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。     

基于粗糙集理论和神经网络的图像分割方法

提出一种基于粗糙集理论和神经网络的图像分割方法。首先利用粗糙集理论对图像属性进行约简,提取规则,抽取关键成份作为神经网络的输入;然后根据这些规则确定神经网络隐层的神经元个数并根据粗糙集理论中的属性重要性来修正神经网络的权值。实验结果表明,该方法抗噪能力强且有效地解决了仅用神经网络进行图像分割时出现的神经元“死点”、网络结构复杂、收敛速度过慢等问题,在大大缩短网络训练时间的同时改善了分割效果。     

粗神经网络及其在图像融合中的应用研究

粗集理论能够优选数据,但容错性与推广能力比较弱;而神经网络具有较强的自组织、容错以及推理能力,却不能优选数据。把这两种理论结合起来,使之发挥各自优势,然后把它们用于图像融合之中,并提出了一种基于粗神经网络的图像融合方法,该方法使用遗传算法作为神经网络的训练算法。通过仿真实验表明,在对融合来自同一景物的多幅带噪声图像的应用中,该方法取得了很好的效果。     

一种结合粗糙集与神经网络的多传感器信息融合算法

近年来,神经网络被广泛应用于多传感器信息融合.但是当传感器数量庞大时,过高的输入神经网络的信息维数会导致神经网络训练速度下降,甚至不收敛.针对上述问题,对传统的基于神经网络的融合算法进行了改进,利用粗糙集的冗余数据约简算法,剔除部分传感器的输入,同时将剩余的传感器信息重新组合,形成维数较小的数据分别训练,从而避免了输入数据维数过高带来的问题,较之于传统算法,算法在训练阶段的迭代次数等时间性能以及融合阶段的准确性两个方面均有所提高.     

基于可变精度粗糙集的驾驶员多源信息融合研究

研究了应用可变精度粗糙集获取驾驶规则的方法。该方法的特点是可以处理由于类重叠引起的样本信息不精确、不一致情况下的规则获取。粗糙集理论一直用于研究不确定或不精确信息的数据分析问题,其主要思想是在保持分类能力不变的前提下,通过知识约简,导出概念的分类规则。而可变精度粗糙集作为对经典粗糙集理论的扩展,体现了等价类与集合的重叠度程度上的差别。给出了基于可变精度粗糙集的获取规则的方法,以驾驶过程的多源信息融合实例说明其使用方法,并验证了其有效性。     

Rough Neural Network of Variable Precision

In this paper, a new method is described to construct rough neural networks. On the base of rough set model, we present a method to develop rough neural network of variable precision and train it using Levenberg–Marquart algorithm. The method is particularly attractive because it combines the advantages of both rough logic networks and neural networks. In our system, weak generalization in rough sets theory and complexity in neural network are avoided while anti-jamming performance is highly improved and the network structure is also simplified. In experiments, the network is applied to classification of remote sensing images. The results show that our method is more effective and successful than application of rough sets and neural network separately.     

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。     

一种用于机场气象预测的模糊神经网络模型

针对民用机场多因素气象预测问题的复杂性,该文构建出一种基于粗糙集的模糊神经网络模型。采用粗糙集理论约简属性,挖掘潜在规则,在此基础上建立模糊神经网络模型,并根据规则的统计性质和离散化结果初始化网络参数,采用BP算法训练网络。实例验证,该模型在收敛速度与预测精度上优于传统的神经网络模型。     

一种基于粗糙集理论的组合分类器构造方法

首先分析了粗糙集理论和神经网络这两种理论的特点及其互补性,然后提出了一种构造组合分类器的新方法C3RST。新方法包括两个步骤,先对训练数据集进行约简,以此确定单个神经网络分类器的结构以及在组合分类器中要包含的分类器数目;然后将这些分类器组合起来,组合过程中各单个分类器的权值由粗糙集理论中的基本概念——属性重要性来决定。最后,在一些标准数据集上做实验验证C3RST的分类性能,结果表明该方法是有效的。     

基于粗糙集-神经网络集成的故障诊断

综合粗糙集和神经网络的优点,提出一种基于粗糙集-神经网络集成的智能故障诊断模型.在数据采集和预处理的基础上,利用粗糙集(RS)理论对原始故障诊断样本进行离散化处理,并根据条件属性(集)对决策属性的正域的大小来选择属性,提取出对诊断故障贡献最大的最小故障特征子集,从而确定神经网络的拓扑结构;通过网络训练建立故障特征与故障之间的映射关系,采用神经网络集成的方法实现故障的诊断.通过热电厂发电机组的故障诊断实例,表明了这种故障诊断方法的工程有效性.     

