应用粗糙模糊度的不完备信息系统属性约简

粗糙集理论能有效地处理不精确、不一致、不完整等不完全数据信息,可以对数据信息进行分析和推理,发掘隐含知识,揭示潜在规律.属性约简是粗糙集理论的重要研究课题.在现实生活中,由于各种条件限制,信息的不完备现象广泛存在,限制了经典Rough集理论在一些实际问题中的应用.文中引入粗糙模糊度度量,定义了一种新的知识熵.在此基础上,提出了一种基于信息观下粗糙模糊度的不完备信息系统属性约简算法.通过仿真实验说明了该算法的有效性和较好的时间优越性.     

基于XML Schema的XML强多值依赖的推理规则集

XML强多值依赖的推理规则集问题是解决不完全信息环境下XML数据依赖蕴涵问题的基础,是不完全信息环境下XML模式设计理论的关键问题之一。提出了XML Schema、符合XML Schema的不完全XML文档树等概念;基于子树信息等价和子树信息相容的概念提出了XML强多值依赖的定义及性质;给出了相应的推理规则集,并对其正确性和完备性进行了证明。研究成果为不完全信息环境下存在XSMVD的XML Schema设计奠定了基础。     

基于粗糙集的不完备谣言信息系统的知识获取与决策

网络谣言可能扰乱人们的思想、心理和行为,引发社会震荡、危害公共安全,而微博等社交平台的广泛应用使得谣言造成的影响与危害变得更大,因此,谣言检测对于网络空间的有序健康发展具有重要的意义。当前谣言的自动检测技术更多关注检测模型的构建和输入数据的表现形式,而在改善数据质量以提高谣言识别效果方面的研究很少。基于此,本文将粗糙集理论应用于不完备谣言信息系统进行知识获取与决策,实质上是通过粗糙集理论解决不完备谣言信息系统的不确定性度量,冗余性以及不完备性等问题,以获得高质量的数据,改善谣言检测效果。首先系统总结了粗糙集理论中不确定性度量的方法,包括香农熵、粗糙熵、Liang熵以及信息粒度等四种不确定度量方法,并整理和推导了这四种不确定度量方法从完备信息系统到不完备信息系统的一致性拓展。基于上述总结的四种不确定度量方法,提出了基于最大相关最小冗余(MCMR,Maximum CorrelationMinimum Redundancy)的知识约简算法。该方法基于熵度量方式,能够综合考量决策信息与冗余噪音,在UCI及Weibo等8个数据集上实验验证,结果表明本文算法优于几种基线算法,能够有效解决信息系统的冗余性。另外,提出了一种基于极大相容块的不完备决策树算法,在不同缺失程度数据上实验验证,结果表明本文算法能够有效解决信息系统的不完备性。     

不完备文本信息系统的集对分析聚类算法

考虑到实验数据的大规模性及不完备性等特点,根据集对分析理论,提出一种新超图模型不完备文本系统的聚类算法,即在超图边的权重中引入了集对的同异反联系度和集对的相似联系度并建立了超图模型,最后应用超图分隔法进行聚类.该算法克服了传统聚类算法的缺陷,更有效地降低了文本空间的维数,提高了不完备文本信息系统聚类的精度和速度.最后的实例说明了该算法的可行性和有效性.     

粗糙集理论在故障诊断中的问题分析

粗糙集理论能对系统中的冗余信息进行约简,但其处理过程完全基于样本集,样本集的完备性对其处理结果有直接影响.对粗糙集理论及其在故障诊断中属性约简存在的问题进行了分析,通过实例证明了在故障样本集不完备的情况下,利用粗糙集进行的属性约简会由于新故障样本的引入而导致前后约简结果的不一致,从而影响诊断的准确性;指出了该问题产生的关键原因及解决的办法,并给出了相关的实现算法,以提高系统的故障诊断自适应性.     

