连续量决策表的完备化分析

根据粗糙集理论可以从一个信息表中获取决策表.如果决策表条件属性的值域是连续的,这样的决策表通常是不完备的.针对这一问题,给出了连续量决策表的完备性定义、完备性度量系数和空间描述法,并通过例子进行了说明.决策表的不完备会导致决策失败,因此完备化是必不可少的.随着决策表维数增加,完备化的难度也随之增加,这是粗糙集理论应用于连续量系统的瓶颈问题.     

不完备决策表的线性分段插补完备化方法

由连续量变量系统得出的决策表通常是不完备的,不完备的决策表是不能用来决策的,所以对其必须进行完备化处理.针对这一问题,提出了线性分段插补的完备化方法.对补入决策值的检验结果表明,该方法是可行的.     

粗集理论中一种决策表离散化算法

连续属性的离散化问题是机器学习、数据挖掘等领域中的重要研究课题之一.提出一种基于粗糙集理论的决策表离散化算法,该算法是一种基于决策表属性重要性的算法.首先给出粗糙集理论的几个基本概念,如决策表、不可分辨关系、信息熵和条件熵等,然后对离散化问题进行介绍,给出了基于决策表属性重要性的粗糙集连续属性离散化算法.该算法计算简单、易于实现,并以实例加以说明.     

基于粗糙集理论的系统建模与故障诊断

应用粗糙集理论,可以从原始的数据中提取有用的知识或规则.依据这一思想,本文建立了一个实际非线性系统的粗糙集模型.在建模过程中,首先用系统输入输出的采样数据构成原始信息表,然后离散化,再利用粗糙集算法得到系统粗糙集模型的不完备规则集,通过实验和线性插补法实现规则集完备化,最后完成模型的设计和校验.校验结果表明所建的粗糙集模型是有效的,并利用该模型实现了系统的一种故障诊断.     

基于粗糙集的旋转机械振动故障诊断研究

振动故障是旋转机械最常见的故障,旋转机械故障诊断常用的是振动分析法.粗糙集理论是一种研究不完整数据、不精确知识的表达、学习和归纳的数学工具.基于粗糙集理论,对旋转机械的振动故障诊断决策表进行分类、约简和核集的形成,推导出最简明的决策表,从而提取故障诊断的重要属性,降低决策表的冗余性.研究表明,粗糙集理论应用于旋转机械振动故障诊断可得到更明晰的诊断规则,从而提高了故障诊断的实时性和快速性.     

基于粗糙集理论的电力变压器故障诊断研究

粗糙集理论是一种较新的数据处理工具，可以有效地分析和处理不完备信息。运用粗糙集理论研究了因各种复杂因素造成的不完备信号模式下电力变压器故障诊断的方法。该方法利用油色谱分析得到的各种气体浓度百分比作为故障分类的条件属性集，考虑各种故障情况，建立决策表。利用决策表的约简方法进行化简，区分关键信号与冗余信号，导出故障诊断规则，从而达到不完备信号模式下快速准确地故障诊断的目的。通过实际应用表明，该方法简单、有效、具有良好的容错性能。     

基于粗糙集理论和BP神经网络的分层递阶分类算法

根据分层递阶的原则，提出了一种将粗糙集理论与BP神经相结合的分类算法，该算法分别用粗糙集理论和BP神经网络处理决策表中的离散属性和连续属，可以避免对象连续属性离散化中产生不确定的情况。同时粗糙集对于决策表噪声比较敏感，BP神经网络可以克服这个缺点，最后，对3个公共数据库的测试验证了该分类算法的有效性。     

一种基于条件熵的粗糙集连续属性离散化方法

提出一种基于条件熵的粗糙集连续属性离散化方法,得出决策表在离散化后,保持其相容性的充分必要条件是基于条件属性的决策属性的条件熵为零,并在此基础上给出基于条件熵的粗糙集属性离散化步骤,最后进行实例分析,为解决粗糙集连续属性的离散化问题奠定一定的理论基础.     

基于粗糙集理论的变压器故障诊断专家系统研究

在传统的变压器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的瓶颈问题。该系统从历史故障数据所形成的决策表出发 ,运用粗糙集理论进行约简 ,构建专家系统知识库模型。通过计算规则隶属粗糙度 ,来表示诊断规则的置信程度。利用推理机和故障事例库 ,实现对知识库的动态维护。     

基于变精度粗糙集的改模知识分层递阶归纳

应用基本粗糙集理论对改模方案进行改模知识归纳可以得到改模决策规则集.为解决其规则集规模大、实用性不强的问题,提出了一种基于变精度粗糙集的改模知识分层递阶归纳方法.首先,在研究改模知识的分层递阶层次表达模型的基础上,给出改模方案特征值具体化、完备化和层次化方法,并据此构建了基于分层递阶的改模方案特征决策表集;其次,在特征约简过程中,引入分类质量/误差矩阵,通过基于变精度粗糙集的改模方案特征层次约简,得到符合用户分类质量要求的核心特征集;然后,进一步利用基于分层递阶的规则层次生成和知识获取方法,得到规模小且实用性强的规则集;最后,通过实例验证了该方法的实用性和有效性.