一种基于软计算的转子故障诊断方法

提出了一种基于软计算的转子故障诊断方法。该方法充分利用软计算中的模糊集合理论,人工神经网 络,粗糙集理论和遗传算法等计算方法优势,弥补它们相互的不足,进行故障诊断。首先利用粗糙集理论对样本数据进 行初步规则获取,并计算规则的依赖度和条件覆盖度,然后根据这些规则进行网络设计,其中,网络隐层节点的数目等于 规则的数目,初始网络权重由规则的依赖度和条件覆盖度确定,最后用遗传算法对模糊神经网络参数进行优化。使用该 网络对转子类常见故障进行诊断。实验表明,和一般模糊神经网络相比,这种基于软计算的诊断方法具有训练时间短、 诊断准确率高的特点。     

基于数据挖掘和机器学习的诊断智能研究

用粗糙集理论智能数据分析工具,对从诊断实例数据库中的诊断知识挖掘、基于诊断实例数据资源的神经网络模式识别实现方式进行了探讨.强调了数据资源中诊断知识蕴涵的必要性.建立了充分利用数据库中存储的故障实例知识资源的诊断智能知识获取和机器学习模型.该模型利用粗糙集理论的等价类概念实现诊断知识获取,等价类与所获取规则之间的映射关系作为神经网络训练的样本集.该机器学习模型的协调应用有助于逐步提高诊断系统的机器智能.     

用粗集-模糊神经网络评定空袭目标威胁程度

针对模糊神经网络运算过程中,当模糊规则较多时,网络学习速度慢,方法实时性差的缺点,本文提出采用粗糙集理论对该模型进行优化,该方法利用粗集数据分析方法,通过知识约简从数据中推理逻辑规则,并用约简后规则集作为模糊神经网络的规则将输入映射到输出的子空间上：在这个子空间上用改进的BP算法训练进行逼近。实验结果表明：通过粗集数据挖掘后提取的规则,不仅规则数目减少,且规则是不完全规则,减少了网络输入维数和各层神经元的个数,提高了网络运算速度,满足了系统实时性要求。     

用粗集-模糊神经网络评定空袭目标威胁程度

针对模糊神经网络运算过程中,当模糊规则较多时,网络学习速度慢,方法实时性差的缺点,本文提出采用粗糙集理论对该模型进行优化,该方法利用粗集数据分析方法,通过知识约简从数据中推理逻辑规则,并用约简后规则集作为模糊神经网络的规则将输入映射到输出的子空间上:在这个子空间上用改进的BP算法训练进行逼近.实验结果表明:通过粗集数据挖掘后提取的规则,不仅规则数目减少,且规则是不完全规则,减少了网络输入维数和各层神经元的个数,提高了网络运算速度,满足了系统实时性要求.     

一种模糊Rough决策方法

利用模糊集理论和粗糙集理论在处理不确定性和不精确性问题方面侧重点的差异性，构造一种组合决策模型。该模型从问题领域内的部分不精确信息出发利用模糊聚类方法构造一个决策信息系统，利用粗糙集理论关于决策规则的约简方法从决策信息系统中提取（挖掘）决策规则，使之适用于问题的整个领域。     

基于粗糙集的数据挖掘方法在机械故障诊断中的应用

粗糙集理论无需提供除问题相关的数据集合外的任何先验信息,适合于发现数据中隐含的、潜在的规律。文章将数据挖掘中粗糙集方法应用于机械故障诊断领域,对大量的机组状态数据进行挖掘,发现故障数据中存在的规律,并以规则的形式体现出来。结果表明,采用粗糙集方法所得出的规则是正确的,并能正确用于机械故障的分类工作。     

采用粗糙集的客户分类预测分析

探讨了粗糙集理论在客户分类预测中的应用,提出对一般属性约简的修正方法、直接处理不一致系统的分类规则约简算法及基于粗糙集的客户分类预测规则,为企业客户的分类预测提供了参考.实证分析结果表明运用上述方法及规则能有效地降低了数据计算的复杂性,提高客户分类预测的准确性.     

基于RSNN的计算机网络应用层故障诊断

为解决计算机网络应用层故障诊断问题,设计一个基于粗糙集神经网络的故障诊断系统,详细描述系统的结构、粗糙集神经网络的构造和训练方法,并通过仿真验证该方法的有效性。     

MMAS与粗糙集在齿轮箱故障诊断中的应用

粗糙集理论是一种新的处理含糊和不确定性知识的数学工具,属性约简是粗集理论研究的重要内容,属性约简算法有很多种,而计算一个最佳约简是NP难问题。为了能够有效地获取信息系统的约简,提出了一种新的约简算法。该算法选择最大-最小蚂蚁系统(MMAS),以Fisher准则作为启发式信息来提高搜索效率,将蚁群优化算法引入属性约简中,利用粗糙集理论对故障诊断决策表进行约简,形成清晰、简明的故障诊断规则,为下一步的故障诊断打下了坚实的基础。     

