基于粗神经网络的图像融合算法的研究

将粗糙集理论和神经网络结合,提出了一种基于粗神经网络的信息融合算法,用于图像融合的研究.该方法不仅可以接受定量的输入,而且可以接受定性的输入,即输入是一个范围,或者在观测时间内输入是变化的由于粗神经网络的误差传递函数不可微,不能用BP算法训练粗神经网络,所以采用遗传算法训练粗神经网络.仿真实验结果表明,基于粗神经网络的信息融合方法可以有效地融合多幅带有噪声的图像,并取得了良好的融合效果.     

粗糙集和神经网络方法在数据挖掘中的应用

提出了一种基于神经网络和粗集的数据挖掘新方法。首先利用粗集理论对原始数据进行一致性属性约简,然后使用神经网络对数据进行学习,并同时完成属性的不一致约简,最后再由粗集对神经网络中的知识进行规则抽取。该方法充分融合了粗集理论强大的属性约简、规则生成能力和神经网络优良的分类、容错能力。实验表明,该方法快速有效,生成规则简单准确,具有良好的鲁棒性。     

基于模糊粗神经网络的图像脉冲噪声滤除

为了获得在图像噪声滤除和细节保留两方面更好的兼顾与平衡,提出了一种兼有模糊化神经元和不可微粗神经元的模糊粗神经网络。采用融合了爬山法的遗传学习算法,增强了网络在学习过程中,特别是进化后期阶段对最优解的局部搜索能力。仿真表明,融合了模糊信息和粗糙集信息处理能力的模糊粗神经网络在图像融合滤波方面比BP网络和粗集神经网络具有更好的性能,是一种性能很好的混合智能神经网络。     

基于粗神经网络的仿人智能机器人的语音融合算法研究

将粗集合理论与神经网络相结合，提出一种基于粗神经网络的新的信息融合方法，用于仿人智能机器人的语音融合。该方法不仅可以接受定量输入，而且可以接受定性输入，即输入是一个范围，或在观测时间内输入是变化的。由于粗神经网络的误差传递函数不可微，所以采用遗传算法来训练粗神经网络。仿真实验结果表明，基于粗神经网络的信息融合方法有效地提高了语音的识别率。     

基于粗集神经网络的分类方法

数据挖掘是近年来发展快速的信息处理新技术,如何有效地从高维的、超大规模数据中提取隐藏的有用信息,是该领域的研究核心。针对海量数据的挖掘分类问题,将粗集和神经网络紧密结合建立一种新的高效数据挖掘模型,即利用粗糙集理论中的知识简化方法,去掉冗余的属性特征和样本,然后,利用性能优良的模糊kohonen 聚类神经网络进行聚类分析,最后形成分类规则。该模型充分融合了粗集强大的规则提取能力和神经网络优良的分类能力。实验证明模型具有很好的分类效率,且有较高的精确性。     

粗神经网络及其在数据融合中的应用

给出一种新的神经网络－－粗神经网络结构,并给出了基于粗神经网络的多传感器数据融合模型,阐述了用于数据融合的粗神经网络的结构和训练方法。分析和仿真结果表明,新模型不仅能解决传统模型所能解决的问题,而且能解决传感器输出为二值或一个范围的多传感器数据融合问题。     

粗集神经网络在阳离子反浮选控制中的应用

针对阳离子反浮选生产过程被控对象复杂、数学模型不确定以及控制精度要求高等特点,提出一种基于粗集神经网络理论的智能控制模型。该方法减少信息表达的属性数量及神经网络构成系统的复杂性,增强了系统容错及抗干扰的能力。将粗集神经网络智能控制模型与基于粗集的控制模型进行对比,结果表明了该方法的可行性。     

粗集神经网络在阳离子反浮选控制中的应用

针对阳离子反浮选生产过程被控对象复杂、数学模型不确定以及控制精度要求高等特点,提出一种基于粗集神经网络理论的智能控制模型.该方法减少信息表达的属性数量及神经网络构成系统的复杂性,增强了系统容错及抗干扰的能力.将粗集神经网络智能控制模型与基于粗集的控制模型进行对比,结果表明了该方法的可行性.     

