一种粗糙模糊神经网络识别器及其应用

结合粗糙集和模糊神经网络提出了一种粗糙模糊神经网络识别器的模型.该模型根据粗糙集理论对训练样本进行建立决策表、离散决策表、约简决策表、提取分类规则等推理过程设计.粗糙模糊神经网络识别器的输入层、两个隐含层、输出层的神经元个数分别根据决策表的约简结果、离散结果和分类规则、决策属性决定.将该识别器用于车牌字符识别,实验表明:该方法比粗糙集规则匹配识别方法识别率提高了18%,比BP神经网络识别方法识别率提高了2.7%.     

一种滚动轴承故障的诊断方法

针对滚动轴承的故障特点,提出了一种小波包分析、粗糙集理论和神经网络相结合的轴承诊断方法.利用小波包变换对信号进行适当层次的小波包分解,对信号的频带进行精细的分割,以各个频带信号能量的分布情况作为故障特征量,形成故障诊断决策表;接着根据粗糙集理论进行处理得到更为简明的最优诊断规则;然后根据约简结果,建立了神经网络故障诊断系统;最后以诊断实例验证了该方法的有效性和可行性.     

基于机器视觉的储粮害虫检测与识别

研究了基于视频的储粮害虫检测与基于粗糙集的储粮害虫图像识别技术.通过对采集的视频图像序列进行运动目标检测分割,提取静态储粮害虫图像;通过对储粮害虫图像进行预处理,直接将图像像素值作为条件属性构造决策表,通过基于遗传算法的属性约简,有效压缩规则集,依据计算得到的规则隶属度输出图像的匹配结果.实验表明采用粗糙集方法识别储粮害虫图像能够取得比较好的效果.     

基于粗糙集理论的模糊神经网络建模方法

采用基于粗糙集的模糊神经网络模型,将粗糙集理论与模糊神经网络相结合,通过利用粗糙集理论中的约简的计算方法,从样本数据中获取精简的规则,再根据这些规则构造模糊神经网络各层的神经元个数,克服了当输入维数高时,模糊神经网络的结构过于庞大的缺点,从而使网络模型结构最简.并采用误差反向传播算法(BP算法)来训练该新型网络中的权值参数及隶属函数的中心值和宽度,仿真结果验证了该模型的优越性.     

基于蒙特卡罗方法和粗糙熵标准的图像分割方法

提出了一种新的图像分割方法。这种分割方法首先利用粗糙集理论将图像按照一定的规则划分为大小相等的若干图像子块,而后利用蒙特卡罗方法基本原理对划分的图像子块进行一定规模的随机抽样,以随机抽样所得的图像子块为样本进行粗糙熵计算,用所得最大粗糙熵所对应的灰度值为分割阀值对图像进行分割,在采用较小的图像子块划分以取得更好的分割效果的情况下,极大的提高了算法的分割速度。通过对测试图像的MATLAB仿真试验验证了算法在降低计算机消耗方面的有效性,且所得的分割阀值也令人满意。     

基于粗集与FCM的快速图像分割的改进方法

借鉴神经网络里面竞争学习的思路,通过引入一个抑制因子,来提高最大隶属度的值,对应减小其它隶属度的值,以便达到更快的分类速度,同时实现既突出主要因素,又抑制次要因素的目的。提出了基于粗集与FCM的快速图像分割的改进方法。实验结果表明,该快速图像分割方法,对于被噪声污染的图像有较好的分割性能,粗集理论在处理不确定性信息方面有着独特的方式和相关信息提取能力,以及和其他智能方法的易融合性,使得粗糙集理论在图像处理领域有良好的应用前景。     

基于VPRS的消费者决策心理研究

利用改进后的变精度粗糙集模型（VPRS）分析＂消费者决策心理调查问卷＂,样本包括910个大学生.通过设置一定的变精度值使得边界消失或接近消失,然后建立决策矩阵,构造布尔函数,应用吸收律进行化简,从而提取出男女大学生各自的消费决策最大通用规则,并且对这些规则进行了比较分析.实验表明,与经典粗糙集模型相比,该方法计算出的分类预测的准确率有了提高,且提取的规则更加简化,说明该方法是可行的.     

胶合板缺陷识别方法比较研究

结合胶合板缺陷检测分类,通过对比研究了几种有效、实用的模式分类方法,讨论了该方法的优势和局限性,提出了一种基于粗糙集和神经网络的模式分类方法.利用粗糙集处理图像特征中冗余的或较差的属性特征,有效地减小了网络规模,将该特性和神经网络的非线性映射能力和很强的抗干扰性相结合,能够进一步提高分类精度和收敛速度.在胶合板缺陷识别的实际应用中,其识别精度达到了90 93%,循环次数较粗糙集预处理前平均下降了1000余次.研究结果表明粗糙集神经网络模式识别方法适于胶合板缺陷分类.     

基于混合数据挖掘方法的配电网故障诊断技术

针对单一数据挖掘方法在配电网故障诊断中存在的一些缺陷,提出一种基于混合数据挖掘方法的新型配电网故障诊断技术。首先利用粗糙集理论对原始故障数据进行约简,形成精简的规则集,然后利用神经网络调用最简规则集进行学习训练,具有学习训练时间短、诊断准确度高等特点.实例验证了该方法的有效性.     