基于加权的不完备非负矩阵分解算法

非负矩阵分解(NMF)作为一种特征提取与数据降维的新方法,相较于一些传统算法,具有实现上的简便性,分解形式和分解结果上的可解释性等优点。但当样本矩阵不完备时,NMF无法对其进行直接分解。提出一种基于加权的不完备非负矩阵分解(NMFI)算法,该算法在处理不完备样本矩阵时,先采用随机修复的方法降低误差,再利用加权来控制各样本的权重,尽量削弱缺损数据对分解结果产生的干扰。此外,NMFI算法使用区域权重来进一步减少关键区域数据缺损对分解产生的影响。实验结果表明,NMFI算法能有效提取样本中残余数据的信息,减少缺损数据对分解结果的影响。     

基于Spark的OWL语义规则并行化推理算法

随着语义网的快速发展,语义数据也高速增长,传统单机推理系统无法满足推理需求,而已有的并行推理算法在推理完备性和稳定性上存在明显不足。提出的基于Spark的并行推理算法(PROS)从以下3点进行了优化：(1)通过分析OWL Horst规则依赖关系,结合数据的分类结果将规则分四类。(2)四类规则分别设计了区域最优的规则执行顺序,进一步提高了并行推理的执行效率。(3)将Sameas规则考虑到迭代中,显著提高了算法的推理能力。实验结果表明,相比已有并行推理算法,PROS并行推理算法在保证推理完备性和稳定性上表现更加出色,推理效率亦有小幅提高;同时PROS相比单机推理算法大大缩短了推理时间,处理大规模数据展现出优良的并行扩展性。     

模糊推理算法及信息不确定条件下的诊断应用

针对系统动态特征信息的随机性、模糊性和不完备性，借助模糊数学理论的逻辑推理方法，构造一种可实现农作物病虫害模糊推理诊断模型，给出在已知症状信息条件下的求解算法。仿真算例表明，模糊逻辑推理诊断模型及算法能够有效完成农作物病虫害在多因素、多症状及症状信息不完备条件下的诊断推理，具有一定智能化程度、简单实用等主要技术特点，表现出一定的诊断可靠性。     

WDRR:一种带权重的多维案例推理算法

案例推理技术已经成为故障诊断、管理辅助决策、专家系统等实现的重要手段.现有的案例推理算法针对海量案例集时,普遍存在检索效率不高问题.设计了一种带权重的多维案例推理算法(Weighted DimensionReduction and R-tree,WDRR),该算法结合案例的多维特征权重,将多维案例降维成二维案例点,并在此基础上建立R树空间索引;案例检索时首先借助R树索引,确定案例的二维点所在,再结合二次权重和K近邻(KNN)算法进行精确过滤,根据相似度阈值输出案例推理的结果,并完成案例学习和索引修正.实验证明该方法针对海量案例集的检索效率和准确率都有较大的提升.     

一种应用于故障诊断中的高效推理算法

针对经典联合树推理算法的信息传播共享和推理时间等问题, 提出一种高效联合树推理算法. 该算法基于获得的证据信息和查询节点对原始的网络结构化简, 然后在化简后的网络结构上进行联合树推理. 在信息传递过程中, 该算法可以实现不同证据下的信息共享. 经仿真验证, 高效联合树算法能够在保证准确率的同时, 以更短的时间作出诊断推理. 基于现场收集的数据, 建立水泥回转窑故障诊断系统模型并应用改进的算法实现了精准且快的故障诊断.

     

基于专家知识和模糊推理的大科学装置故障诊断方法

针对大科学装置技术综合、结构复杂、系统庞大,在故障诊断方面面临的故障机理不清楚,难以建立精确的数学模型;诊断信息不完整、不精确,难以进行确定性推理;诊断数据受限,无法实现数据驱动等诸多问题。提出了基于专家知识和模糊推理相结合的故障诊断方法和模式匹配算法,通过模糊因子的引入和基于数据库的模糊诊断知识可视化建模方法的使用,解决了故障诊断环节的诸多不确定性问题,形成了面向用户的模糊专家系统故障诊断基础平台,并在某大型激光驱动装置测试验证平台中得到初步应用,实现了电气驱动及控制系统故障的智能诊断。     