一种基于粗糙集的模糊信息融合方法及应用

将粗糙集理论和模糊逻辑技术结合起来，提出了一种基于粗糙集数据处理的模糊信息融合方法。运用粗糙集的基本理论和简约计算方法，从大量原始数据中发现精简的、概略化的规则，结合模糊逻辑推理建立一致粗糙模糊模型，并提出了对模型进行扩充与完备化的概念。脉动真空灭菌温度控制过程的仿真试验研究结果表明了所提方法的有效性和可行性。     

基于Rough集理论的模糊神经网络构造方法

提出了在模糊神经网络中使用Rough集理论进行网络结构设计的方法。由于Rough集理论有强大的数值分析能力,而模糊神经网络具有准确的逼近收敛能力和较高的精度,所以通过两者的结合,可以得到一种可理解性好、计算简单、收敛速度快的神经网络模型。这种网络构造方法的主要过程为：首先,利用Rough集理论对给定数据集进行规则获取;然后,根据这些规则构造模糊神经网络各层的神经元个数及相关参数初始值;最后,用BP算法迭代求出网络的各种参数,完成网络的设计。给出了一个二维非线性函数拟合的实例,进一步验证了方法的正确性。     

基于粗糙PSO-BP神经网络的冷链物流服务商选择研究

为帮助冷链食品生产企业快速选择最佳冷链物流服务商,在传统BP神经网络基础上融合粗糙集和粒子群算法,构建了粗糙PSO-BP神经网络模型。该模型利用粗糙集剔除原始数据中的冗余信息,使输入指标更加精简;采用粒子群算法代替梯度下降法对神经网络权重进行训练,使输出结果不易陷入局部极小值,增强网络泛化能力。通过算例验证该模型的有效性和可行性。结果表明,该模型在提高运算速度的同时,预测误差为BP神经网络模型的40.94%,预测结果更加准确可靠,为冷链食品生产企业快速选择最佳冷链物流服务商提供一种新的方法指导。     

一种粗模糊神经分类器

介绍一种新的粗集编码模糊神经分类器。基于粗集理论的概念，讨论了知识编码、属性简化、分类系统简化的方法；并利用模糊隶属度函数将输入精确信息映射为模糊变量信息，解决分类中病态定义的数据问题和提高系统非线性映射的分类能力；提出了结合系统参数的重要性因子的网络的模糊推理方法和粗模糊神经分类器的网络结构以及有导师的最小平方误差学习训练算法。实现的粗集编码模糊神经分类器具有网络结构空间维数低、学习算法简单、网络训练时间短、非线性特性丰富等优点。     

模糊粗糙集在轴承故障模式识别中的应用

提出一种基于模糊粗糙集理论的模式识别方法,将动态聚类法和方差分析法引入连续属性模糊化,获取模糊隶属函数,避开了粗糙集理论属性离散化过程带来的信息丢失;利用F检验判断分类的合理性,克服了人为确定分类数目的缺点;应用模糊化得到的模糊决策表进行条件属性约简,通过属性值约简,提取了清晰、简明的故障模式规则。轴承故障模式识别结果表明,该方法对比一般粗糙集理论,有效地提高了模式识别精度,在实际模式识别中具有很好的应用价值。     

基于模糊关联与BP网络的客户感性知识挖掘

通过建立Web问卷调查系统获取用户对产品造型特征的感性反映信息,并对用户感性评价信息予以模糊表征,进行多维模糊关联法则挖掘,进而产生客户感性信息与产品造型特征关联规则高频项目集。利用BP神经网络的学习能力对不同时段关联规则进行训练、预测和整合,从而实现客户感性知识挖掘,为产品设计辅助与企划决策支持提供新思路。     

规则库自提取和简化的模糊系统

介绍了一种新的规则自提取和简化的模糊模型算法，该算法由3个步骤组成：首先，通过构造一个模糊软划分判别准则对输入输出空间进行模糊划分，得到最佳分类数，从而得到了最佳的规则数；其次，根据最佳规则数和神经网络来构造初始的模糊模型；第三，通过运用模糊相似分析法，可以得到计算2个模糊集相似度的方程，从而根据事先确定的阈值来合并相似的模糊集。这样就得到了一个既满足对精度的要求又简单且具有可解释性的模糊系统。最后，用该算法对我国全要素生产力进行了模糊规则的提取。     

BP神经网络在产品配色中的应用研究

目的实现产品配色设计的自动化。方法以感性工学为理论基础,采用神经网络为关键技术来研究产品配色。首先确定产品色彩的感性词汇与色彩设计要素,然后利用BP神经网络模型建立色彩编码与感性意象评价值之间的关系,最后结合豆浆机实例,设置BP模型中的输入层、输出层、隐含层的相关参数来进行豆浆机配色感性意象设计的实验仿真。结果测试验证了BP神经网络在产品配色设计中应用的有效性。结论表明了产品感性意象与产品配色之间的关系,论证了利用BP神经网络建立产品配色辅助设计系统的可行性。     

应用粗糙集理论提取特征的词性标注模型

针对词性标注中的复杂特征提取问题,应用粗糙集理论(rough sets),有效地挖掘了包括长距离特征在内的复杂特征,并有效地处理了语料库噪声问题.最后,将这些特征融合于最大熵模型中,训练时按模型整体性能为其分配权重.开放实验表明:增加粗规则后获得96.29%的标注精度,相比原有模型提高了0.83%.