基于最小化邻域互信息的邻域熵属性约简算法

属性约简是粗糙集理论的重要研究内容,混合型信息系统下的属性约简是目前的主要研究方向.在邻域粗糙集模型中,基于邻域熵的方法在进行属性约简时,由于未考虑属性之间的独立性,本文通过融入邻域互信息熵提出一种改进的属性约简算法.文中首先在邻域熵的基础上,提出了混合型信息系统下的邻域互信息熵,然后通过理论分析表明了邻域互信息熵可以作为属性之间独立性的评估,最后将邻域互信息熵融入传统的邻域熵属性约简中,提出一种基于最小化邻域互信息的邻域熵属性约简算法.仿真实验结果表明,该算法可以进一步地提高属性约简结果中属性的独立程度,比相关的属性约简算法具有更高的约简性能.     

基于邻域关系的知识粒度增量式属性约简算法

为了在邻域型信息系统下进行增量式属性约简的研究,采用邻域知识粒度构造出一种邻域型信息系统的增量式属性约简算法.首先将信息系统的知识粒度在邻域型信息系统下进行推广,提出了邻域知识粒度;然后针对属性增加的情形,研究了邻域知识粒度的增量式更新机制;最后基于这种机制设计出了相应的增量式属性约简算法.实验分析表明所提出的增量式算法具有较高的动态属性约简性能.     

基于变精度粗糙集的粗集神经网络

本文研究了基于变精度粗糙集模型下的粗集神经网络设计,对近似约简条件进行了弱化推广,同时提出了近似约简的选取原则。在对Brodatz纹理图像的分类实验中,比较了经典粗集神经网络RNN和变精度粗集神经网络VPRNN的性能,VPRNN不仅具有更为精简的结构和更短的训练时间,而且具有更强的近似决策和泛化能力。     

基于BP神经网络的通信信号调制体制识别技术

本文研究了基于BP神经网络的通信信号调制体制识别技术。提取了反映信号调制体制差异的特征参数,并从提高收敛速度和正确识别概率出发,构建了最佳的神经网络分类器。实验结果表明,该技术拥有较好的通信信号调制体制识别性能。     

基于粗糙集神经网络的齿轮故障诊断

通过采集齿轮不同故障状态下的振动信号,并提取其小波包能量和7个时域特征量作为特征值,利用BP神经网络进行建模实现了对齿轮的故障诊断。为了解决特征之间存在冗余信息的问题,提出了利用粗糙集对齿轮的故障特征集进行属性约简,在不降低分类效果的情况下,实现特征集的降维处理,提高了诊断的效率和精度。     

混合数据的邻域区分度增量式属性约简算法

增量式属性约简是一种针对动态环境下的数据挖掘方法.目前已经提出的增量式属性约简算法仅适用于符号型的信息系统,而很少有对混合信息系统进行相关的研究,这促使在混合信息系统下构建相关的增量式属性约简算法.区分度是用于设计属性约简的一种重要方法,本文将传统的区分度在混合信息系统下进行推广,提出邻域区分度的概念,然后分别研究了邻域区分度在混合信息系统下对象增加和对象减少时的增量式学习,最后根据这种增量式学习分别提出了对应的增量式属性约简算法.UCI数据集上的相关实验结果表明,所提出的增量式属性约简比非增量式属性约简能够更快速的更新约简结果.     

基于粒度的粗集-决策树雷达信号识别模型

通过引入知识粒度的概念,对信息系统中属性的重要度进行了定义,并以属性重要度为启发式信息,进行粗集的属性约简.在构造决策树的过程中,基于粗集的理论运用了加权平均粗糙度的概念,并将其作为选择分离属性的标准.将这种联合粗集与决策树的模型应用到雷达信号识别中,经实验证明,用该方法构造的决策树复杂性低,且能有效提高分类效果.     

基于邻域粗集神经网络的大数据特征分类系统

为提升主机元件对大数据的分类准确性,尽可能地避免数据误传,提出基于邻域粗集神经网络的大数据特征分类系统。在邻域粗集神经网络中,完成对邻域系数的粒化处理,通过逼近运算的方式,使神经网络模型快速趋于稳定。选取大数据特征调制信息,借助调制识别器元件控制大数据特征的导出方向,结合关联信道组织完成数据特征的多标合并处理。实验表明,利用该系统可将大数据的单位召回率提升至65%,能够促进主机元件对大数据的准确分类。     

RS理论在自组织调制识别技术中的应用研究

通信信号处理中最主要的问题是调制样式自动识别,其实质就是通过对输入信号的判别和归类进而理解该信号的结构和属性.本文研究了将粗糙集理论应用于自组织调制识别中的技术.它利用粗糙集理论进行信号的属性约简,求出约简和核;神经网络利用最简决策表构建分类器和提取主要特征参数.二者结合实现了信号自动调制识别,这不仅简化了网络结构和缩...     

基于神经网络的通信信号调制模式识别

提取调制信号的瞬时参数特征,利用神经网络构建并学习非线性关系模型的能力,设计一种用于通信信号调制模式识别的模型,提升民航无线电通信信号监测能力。与传统利用决策树模型做调制模式识别的方法相比,本文提出的模型不需要人为设定判决阈值,而是通过挖掘训练数据间隐藏的非线性关系来预测结果,且具有较高的识别准确率。     

采用粗BP神经网络和D-S证据理论的目标识别

为克服传统的目标识别方法的不足,提高目标识别的实时性和准确性,提出将粗BP神经网络与D-S证据理论相结合的识别模型.在多传感器数据融合中利用粗集理论对大量的传感器数据进行处理,对输入信息进行约简,剔除冗余信息,简化了生成规则和BP神经网络模型结构,提高了网络训练速度和运行速度.以BP神经网络输出作为证据,后端对不同传感器的证据用D-S证据理论进行融合,得到待识别目标的识别概率.实验表明该模型减少了识别的主观因素,简化了BP神经网络结构,提高了运算速度和识别效果.该混合模型有比较好的应用前景.     

基于小波神经网络的信号调制识别

采用小渡分析与神经网络相结合的思想进行数字通信信号调制类型的识别.首先利用小波分析对信号进行分解,根据小波系数进行特征提取,然后利用概率神经网络对4种常用数字通信信号进行识别.仿真结果表明,小波分析和神经网络相结合,可以很好的实现数字通信信号调制类型的识别.     

基于BP神经网络的数字调制信号样式自动识别

针对2ASK，4ASK，2FSK，4FSK，BPSK和QPSK六种数字调制信号，给出了对他们进行识别的5种特征参数的定义，提出了基于BP神经网络利用较少样本分3步进行训练，来实现对数字信号调制样式自动识别的方法，最后得到了在信噪比≥8dB时较高的正确识别率。     

基于BP神经网络水声通信调制模式识别的研究

介绍一种水声通信模式识别的方法,利用水声通信信号的特征参数,构建基于BP神经网络的水声通信信号调制识别系统,实现水声通信信号的调制识别。在不同信噪比条件下,仿真水声通信信号,建立训练和测试样本。仿真实验结果表明,在一定仿真条件下,该方法的识别正确率可以达到90%以上。     

基于邻域统计特性的概率神经网络及其在自动目标识别中的应用

在概率神经的一种改进模型－ＦＤＯ网络的基础上，提出在设计网络收敛域时进一步考虑每一像素点周围８邻域的影响，对网络的作用函数加以修，使改进后的网络具有稳定性好且收敛速度快的优点。通过实验对改进前后网络的识别性能加以比较，证明改进后的网络特别适用于噪声图像的识别。