粗糙集神经网络混和系统及其应用

本文提出一种粗糙集理论和动态前馈神经网络相结合的神经网络构造方法。充分发挥了粗糙集理论和神经网络的优势，弥补了各自的缺点。并应用于实际工业过程，在乙烯装置裂解炉燃料气热值控制中取得了良好的应用效果。     

粗糙集理论及其在智能系统中的应用

粗糙集理论是一种新型的处理含糊和不确定知识的数学工具，在智能系统中得到了广泛的应用，介绍了经典粗糙集理论的基本思想，上下近似集、属性约简和核等基本概念以及粗糙集的研究现状．介绍了粗糙集理论在智能系统中的应用，主要包括基于粗糙集理论的属性约简作为数据预处理的手段，基于粗糙集理论的相关性分析和基于粗糙集理论的系统建模和控制．指出了粗糙集理论在应用中遇到的问题和可能的研究方向。     

基于粗糙集与粗糙元神经网络的三峡库区水质评价模型

粗糙集和粗糙元神经网络相结合进行三峡库区水质评价.针对评价因子较多,通过粗糙集进行数据预处理,降低模型的复杂性.对于库区数据非精确值或范围值时,采用粗糙元神经网络建立评价模型,提高了系统的正确性和可理解性,并将其应用在三峡库区水环境安全系统中.     

粗糙集在神经网络结构优化中的应用研究

针对神经网络存在的网络冗余性较大的问题,提出一种基于粗糙集的神经网络优化方法.该方法将粗糙集理论和神经网络有机地结合在一起,利用粗糙集理论在知识获取方面具有智能的特点,对神经网络的数据进行预处理,从大量的原始数据中提取精简的规则,从而确定神经网络中的神经元个数,简化神经网络的拓扑结构,提高系统的速度.最后通过仿真研究表明该方法能有效地改善神经网络训练时间较长的缺点.     

粗糙集理论在关系数据库中的应用

介绍粗糙集理论和在关系数据库方面的应用,分析和研究了应用中粗糙关系数据库模型,以及关系操作、完整性约束和粗糙查询等.     

基于粗集理论的神经网络

提出了一种基于粗糙集理论的神经网络,它由传统神经元和粗糙神经元构成,粗糙神经元包含一对传统的神经元,即将数据中的上连界和下边界的作用网络的输入或输出值,当网络的输入和输出不是单值数据而是一个数据集合时,经典的神经网络建立的预测模型的输出就会产生较大的误差,而基于粗糙理论的神经网络则可以很好地解决这个问题,最后对基于粗糙理论的网络进行性能评估。     

基于粗糙集理论的神经网络研究及应用

为了补偿神经网络的黑箱特性并提高其工作性能,将粗糙集理论同神经网络结合起来,提出一种基于粗糙集的神经网络体系结构．首先,利用粗糙集理论对神经网络初始化参数的选择和确定进行指导,赋予各参数相关的物理意义;然后,以系统输出误差最小化为目标对粗糙神经网络进行训练,使其满足性能要求．实验结果表明,粗糙神经网络能较好地完成数据挖掘任务,并能获得较高的分类精度．     

基于粗糙集的神经网络在模式识别中的应用

神经网络在模式识别中的应用十分广泛,由于网络训练样本中存在大量的冗余信息,常导致神经网络结构复杂,训练速度较慢、识别率不高等问题.在神经网络训练前,引用粗糙集理论对神经网络的训练样本进行属性约简,提取训练样本的重要特征,使得训练样本的输入向量维数减少,进而简化神经网络的结构,提高网络训练速度和识别率.仿真实验表明,此方法切实有效.     

粗糙集和集成神经网络在钻井专家系统中应用

针对煤矿钻井领域一直凭借经验施工的现状,设计了一种基于粗糙集和集成神经网络的煤矿钻井故障诊断专家系统模型.系统利用权值平衡调节和学习率自适应联合算法对集成神经网络不断进行训练学习,通过正反向混合推理机制验证事故的存在性,同时采用粗糙集值约简算法进行规则提取,以提高集成神经网络的可解释性.实践证明,系统在处理诸如钻井故障这类复杂问题时是一种特别高效的工程化计算方法,为科学钻探提供了有力的保障,在提高钻进效率同时,能够有效地阻止钻井事故的发生.     

