基于粗糙集－RBF的配电网故障诊断系统研究

为了改进人工智能方法在配电网故障诊断系统中的应用,给出了基于粗糙集理论的RBF神经网络的模型结构,然后利用训练好的神经网络对配电网进行故障诊断。采用VC＋＋语言开发工具,调用Matlab神经网络工具箱建立了一个简化的故障诊断系统,并通过配电网实例验证了方法的正确性。实践证明该系统不但提高了配电网故障诊断的容错性,使故障诊断变得更加准确有效,而且减少了神经网络样本数据,大大减少了故障诊断过程的时间。     

基于粗糙集与BP神经网络的烟气机故障诊断

结合粗糙集理论和神经网络在信息处理方面的优势,提出了一种基于粗糙集理论与BP神经网络相结合的烟气机故障诊断方法.首先对故障诊断数据中的连续属性进行离散化,然后根据粗糙集理论进行故障诊断决策系统约简,获得最优决策系统.最后在最优决策系统的基础上,设计BP神经网络对烟气机故障进行诊断.试验结果表明,该方法可以有效提高烟气机故障诊断的精度和效率.     

基于变精度粗糙集的齿轮故障诊断

提出一种基于变精度粗糙集的齿轮故障诊断模型。首先用自组织特征映射神经网络进行数据的离散化;再由变精度近似依赖度进行属性约简;然后生成故障诊断规则。给出一个齿轮的故障诊断的实例,并与粗糙集的故障诊断模型进行比较。结果表明基于变精度粗糙集方法降低了决策规则的复杂度及规则数量,且提高了故障识别率。     

滚动轴承故障诊断虚拟系统的实现

针对滚动轴承,实现了一种粗糙集理论和神经网络技术相结合的新型的故障诊断虚拟系统.该系统利用粗糙集对知识的约简能力,对采集的故障征兆数据进行预处理,即采用竞争学习神经网络把连续属性离散化,将结果导入Rosetta软件中逐步分析处理,得到最小条件属性集,在此基础上构建BP神经网络进行故障识别,将网络输出送回LabView进行显示.实例分析表明,该系统可以提高滚动轴承故障诊断的收敛速度,在期望误差相同的情况下,网络训练时间减小了176步.     

基于粗糙集—神经网络的三相SPWM逆变电路故障诊断研究

以三相SPWM逆变电路为研究对象，利用MATLAB仿真软件建立故障仿真模型。针对故障诊断中冗余及不完整的信息常使诊断规则误报、漏报的现象，采用粗糙集-神经网络对三相逆变电路进行故障诊断，优化了神经网络结构，提高诊断速度。仿真实验表明该方法取得了良好的故障诊断效果。     

变精度粗糙集与神经网络在故障诊断中的应用

针对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SOM网络-变精度粗糙集-RBF神经网络的故障诊断方法：首先应用SOM网络对故障诊断数据中的连续属性值进行离散化,然后利用变精度粗糙集理论的属性依赖度进行启发式约简,据此得到最优决策系统,最后在最优决策系统的基础上设计RBF神经网络进行故障诊断。实例验证了该方法的可行性,且故障诊断正确率高。     

粗糙集理论及其在故障诊断中的应用

介绍了故障诊断技术及粗糙集理论的发展状况,重点总结了目前粗糙集理论在故障诊断领域中的几种应用形式,即粗糙集理论与知识发现相结合用于故障诊断、粗糙集理论与专家系统相结合用于故障诊断、粗糙集理论与神经网络相结合用于故障诊断以及粗糙集理论与其他智能技术相结合用于故障诊断;同时,指出了粗糙集理论研究中存在的问题,并对今后的研究方向提出了具体的思路.     

粗糙集-神经网络在铝电解故障诊断中的应用

目的通过对铝电解生产过程中的故障进行有效地诊断来提高铝的生产效率和节约能源．方法把粗糙集和神经网络结合起来应用在铝电解的故障诊断中．先用自组织特征映射网络（SOM）对初始数据进行离散化后得到决策表,然后用粗糙集理论对决策表进行约简得到最简决策表,根据最简决策表设计BP神经网络对铝电解中的故障进行诊断．结果用粗糙集对神经网络的输入数据进行预处理可以简化神经网络的结构,减少计算量和训练时间,从而提高整个诊断系统的诊断效率、故障诊断准确率在90％以上．结论该方法能够对铝电解中的故障做出正确的诊断．     

基于粗糙集神经网络的网络安全态势评估方法

为克服多源数据融合中存在信息高维、冗余和噪音等大量不确定性因素给网络安全态势评估带来的复杂影响,提出一种基于粗糙集神经网络的网络安全态势评估方法。该方法既利用粗糙集理论在机械学习、处理冗余信息和特征提取等方面的能力,又结合神经网络处理噪音和任意逼近能力构造出由指标层、离散层、规则层、决策层组成的态势评估模型,并与BP神经网络方法进行对比研究。仿真实验结果表明,所提方法偏差较少,更能客观、准确地分析网络安全状况。     

智能故障诊断技术在核动力装置中的应用研究

核动力装置对系统的安全性能要求较高．为了让操作员在发生故障时,避免产生错误的判断及操作,一种较好的方法是将智能故障诊断技术应用到核动力装置故障诊断系统中．利用粗糙集的数据约简技术提取精简的规则,基于这些规则建立的模糊神经网络具有更好的拓扑结构,学习速度大大提高,容错能力强;RBF神经网络有着良好的局部性能,诊断单个故障的能力要优于模糊神经网络,且网络不用训练,诊断实时性好．将粗糙集理论所构建的模糊神经网络与RBF神经网络相结合,能充分发挥各自的优点．为了验证该方法的有效性,以核动力装置蒸汽发生器U形管破裂等故障为例,进行了仿真实验研究．研究结果表明该邦联网络具有良好的诊断准确性、实时性和可扩充性,得到了预期的效果．     

