基于信息熵的粗糙集属性离散化方法及应用

首先分析了粗糙集理论处理问题的特殊性,在现有研究结果的基础之上给出了一种新的连续属性离散化方法,并将其应用于故障诊断中,通过实验结果表明依据该算法构建的决策规则具有较好的故障诊断分类效果。     

基于变精度粗糙集的故障诊断应用研究

标准的粗糙集理论不能很好地处理带有噪声的数据,而故障诊断信息中难以避免地存在噪声数据,对此,提出了一种基于变精度粗糙集理论的故障诊断模型.先用自组织特征映射神经网络对连续属性进行离散化,然后利用变精度粗糙集的近似依赖性进行属性约简,据此得到决策规则,并给出了一个实例来说明如何应用这种故障诊断模型.     

基于最佳分类数和粗糙集的故障诊断方法

提出了一种基于最佳分类数和粗糙集理论的汽轮机轴系振动故障诊断方法。该方法利用模糊C均值聚类算法（FCM）把数据的连续属性离散化,以形成隶属度矩阵及属性分类数,根据隶属度矩阵及属性分类数进行划分系数和划分熵的有效性评判,最终找到连续属性的最佳分类数。然后根据最佳分类数对数据的连续属性进行实际的离散化,将离散化后形成的离散数据根据粗糙集理论,进行数据挖掘,得到诊断规则,有效提高了汽轮机轴系振动故障的诊断水平。     

一种基于Web用户不完备信息的规则获取方法研究

Web日志是一个很不完全且存在多样性特点的数据集,在获取决策规则的过程中经常会出现不一致、不完全规则的情况.提到了粗糙集理论,利用粗糙集理论在处理不完全知识上的特有优势来解决此种问题.首先把重要的用户行为特征值离散化作为属性值和值的约简,然后通过粗糙集缺省规则获取算法获得决策规则.其中条件属性的提取主要是一个对用户行为观察和分析的结果,而离散化处理方法就是应用粗糙集理论中的典型方法.这种处理方法有利于最后规则提取的进行,经过实例分析效果良好.     

一种改进的基于RS与SVM的故障诊断方法

传统的基于粗糙集与支持向量机的故障诊断方法在用支持向量机分类前用粗糙集进行数据约简,仅将粗糙集作为数据约简的工具,忽视了粗糙集所获取的决策规则对原有数据中所隐含知识的概括表达作用.本文提出了一种改进的基于粗糙集与支持向量机的故障诊断方法,首先基于粗糙集对样本数据进行约简和初步决策规则获取,然后将获取的规则作为先验知识集成到支持向量机中进行故障诊断.该方法结合了粗糙集的处理高维数据的优点和支持向量机具有较高推广能力的优势,并且在用支持向量机分类时有效地利用了粗糙集获取的决策规则,提高了故障诊断的准确率.使用该方法对柴油机常见故障进行诊断实验,结果表明了方法的有效性. 前用粗糙集进行数据约简,仅将粗糙集作为数据约简的工具,忽视了粗糙集所获取的决策规则对原有数据中所隐舍知识的概括表达作用.本文提出了一种改进的基于粗糙集与支持向量机的故障诊断方法,首先基于粗糙集对样本数据进行约简和初步决策规则获取,然后将获取的规则作为先验知识集成到支持向量机中进行故障诊断.该方法结合了粗糙集的处理高维数据的优点和支持向量机具有较高推广能力的优势,并且在用支持向量机分类时有效地利用了粗糙集获取的决策规则,提高了故障诊断的准确率.使用该 法对柴油机常见故障进行诊断实验,结果表明了方法的有效性. 前用粗糙集进行数据约简,仅将粗糙集     

规则分层约简算法

针对传统粗糙集方法处理问题时所遇到的离散化以及属性约简的NP难题,将粗糙集中下近似概念与分层思想相结合,提出一种新的粗糙集数据处理方法——规则分层约简算法HRR．该算法直接从决策表中提取规则,利用对规则进行约简来代替属性约简,以避开NP难题,同时针对传统离散化算法对不同离散化区间采取不同编码的局限,实现了不同区间的聚类编码,并在此基础上提出等价决策表的概念．实例表明,HRR算法在计算量以及性能上具有非常明显的优势．     

一种基于CHI值特征选取的粗糙集文本分类规则抽取方法

结合文本分类规则抽取的特点,给出了近似规则的定义。该方法首先利用CHI值进行特征选取并为下一步特征选取提供特征重要性信息,然后使用粗糙集对离散决策表继续进行特征选取,最后用粗糙集抽取出精确规则或近似规则。该方法将CHI值特征选取和粗糙集理论充分结合,避免了用粗糙集对大规模决策表进行特征约简,同时避免了决策表的离散化。该方法提高了文本规则抽取的效率,并使其更趋实用化。实验结果表明了这种方法的有效性和实用性。     

概率神经网络故障诊断的粗糙集优化方法

针对径向基概率神经网络故障诊断输入量过多会影响网络学习效率的问题,提出了一种基于粗糙集的概率神经网络故障诊断优化方法.该方法用模糊C均值聚类将故障诊断训练数据离散化,使用粗糙集化简由输入输出属性构成的决策表,利用约简后的输入量重新构建神经网络故障诊断模型,使原有模型得到优化并以柴油机故障诊断为例说明该方法的有效性.     

