概念格理论属性约简算法研究

概念格是根据数据集中对象与属性之间的二元关系建立的一种概念层次结构,生动简洁地体现了概念之间的泛化和特化关系。利用概念格的这一特性,提出利用概念格理论进行故障诊断时的属性约简。为验证属性约简的正确性,将约简结果送到神经网络中进行故障诊断,诊断结果表明:利用概念格理论所得到的核心属性和相对必要属性可以对现有故障类型进行正确辨识,降低了故障诊断参数的维数,有利于加快诊断算法的运算速度。     

基于一一映射的概念格属性约简算法*

首先给出了基于一一映射的概念格不同类型属性的等价刻画定理,在此基础上得到了一种新颖的概念格属性约简算法;最后通过实例表明了该约简算法的可行性与有效性。     

基于形式背景的概念格约简及其修复

根据概念格构造所依赖的形式背景,定义对象的属性空间和属性的对象空间,分别对形式背景进行对象约简和属性约简,在约简过程中采取全约简、交约简和并约简3种约简方法,并基于约简形式背景建立约简概念格。针对各约简方法的不同提出约简概念格的不同修复方法,从而得到完整的概念格。该方法简单易行,具有很强的规则性。实例表明,对于一个较复杂的形式背景,按对象和属性总数的38%进行约简,运算效率可提高83.3%。     

概念格属性约简的启发式算法

概念格是知识处理与分析的一个有力的工具,在知识约简和数据挖掘方面有着重要的应用。该文首先从概念外延的角度研究了合理刻画属性重要性的指标,并给出了概念格属性约简的判定定理,然后以这些指标作为启发式信息设计了一种新颖的概念格启发式属性约简算法,最后通过实例表明了该约简算法的可行性与有效性。     

基于概念格同构下的属性约简及其算法研究

通过研究概念格和同构理论,发现不同的概念格之间存在同构关系,并引入算子E=A-D和G=E-D**,给出一系列概念格同构的判定定理。基于概念格同构这一理论,对形式背景的属性约简及最小属性约简集的算法进行初步研究,为应用概念格进行数据挖掘提供新的理论依据。     

一种新颖的概念格属性约简算法

概念格是知识处理与分析的一个有力的工具,在知识约简方面有着重要的利用。首先给出了概念格中不同类型属性的等价刻画定理,在此基础上得到了一种新颖的概念格属性约简算法,最后通过实例表明了该约简算法的可行性与有效性。     

基于属性约简的概念格构造

概念格是数据处理和规则提取的重要工具。对于数据较大的形式背景,由于产生的概念格结构复杂,部分有用的信息将被这种复杂的结构所掩没。本文利用属性约简理论,首先在没有构造概念格的前提下将概念格的属性进行约简,从而进一步构造出约简后的概念格。实验证明,该方法简洁高效。     

基于概念复合的对偶三支概念格及其概念约简

三支概念格通过正负算子相结合,既表示出了共同拥有的信息,又表示出了共同不拥有的信息,是对经典概念格的扩展。但在处理一些实际问题时,人们也会从反向出发,考虑集合的补集可能不拥有的信息和可能拥有的信息,对偶三支概念格应运而生。文中提出了一种基于形式背景的对偶概念及其补背景中对偶概念的复合来构造对偶三支概念格的方法,经验证,通过概念复合方法得到的对偶三支概念与通过对偶三支算子得到的概念相同。进一步讨论了基于可辨识矩阵求解对偶三支概念格的属性约简方法,并借助此思想,给出了基于概念可辨识矩阵的对偶三支概念约简方法。     

基于粗糙集理论的概念格属性约简及算法

粗糙集理论在数据分析中善于解决约简冗余属性与对象、寻求最小属性集等问题,而约简概念格是形式概念知识表示中解决复杂性的重要途径。用粗糙集的方法重新认识形式概念及概念格,并把二者有机地结合起来,为概念格的约简提供了一个新的思路和方法。本文就这些问题做了一些基本的研究。     

改进的概念格属性约简算法

提出了一种改进的启发式算法,与已有启发式算法相比,能从搜索空间中逐次删除冗余属性,避免了对其重要性的重复计算,同时减少对非冗余属性重要性的计算,从而降低了时间复杂度。通过实例表明了该约简算法的可行性与有效性。     