结合粗集和神经网络的图像识别模型

通过对粗集和神经网络在图像识别中的作用分析,以及对两者结合的可能性研究,将粗集和神经网络进行了有机结合,提出了一个基于粗集和神经网络的图像识别模型。该模型先对原始图像数据进行预处理,然后用粗集进行特征选择,减少了神经网络的输入维数,提高神经网络学习和识别速度,也提高了识别正确率。最后将该模型应用于手写体数字图像识别之中,实验结果表明,该模型是有效的、可行的。     

一种新型模糊-粗神经网络及其在元音识别中的应用

为度量模糊粗不确定性信息,引入了模糊粗隶属函数．基于模糊粗糙集理论构建了一种新型的模糊,粗神经网络（FRNN）,该网络融合了模糊信息和粗糙信息的处理能力．对5个元音字母的语音识别进行测试,结果显示FRNN网络不仅训练速度快,而且分类性能优于BP网络、RBF网络和贝叶斯分类器．     

基于粗糙集和神经网络的柱塞泵故障诊断

针对轴向柱塞泵故障机理的复杂性和故障信息的不确定性,提出了基于粗糙集与神经网络相结合的故障诊断方法,并详细阐述了基于粗糙集与神经网络的轴向柱塞泵故障诊断系统的设计步骤和实现技术。实验结果表明,该方法不仅能优化神经网络的拓扑结构,同时能有效提高轴向柱塞泵故障诊断的精度和效率。     

粗糙集约简的神经网络遥感分类应用

近年来,随着人工神经网络系统理论的发展,神经网络技术日益成为遥感数字图像分类处理的有效手段。但是该方法不能降低维数、时间开销大,针对这些不足提出一种基于粗糙集约简的神经网络方法。本文对RapidEye影像进行分析并提取纹理特征,利用粗糙集理论对纹理特征与光谱特征属性进行约简,得到的约简属性作为输入属性,利用神经网络法对影像分类。结果表明该方法具有较好的分类精度。     

基于粗糙集神经网络和信息融合的故障诊断

神经网络是智能故障诊断系统的一种重要的方法。粗糙集理论则是处理不完备信息的一种技术。文中以复杂的人工智能诊断问题为研究对象,系统地论述了基于神经网络、粗糙集、信息融合的智能诊断的理论、方法与实践。其主要方法如下:在故障诊断的神经网络模型的基础上,以粗糙集理论中的信息系统属性值表为主要工具,将复杂的组合神经网络约简并删除其中不必要的属性,克服了网络规模过于庞大和分类速度慢的缺点,并给出了基于粗糙集理论的组合神经网络的模型结构,最后再利用数据融合技术,得出更加精确的结果。一个故障诊断实例证明了该方法的有效性。     

基于粗糙集理论和BP神经网络的数据挖掘算法

根据数据挖掘中粗糙集理论和BP神经网络各自的优势和存在的问题,提出了一种将粗糙集理论和BP神经网络理论结合在一起的算法。该算法利用粗糙集对属性的归约功能将数据仓库中的数据进行归约,并将归约后的数据作为训练数据提供给BP神经网络。通过粗糙集归约,提高了训练数据表达的清晰度,也减小了BP神经网络的规模,同时利用BP神经网络又克服了粗糙集对噪声数据敏感的影响。文中提出了代价函数,解决了训练数据与网络精度的问题,也提供了由粗糙集归约向BP神经网络训练转变的依据。     

基于粗糙集和遗传算法的神经网络模型研究

提出一种基于粗糙集理论和遗传算法的神经网络模型和它的构造方法.该模型先利用粗糙集理论进行属性约简;利用遗传算法优化BP网络参数;用约简结果和优化的BP网络参数进行网络训练.仿真实验结果表明,该模型能简化网络训练样本,优化神经网络结构,提高系统的学习效率和精度.此方法是有效可行的,具有理论意义和实用价值.     

仪表表盘数字识别方法的研究

针对无指针式仪表表盘的数字识别问题,提出一种基于特征提取和粗糙集特征约简的神经网络数字识别方法.该方法首先利用数字图像预处理技术处理图像并利用特征提取方法提取数字图像特征,然后利用粗糙集理论进行特征约简,最后将约简后的信息输入到训练好的神经网络进行识别.     

基于神经网络数字识别方法的研究

针对无指针式仪表表盘的数字识别问题,提出一种基于特征提取和粗糙集特征约简的神经网络数字识别方法;该方法首先利用数字图像预处理技术处理图像并利用特征提取方法提取数字图像特征,然后利用粗糙集理论进行特征约简,最后将约简后的信息输入到训练好的神经网络进行识别;实验表明,相对于传统方法,该方法具有识别率高、速度快的特点,具有较高的实用价值;并且该方法在保留神经网络高鲁棒性的同时,为快速准确地进行数字识别开辟了新的途径。     

基于粗糙集遗传神经网络的柴油机故障诊断

提出一种基于粗糙集和遗传算法的BP神经网络故障诊断方法,解决基本BP网络收敛速度慢、精度低、易陷入局部极小值问题.运用粗糙集理论对训练样本进行属性约简,简化BP网络输入维数.设计2次遗传算法训练BP网络,第一次优化神经网络隐含层节点个数,第二次在神经网络结构确定的情况下,优化网络连接权值.以柴油机进、排气阀故障为例,应用提出的方法进行仿真,仿真结果证明了该方法能够优化神经网络结构,提高故障诊断速度和准确率.