高效．     

基于粗糙集神经网络的燃煤发热量预测模型

通过对粗糙集和BP神经网络的分析研究,以专家系统为核心,提出了一种基于粗糙集神经网络的燃煤发热量预测模型;选取影响燃煤发热量的6个参数,利用粗糙集理论对原始信息表进行约简操作,去除冗余的属性和属性值,得到约简规则,并将其作为BP神经网络的输入,对燃煤发热量进行预测;通过分析对比线性回归方法和粗糙集神经网络方法,说明该模型能有效地简化神经网络的网络结构,减少网络的训练步数,提高网络的学习效率,能够较准确地对燃煤发热量进行预测。     

数据挖掘之粗糙集方法研究

研究了粗糙集理论在数据挖掘中的应用,提出了一种基于粗糙集理论的数据挖掘方法,它采用启发式算法,可以挖掘出最简的产生式规则知识。与其它方法的比较说明,该文提出的方法可以得到更简化的规则。     

一种用于机场气象预测的模糊神经网络模型

针对民用机场多因素气象预测问题的复杂性,该文构建出一种基于粗糙集的模糊神经网络模型。采用粗糙集理论约简属性,挖掘潜在规则,在此基础上建立模糊神经网络模型,并根据规则的统计性质和离散化结果初始化网络参数,采用BP算法训练网络。实例验证,该模型在收敛速度与预测精度上优于传统的神经网络模型。     

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.     

A fuzzy neural network based on fuzzy hierarchy error approach

This paper presents a novel fuzzy neural network which consists of an antecedent network and a consequent network. The antecedent network matches the premises of the fuzzy rules and the consequent network implements the consequences of the rules. In the network learning and training phase, a concise and effective algorithm based on the fuzzy hierarchy error approach is proposed to update the parameters of the network. This algorithm is simple to implement and it does not require as many calculations as some other classic neural network learning algorithms. A model reference adaptive control structure incorporating the proposed fuzzy neural network is studied. Simulation results of a cart-pole balancing system demonstrate the effectiveness of the proposed method     

基于粗糙集的神经网络建模方法研究

提出了一种基于粗糙集的神经网络模型,该方法利用粗糙集数据分析方法,从数据中 提取出规则将输入映射到输出的子空间上,而后在这个子空间上用神经网络进行逼近.利用这 种方法对岩石边坡工程中边坡稳定性进行分析建模,并和传统的神经网络建模方法进行比较, 说明了该方法的有效性.     

基于粗集理论与神经网络技术规则提取的研究

为了从大量数据中获取有用的知识,提出了基于粗集与神经网络技术的数据挖掘方法。首先利用粗集理论消除冗余的属性,得到数据集的一些规则,然后利用这些规则构造神经网络,利用神经网络技术完善粗糙规则。文章就这一技术的研究方法作了综述,并提出了改进的粗集约简方法.     

基于粗糙集和神经网络理论的规则提取算法

提出了一种基于粗糙集和神经网络组合进行规则提取的方法。首先对初始数据集进行离散化,并利用粗糙集对决策表中的条件属性进行初步约简,然后利用神经网络对数据进行学习和预测,并通过删除网络不能分类的数据来对决策表中的噪声进行过滤,最后再由粗糙集值约简算法进行规则提取。实验表明,该方法相对于传统规则提取算法快速有效,在保留神经网络高鲁棒性的同时,避免了从神经网络中提取规则的困难。     

FERNN: An Algorithm for Fast Extraction of Rules from Neural Networks

Before symbolic rules are extracted from a trained neural network, the network is usually pruned so as to obtain more concise rules. Typical pruning algorithms require retraining the network which incurs additional cost. This paper presents FERNN, a fast method for extracting rules from trained neural networks without network retraining. Given a fully connected trained feedforward network with a single hidden layer, FERNN first identifies the relevant hidden units by computing their information gains. For each relevant hidden unit, its activation values is divided into two subintervals such that the information gain is maximized. FERNN finds the set of relevant network connections from the input units to this hidden unit by checking the magnitudes of their weights. The connections with large weights are identified as relevant. Finally, FERNN generates rules that distinguish the two subintervals of the hidden activation values in terms of the network inputs. Experimental results show that the size and the predictive accuracy of the tree generated are comparable to those extracted by another method which prunes and retrains the network.     

Effective data mining using neural networks

Classification is one of the data mining problems receiving great attention recently in the database community. The paper presents an approach to discover symbolic classification rules using neural networks. Neural networks have not been thought suited for data mining because how the classifications were made is not explicitly stated as symbolic rules that are suitable for verification or interpretation by humans. With the proposed approach, concise symbolic rules with high accuracy can be extracted from a neural network. The network is first trained to achieve the required accuracy rate. Redundant connections of the network are then removed by a network pruning algorithm. The activation values of the hidden units in the network are analyzed, and classification rules are generated using the result of this analysis. The effectiveness of the proposed approach is clearly demonstrated by the experimental results on a set of standard data mining test problems