基于Matlab的BP神经网络应用

BP学习算法是一种单向传播的多层前向网络,Matlab中的神经网络工具箱是以人工神经网络理论为基础,基于Matlab的工具箱,结合西瓜仁重的预测,验证了BP神经网络预测西瓜仁重的可行性,且BP算法收敛速度快,误差小,值得在预测作物生长中推广。     

基于Matlab的BP神经网络应用

BP学习算法是一种单向传播的多层前向网络,Matlab中的神经网络工具箱是以人工神经网络理论为基础,基于Matlab的工具箱,结合西瓜仁重的预测,验证了BP神经网络预测西瓜仁重的可行性,且BP算法收敛速度快,误差小,值得在预测作物生长中推广。     

基于BP神经网络的图像压缩的Matlab实现

BP网络是目前最常用的一种人工神经网络模型,它利用多层前馈网络的模式变换能力实现数据编码,直接提供数据压缩能力.在介绍BP网络图像压缩机原理及算法的基础上,通过计算机Matlab仿真实验实现数字图像压缩,并分析了各种参数对重建图像性能的影响.     

BP神经网络模型预测控制算法的仿真研究

为克服被控对象参数变化导致控制精度降低的问题,研究了一种BP神经网络模型预测控制算法。借助最小二乘递推算法在线预测系统模型参数,利用BP神经网络在线预测PID参数以控制被控对象。该算法基于模型预测,首先在线性系统中验证其控制效果,然后将非线性问题作线性处理,采用BP神经网络模型预测PID控制器予以实现控制非线性系统。仿真曲线显示BP神经网络PID控制器用于线性系统可达到高精度控制要求;对于非线性系统有自适应及逼近任意函数的能力。仿真研究表明,该算法与传统BP神经网络PID控制器相比,其自适应能力更强,稳定性更好,控制精度更高。     

遗忘神经网络模型及其BP算法

为解决跨时间数据训练神经网络时的数据选择问题，提出在神经网络的训练模型中引入遗忘系数，从而建立了一种改进的前馈神经网络模型——遗忘神经网络模型。介绍了该模型的基本原理，并给出了其BP算法。     

基于BP神经网络的混合定位算法

为弥补独立采用GPS或基于基站定位方法的不足,并消除非视距传播的影响,提出一种基于BP神经网络的混合定位算法。利用BP神经网络对到达时间差(TDOA)和GPS测量值中的非视距传播误差进行修正,使用TDOA/GPS算法进行定位。仿真结果表明,在单独使用TDOA或GPS方法无法定位时,该算法能够实现移动台的精确定位。     

一种基于遗传优化的神经网络水印

提出一种新的遗传算法和神经网络彩色图像水印研究,在检测水印的过程中,利用遗传算法来优化BP神经网络的权值矩阵与初值,构建出内在的隐含关系,然后利用训练好的BP神经网络来融合提取水印.实验证明该算法保持不可觉察性,并且水印的鲁棒性比BP神经网络的更强.     

基于BP神经网络的入侵检测算法

为解决传统入侵检测算法存在的高漏报率及高误报率问题,结合BP神经网络算法的优点,提出一种采用遗传算法来优化BP神经网络算法的入侵检测算法。该算法通过遗传算法找到BP神经网络的最适合权值,采用优化的BP神经网络对网络入侵数据进行学习和检测,解决直接使用BP学习造成的训练样本数量过大而难以收敛的问题,同时缩短样本训练时间,提高BP神经网络分类正确率。仿真实验结果表明,与传统网络入侵检测算法相比,该算法的训练样本时间更短,具有较好的识别率和检测率。     

利用格结构特性生成概念格的算法

给出了概念格中关于后代和后继的一些性质,利用这些性质,提出了一种生成所有概念及其序关系的算法。对于任一形式概念,该算法能产生它的全部后代,并确认哪些后代为后继。为提高算法效率,采用了集合的精确匹配代替高代价的子集关系的检验。与现有算法相比,该算法的计算效率有显著的提高。