基于粗糙集的数据挖掘

粗糙集理论在分类的意义下定义了模糊性和不确定性的概念,是一种处理不确定和不精确问题的新型数学工具,文中以实例介绍了粗糙集的基本理论,并通过一个实例详细介绍了在基于对决策表属性约简的基础上采用了可变精度粗糙模型实现规则的获取. 该实例说明了基于粗糙集进行规则的挖掘是有效的.     

基于Rough Set和neural network组合数据挖掘

提出了一种基于rough set和neural network的数据挖掘新方法。首先利用粗集理论对原始数据进行一致性属性约简，然后使用神经网络对数据进行学习，并同时完成属性的不一致约简，最后再由粗集对神经网络中的知识进行规则抽取。该方法充分融合了粗集理论强大的属性约简、规则生成能力和神经网络优良的分类、容错能力。实验表明，该方法快速有效，生成规则简单准确，具有良好的鲁棒性。     

基于变精度粗糙集的齿轮故障诊断

提出一种基于变精度粗糙集的齿轮故障诊断模型。首先用自组织特征映射神经网络进行数据的离散化;再由变精度近似依赖度进行属性约简;然后生成故障诊断规则。给出一个齿轮的故障诊断的实例,并与粗糙集的故障诊断模型进行比较。结果表明基于变精度粗糙集方法降低了决策规则的复杂度及规则数量,且提高了故障识别率。     

基于Rough集的规则抽取技术

数据分类是数据挖掘的一个重要功能,神经网络以其良好的抗噪性和鲁棒性而成为一种广泛使用的数据挖掘工具,尤其是运用在数据分类中.但是,神经网络对用户来说是一个黑箱,所获得的知识隐含在神经网络的连接权中而难以理解.针对这种情况,建立了一个基于神经网络的数据分类系统模型,通过数据处理、网络训练、规则抽取等几个阶段,达到将获得的知识清晰化的目的.在系统中,首先对连续性数据作规一化和对语义性数据进行编码;然后经过网络训练而获取知识;规则抽取采用功能性方法:即把神经网络视为黑盒,随机产生输入得到相应的输出组成实例,然后采用Rough集的方法进行约简得出规则.     

大坝安全监测的粗集模型方法

针对传统分析方法的不足,研究了大坝安全监测的粗集模型方法.首先对原始监测信息进行粗糙集处理,提取主要影响因素和决策规则集,然后用粗糙隶属度分析各主要因素的重要性指标及其在效应量中所占的分量比例,并且通过对规则集的不确定性推理建立了大坝监测的粗集预报模型.实例分析表明,粗集模型在大坝影响因素重要性评价和非确定性测值预报方面取得了满意的结果.     

粗糙集-神经网络在铝电解故障诊断中的应用

目的通过对铝电解生产过程中的故障进行有效地诊断来提高铝的生产效率和节约能源．方法把粗糙集和神经网络结合起来应用在铝电解的故障诊断中．先用自组织特征映射网络（SOM）对初始数据进行离散化后得到决策表,然后用粗糙集理论对决策表进行约简得到最简决策表,根据最简决策表设计BP神经网络对铝电解中的故障进行诊断．结果用粗糙集对神经网络的输入数据进行预处理可以简化神经网络的结构,减少计算量和训练时间,从而提高整个诊断系统的诊断效率、故障诊断准确率在90％以上．结论该方法能够对铝电解中的故障做出正确的诊断．     

基于知识的神经网络产生式规则的获取方法研究

将连续数据离散化并将已有知识规则的依赖度作为神经网络的初始权值,构建新的网络结构并对其动态训练,给出其具体网络训练算法.从训练后的网络权值中利用正确的分类及该网络结构具有的性质,从而给出其具体的规则抽取算法,并将抽取的具有冗余性的产生式规则利用粗集理论进一步对其精化处理,最后得出最简化的产生式知识规则.充分结合神经网络及粗集理论的优点,探索两者的有机结合无疑对智能信息处理系统的研究具有重要的现实意义.     

粗糙集模糊神经网络软件质量预测

以面向对象的软件度量为研究对象,首先采用SOM神经网络离散化度量元因子矩阵数据,接着对于得到的离散化的矩阵数据采用粗糙集理论的属性约简算法进行属性约简,然后根据约简得到规则构造模糊神经网络的网络结构,并采用BP算法对网络进行训练,最后通过仿真实验验证了该算法。     

基于RS-GA-BP神经网络的住宅房地产估价模型与应用

针对一般住宅房地产估价问题的非线性特征,融合粗糙集方法、遗传算法和神经网络算法的优势,提出了一种新的住宅房地产估价模型一基于粗糙集、遗传算法和BP算法集成的住宅房地产估价模型．首先对影响房地产估价因素进行离散化处理,其次利用粗糙集方法对估价因素进行约简,即精减BP神经网络的输入变量,最后利用遗传算法来优化BP神经网络初始权重和阈值．优化后的BP神经网络具有较好的处理非线性问题的能力,收敛速度和仿真精度较传统BP算法都有了明显的提高．选取某市工程案例进行实证分析,研究结果表明,新的估价方法能较客观准确地估测住宅房地产的价格,在住宅房地产估价中具备较高的实用性．