一种粗糙模糊神经网络识别器及其应用

结合粗糙集和模糊神经网络提出了一种粗糙模糊神经网络识别器的模型.该模型根据粗糙集理论对训练样本进行建立决策表、离散决策表、约简决策表、提取分类规则等推理过程设计.粗糙模糊神经网络识别器的输入层、两个隐含层、输出层的神经元个数分别根据决策表的约简结果、离散结果和分类规则、决策属性决定.将该识别器用于车牌字符识别,实验表明:该方法比粗糙集规则匹配识别方法识别率提高了18%,比BP神经网络识别方法识别率提高了2.7%.     

基于Rough Set和neural network组合数据挖掘

提出了一种基于rough set和neural network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RS-GA-BP神经网络的住宅房地产估价模型与应用

针对一般住宅房地产估价问题的非线性特征,融合粗糙集方法、遗传算法和神经网络算法的优势,提出了一种新的住宅房地产估价模型一基于粗糙集、遗传算法和BP算法集成的住宅房地产估价模型．首先对影响房地产估价因素进行离散化处理,其次利用粗糙集方法对估价因素进行约简,即精减BP神经网络的输入变量,最后利用遗传算法来优化BP神经网络初始权重和阈值．优化后的BP神经网络具有较好的处理非线性问题的能力,收敛速度和仿真精度较传统BP算法都有了明显的提高．选取某市工程案例进行实证分析,研究结果表明,新的估价方法能较客观准确地估测住宅房地产的价格,在住宅房地产估价中具备较高的实用性．     

基于粗糙集理论的模糊神经网络建模方法

采用基于粗糙集的模糊神经网络模型,将粗糙集理论与模糊神经网络相结合,通过利用粗糙集理论中的约简的计算方法,从样本数据中获取精简的规则,再根据这些规则构造模糊神经网络各层的神经元个数,克服了当输入维数高时,模糊神经网络的结构过于庞大的缺点,从而使网络模型结构最简.并采用误差反向传播算法(BP算法)来训练该新型网络中的权值参数及隶属函数的中心值和宽度,仿真结果验证了该模型的优越性.     

基于粗糙集约简算法的加注系统风险预测模型

基于粗糙集理论,提出了加注系统风险预测模型:首先,应用属性约简算法,将加注系统风险源权重的确定问题转化为粗糙集理论中属性重要性的评价问题,通过计算得到加注系统各风险源的权重,从而使加注系统风险源权重的确定更具客观性和合理性;其次,采用BP人工神经网络的自学习功能,建立一个加注系统风险预测模型,将相对约简的风险源作为系统输入,可较好地提高预测模型的效率。实例表明,该模型具有良好的扩展性和较低的运行开销。     

粗糙集神经网络在图像分割中的应用

提出了粗糙集神经网络用于图像分割的方法.该方法利用粗糙集约简理论对分割后的图像区域特征进行约简,以降低特征向量维数,抽取出规则,然后根据这些规则构造神经网络隐含层的神经元个数,从而确定粗糙集神经网络的结构.粗糙集神经网络中每个神经单元的输入为区域值,输出为决策分类值,此时权值预设为各规则粗糙隶属度值,然后用BP算法迭代,最终实现图像的分割.试验证明,该方法大大缩短了训练时间,提高了精度,并且得到优于常规的分割图像以及满足图像处理的实时性要求.     

基于粗糙集-神经网络的产业集群生命周期识别

将粗糙集理论与神经网络相结合,构建了基于粗糙集-径向基(RBF)神经网络集成的产业集群生命周期识别模型.该模型运用基于MDV(maximum discernibility value)函数与信息熵的模糊聚类算法进行连续属性离散化处理,采用粗糙集理论约简出重要指标体系,将训练样本输入RBF神经网络进行学习和训练,进而对检验样本的生命周期阶段进行判断.对我国138组产业集群样本数据的分析结果表明:基于MDV函数与信息熵的模糊聚类算法能够有效改善离散化效果,且该模型对检验样本的总体预测精度达到82.61%,从而证实了该识别模型的有效性和实用性.     

基于计算智能技术融合的故障识别方法

为了提高复杂系统故障识别的精度和降低误报率,利用粗糙集理论、遗传算法、神经网络等计算智能方法的优势,提出一种基于计算智能技术融合的故障识别方法.针对原始样本数据的不确定性和不完备性,利用粗糙集对原始样本数据进行数据归一化、离散化、属性约简等预处理,求得能够覆盖原始数据特征的具有最大完备度的最小规则集.利用具有全局搜索能力的遗传算法直接训练反向传播神经网络的权值,将规则集作为网络输入,形成优化网络模型.采用该模型对预处理的各种状态故障特征向量进行分类决策,实现故障识别.通过电机轴承故障识别实验表明,该方法能够优化网络结构,提高故障识别速度和准确率.     

基于区间值模糊的改进模糊神经网络研究

鉴于传统模糊神经网络计算繁琐、模型精度较低、难以收敛等问题,结合区间值与粗糙集理论,通过简化网络结构,改进输入条件,提出基于区间值推理的改进的模糊神经网络.通过仿真实验,验证了该方法的可行性.这一结果为研究模糊神经网络提供一种新的方法.