粗糙集-神经网络在作战效能评估中的应用

为了提高作战效能评估的准确度,将粗糙集理论和神经网络引入到作战效能评估研究中,提出了粗糙集与神经网络相结合的作战效能评估方法.应用粗糙集简化神经网络训练样本数据集,在保留重要信息的前提下消除冗余的数据,仿真实验表明评估精度提高了,并且能获得更好的效果.以坦克作战效能为例,构建了坦克的效能评估模型,给出了基于粗糙集和神经...     

Rough Set on Trademark Images for Neural Network Classifier

Rough set theory (RS), introduced by Zdzislaw Pawlak in the early 1980s, is a methodology that concerned with the classificatory analysis of imprecise, uncertain or incomplete information or knowledge expressed in terms of data acquired from experiences or observations. It has the ability to distinguish between object and reason about the objects in the universe in which objects are perceived through the information that is available about them through the values for a predetermined set of attribute. The main advantage of RS is that it requires no additional information to the data represented in table. On the other hand, Supervised Neural Network learns by abstracting a mapping function from the training data for classification purposes. However the drawback of using a supervised neural network is that a large amount of training data must be provided for it to obtain an accurate mapping function. The problem is further aggravated if the data are in the continuous form (real values). Thus, in this paper we overcome the problem by transforming the training data in the continuous form into discrete values using Rough Sets theory and Boolean Reasoning technique. Here, global shape features are chosen to represent the logo images. The invariant features representing logo images are obtained by using the Geometric Invariant Moment Technique (Hu, 1962). The classification results prove that discretization using Rough Sets and Boolean Reasoning can reduce the training cycle and significantly increase the accuracy of the classification of logo images.     

粗糙神经网络及其在中医智能诊断系统中的应用

文章利用Rough Set技术对人工神经网络进行预处理,求取核属性,构造粗糙人工神经网络, 并应用到中医类风湿病分型诊断建模。计算机仿真结果证明了用Rough Set辅助设计人工神经网络,改善了网络的学习能力,并在实践取得了满意的效果。     

基于粗糙集属性约减和神经网络集成的人脸识别技术*

提出了一种基于粗糙集的属性约简方法对经由PCA处理后的人脸特征进行提取,随后使用一种神经网络集成的方法对约简后的人脸数据进行识别。实验结果表明,使用该方法约简后的数据与使用仅由PCA处理后的数据相比,两者获得的识别精度基本相同,而前者的数据属性维数远小于后者,从而大大降低了识别过程的复杂程度。     

基于粗糙集与神经网络的断路器状态监测

断路器的故障诊断对于事故后快速恢复具有重要意义,然而全面、准确的故障诊断仍是个难题。本文将电寿命和机械状态综合考虑,从而实现了对断路器整体健康状态的评估。其中机械状态的检测,提出了基于神经网络(Neural Network)并结合粗糙集理论(Rough Set Theory)的方法。实验数据表明,该方法提高了诊断的全面性、准确性和预测精度。     

基于粗糙集和神经网络的信息融合方法

在运用粗糙集理论和神经网络理论进行信息融合的基础上,分析了其各自的优势和存在的问题,设计了将两者综合的信息融合方法.该方法主要思想是利用粗糙集理论对神经网络待处理的数据进行属性约简,借此来简化神经网络的结构.利用这种方法对煤矿中各种与瓦斯危险相关的信息进行融合,以此对其瓦斯安全性进行评价.结果表明,这种方法减少了训练次数而且收敛效果比传统神经网络效果好.     

基于Rough Set的属性约简及应用研究

设计简洁的切实可行的基于Rough Set的属性约简的算法.通过基于Rough Set的属性约简方法对两个实际应用说明了如何利用该方法计算条件属性相对于决策属性的重要度,去除冗余属性,形成新的精简的知识发现属性集,从而提高数据挖掘效率.     

基于粗糙集的数据挖掘在无线网络入侵检测中的应用

对基于粗糙集的数据挖掘与知识发现在无线网络入侵检测中的应用作了一些探讨,并以某无线Ad Hoc网络分布式入侵检测中基于粗糙集约简的分类算法为实例作验证.     

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。     

基于粗糙集-神经网络的入侵检测方法研究

提出了一种融合粗糙集与神经网络的入侵检测方法。首先用粗糙集约简属性、简化神经网络设计,然后通过神经网络进行入侵检测。实验结果表明该方法优于其他同类方法。