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．     

基于粗糙集理论和三层前馈BP网络的分类模型

本文提出了一种将粗糙集理论作为神经网络的预处理系统、两者共同构成一个分类系统的分类模型。利用粗糙集方法删除冗余属性、简化训练数据集,从而减小神经网络构成系统的复杂性,也减小网络训练时间;用神经网络作为后置的分类系统,可以提高整个系统的容错和抗干扰能力。     

金融风险预警的RST-FNN模型研究

将粗糙集理论（RST）与模糊神经网络（FNN）相结合,提出了一种基于粗糙集理论的模糊神经网络（RST-FNN）模型。新模型利用粗糙集的知识约简对样本数据去噪消冗,提取最优规则,从而克服模糊神经网络的“维数爆炸”灾难。实例仿真的结果表明,该模型的预测准确性较高,且具有结构精简、收敛速度快及泛化能力强等特点。     

基于粗糙集的交叉覆盖神经网络研究

在探讨交叉覆盖神经网络的基础上,提出了一种基于粗糙集理论和交叉覆盖神经网络的集成算法。首先应用粗糙集对原始数据进行约简处理,在保证信息完整性的同时,减少了数据的维数,然后使用交叉覆盖算法设计多层前向网络。通过使用粗糙集进行数据约简,减少了交叉覆盖算法的计算量,降低了网络计算的复杂性。实验结果证明了此集成方法的有效性。     

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。     

Rough sets for adapting wavelet neural networks as a new classifier system

Classification is an important theme in data mining. Rough sets and neural networks are two techniques applied to data mining problems. Wavelet neural networks have recently attracted great interest because of their advantages over conventional neural networks as they are universal approximations and achieve faster convergence. This paper presents a hybrid system to extract efficiently classification rules from decision table. The neurons of such hybrid network instantiate approximate reasoning knowledge gleaned from input data. The new model uses rough set theory to help in decreasing the computational effort needed for building the network structure by using what is called reduct algorithm and a rules set (knowledge) is generated from the decision table. By applying the wavelets, frequencies analysis, rough sets and dynamic scaling in connection with neural network, novel and reliable classifier architecture is obtained and its effectiveness is verified by the experiments comparing with traditional rough set and neural networks approaches.     

基于神经网络的股票预测系统研究

本文设计了一种基于粗集理论和神经网络的股票操作支持系统。系统根据对股票历史数据分析,预测股价未来一段时间内的走势,进而对投资者进行股票操作支持。指导投资者在投入资金一定的情况下,如何操作才会使总收益为最大。本系统首先利用粗集理论对预测数据进行属性约简等处理,然后把处理过的数据作为神经网络的输入。这样不仅减小了神经网络的规模,同时通过消除对象冗余减少了网络的训练和学习负担。与采用单技术的预测系统相比,本决策支持系统的可信度也有了较大的提高。     

基于模糊神经网络的粗糙集在股市预测中的应用

提出在模糊神经网络中使用粗糙集理论进行网络的设计.在模糊神经网络中引入粗糙集理论,不仅可以去除模糊神经网络中输入层的冗余神经元而且可以确定隐含层神经元的数目,从而使模糊神经网络具有更准确的逼近收敛能力和较高的精度.最后应用于股票市场,在股票买卖时机预测中取得了良好的效果.     

Granular neural networks

Fuzzy neural networks (FNNs) and rough neural networks (RNNs) both have been hot research topics in the artificial intelligence in recent years. The former imitates the human brain in dealing with problems, the other takes advantage of rough set theory to process questions uncertainly. The aim of FNNs and RNNs is to process the massive volume of uncertain information, which is widespread applied in our life. This article summarizes the recent research development of FNNs and RNNs (together called granular neural networks). First the fuzzy neuron and rough neuron is introduced; next FNNs are analysed in two categories: normal FNNs and fuzzy logic neural networks; then the RNNs are analysed in the following four aspects: neural networks based on using rough sets in preprocessing information, neural networks based on rough logic, neural networks based on rough neuron and neural networks based on rough-granular; then we give a flow chart of the RNNs processing questions and an application of classical neural networks based on rough sets; next this is compared with FNNs and RNNs and the way to integrate is described; finally some advice is given on development of FNNs and RNNs in future.     

模糊神经网络信息融合方法在机器人避障中的应用

基于Takagi—Sugeno(T—S)模型的模糊神经网络不但具有模糊逻辑和神经网络两者的优点，又具有很好的学习能力。将基于T—S模型的模糊神经网络的信息融合算法应用在移动机器人的避障运动中，采用了多个超声测距传感器探测障碍物的距离和方向，经过模糊神经网络信息融合后，实现了机器人对障碍物和环境类型的识别以及无冲突的运动。实验表明：此方法能够使机器人安全避障。