基于RS的提升机故障诊断规则获取方法

在提升机故障诊断中,从包含冗余和不一致信息的数据中获取简单有效的诊断决策规则是一个难题.本文中提出了一种基于粗糙集理论的提升机故障诊断规则获取模型.该模型使用基于粗糙集理论的启发式算法对诊断规则进行简约,从而生成诊断规则集,建立了用于故障诊断的规则库.通过对提升机故障诊断的仿真实例表明,该方法有效地简化了特征参数和诊断规则,减低了诊断成本,提高了故障诊断的准确率.     

基于SOM-VPRS的平衡机故障诊断

针对平衡机故障的特点,采集了振动信号进行故障诊断;设计了故障信息采集系统,解决了故障信息提取困难的问题,减少了噪声信号;融合自组织(SOM)网络和变精度粗糙集(VPRS)形成了SOM-VPRS算法,实现了平衡机的故障诊断。运用SOM网络进行了连续属性的离散化,采用变精度粗糙集的近似依赖模型进行属性约简,得到故障诊断决策规则,属性约简后,属性集由20个减少为7个,规则集由70个减少为34个,计算复杂度降低;对决策规则进行了验证,诊断正确率可以达到95%以上,且模型和算法具有普遍适用性。     

基于粗糙集的电力设备故障诊断

针对当前专家系统知识获取瓶颈的难题,提出了基于粗糙集数据挖掘的电力设备故障诊断方法,首先对电力设备历史数据、基础信息数据库和缺陷信息数据库进行区分,接着简约数据并建立故障诊断决策表,采用粗糙集数据挖掘方法对在线数据进行决策判断,推断出潜在的诊断规则,这对电力设备故障预报及诊断系统的设计具有借鉴意义和深入研究的价值。     

粗糙集在电力变压器故障诊断中的应用

电力变压器是一种比较复杂的系统,在实际故障诊断中要想获得完备的实验数据比较困难。针对该问题,提出了一种基于粗糙集的电力变压器故障诊断新方法,即分析搜集到的电力变压器历史故障数据,确定条件属性集和决策属性集;对条件属性集进行约简,去除冗余信息,提取关键信息,得到相应的规则集;利用该规则集对电力变压器进行故障诊断。实例分析验证了该方法的正确性和有效性。     

基于粗糙集人工神经网络的锅炉故障诊断模型

针对锅炉这种大型特种设备,提出了一种基于粗糙集和人工神经网络集成的智能故障诊断方法.该方法先利用Rs理论建立故障决策表,对原始数据进行约简,并按照一定的原则选取多个约简;然后建立神经网络故障诊断子系统,使用粗糙集处理后的数据计算出故障发生程度,研究结果表明:该方法能够正确而且高效地诊断出锅炉中各种部件的故障发生的严重程度.     

基于粗糙集的柴油机故障诊断系统设计

利用基于粗糙集的知识约简和决策规则提取算法,将柴油机故障信息值进行约简,求出其决策规则,完成柴油机的故障信息条件属性值约简和决策规则提取程序设计.采用正向推理及相关控制策略实现推理机,完成故障诊断系统的诊断推理操作.基于粗糙集的属性约简和决策规则提取十分有效,大大减少了推理的时间,提高了系统的工作效率.     

复杂航空电子装备故障诊断规则提取

针对复杂航空电子装备故障样本不足的问题,为简化测试过程、提高故障诊断效率,提出了一种基于粗糙集的故障诊断规则提取方法;该方法构建了故障诊断决策信息系统,通过构造故障诊断决策信息系统的决策辨识矩阵和决策辨识函数,计算测试参数集的所有约简,从而提取故障诊断规则;以某型雷达系统为例,采用上述方法进行规则提取,将故障诊断所需测试参数从9个约简为3个;研究结果表明,该方法能在故障样本较少的条件下有效约简测试参数集,提取故障诊断规则,有利于简化测试过程,提高诊断效率.     

基于粗糙集理论的煤磨故障诊断模型

针对水泥煤磨系统的常见故障,将基于粗糙集理论的数据挖掘技术应用于水泥煤磨故障诊断。结合具体的数据,采用粗糙集的方式,建立了故障诊断系统,通过该系统对识别数据进行故障诊断实验,表明该系统能有效地对煤磨堵仓和钢球小故障进行诊断。诊断结果的精度可以满足现场应用的要求。     

基于粗糙集和感知器网络的分层递阶变电站故障诊断方法研究

给出了一种基于粗糙集（Rough Set）和具有开关作用函数的感知器网络的分层递阶 变电站故障诊断方法．该方法以短路器和保护继电器的开关信息为基础，利用粗糙集处理不 确定性信息的能力，分层挖掘变电站故障诊断的知识，然后通过具有开关作用函数的多层感 知器网络实现诊断．研究表明该方法是一种有效的在线变电站故障诊断方法．     

基于粗糙神经网络的传感器网络故障诊断

为了克服大量信息冗余和能量有限给无线传感器网络故障诊断带来的困难,提出一种将粗糙集与神经网络集成相结合的智能故障诊断方法(RS-ANNE)。该方法首先利用粗糙集理论的属性约简技术,提取诊断故障贡献最大的最小故障诊断特征集合,然后根据最小故障诊断特征确定神经网络的初始拓扑结构,建立故障特征与故障之间的映射关系,最后通过子网表决得到最终诊断结果。实验结果表明,RS-ANNE诊断方法诊断正确率为95.67%,与ANNE方法相比计算量减小22.98%,诊断正确率提高13.88%。