基于数据库的电力设备故障诊断模糊专家系统的设计与实现

采用SQL Anywhere 5.0设计知识库。PowerBuilder6.5编程实现了电力设备故障诊断模糊专家系统,其知识的表示采用了模糊产生式表示式,引进了模糊匹配与加权模糊逻辑进行模糊推理,实现了一种较为理想的非精确推理。     

不完备多模型混合系统故障诊断的粒子滤波算法

针对模型不完备的混合动态系统故障诊断问题提出了一种粒子滤波算法. 系统未建模动态利用未知故障模式描述, 当存在未知模式时, 常规的粒子滤波器算法存在发散现象. 本文分析了常规粒子滤波器发散的原因, 提取了两个基于粒子集合的统计量: 粒子集的规格化因子 W 以及最大后验概率估计状态的信度 B. 在此基础上设计了检测未知故障模式的阈值逻辑, 即当 W 几乎为0且 B 较小时离散状态为未知故障模式. 在一定假设下从理论上证明了算法的正确性. 通过不完备的非线性混合系统诊断问题验证了算法的有效性.     

基于人工智能技术的不完备信息系统智能诊断方法研究

为了提高不完备信息系统故障诊断的正确性与效率,本文提出一种基于粗糙集理论、蚁群优化算法和RBF神经网络相结合的故障智能诊断方法。该方法首先利用“条件组合补齐算法”对不完备的数据进行完备化处理,再利用粗糙集对条件属性进行知识约简,得到具有最大完备度的最小规则集,接着用蚁群算法优化RBF神经网络的权值,并将最小规则集用于训练RBF神经网络模型,获得故障智能诊断模型。通过实际工程数据验证故障智能诊断模型的有效性,结果表明提出的方法能有效实现系统故障的诊断。     

基于数据库的燃煤锅炉事故诊断专家系统的设计与实现

采用MS SQL Server7．0设计知识库，Visual Basic 6．0编程实现了燃煤锅炉事故诊断专家系统。本系统知识表示采用了基于概率逻辑的产生式规则形式，并用数据库的方法存储管理知识库。推理机采用规则值的方法，并应用主观Bayes理论建立了不确定性推理模型。实现了一种较为理想的不精确推理。     

基于补偿神经网络的航空电子故障智能诊断系统及应用

针对航空电子系统中故障诊断的问题，提出一种将神经网络中的BP算法与模糊逻辑系统相结合、自动产生并自动修正模糊规则的自适应的模糊逻辑推理机。通过函数逼近仿真分析和航空电子系统故障诊断的实际应用，证明此方法简单有效，故障诊断的精度高，取得了较好的效果，具有一定的应用前景。     

A Method for Rule Extraction Based on Granular Computing: Application in the Fault Diagnosis of a Helicopter Transmission System

How to extract decision rules from incomplete decision table is of importance in fault diagnosis of helicopter transmission system. This paper introduces a knowledge acquisition method based on Granular Computing (GrC) for fault diagnosis of helicopter transmission system. First, following semantic analysis of missing attribute values in decision table, the basic idea of construction and interpretation of granules based on characteristic relation is studied. Then, the definition of GrC model based on characteristic relation as well as its construction algorithm is developed. Thus, a set of granules can be obtained completely and its implied information is consistent with the original decision table. Subsequently, the algorithm of attribute reduction in GrC is proposed. According to the definition of generalized decision rule, the way of extracting optimal decision rule from granules is studied. At last, Combined with an incomplete decision table for fault diagnosis of transmission system, this method has been achieved, and the analysis result shows its validity.     

A modeling and probabilistic reasoning method of dynamic uncertain causality graph for industrial fault diagnosis

Online automatic fault diagnosis in industrial systems is essential for guaranteeing safe, reliable and efficient operations.However, difficulties associated with computational overload, ubiquitous uncertainties and insufficient fault samples hamper the engineering application of intelligent fault diagnosis technology. Geared towards the settlement of these problems, this paper introduces the method of dynamic uncertain causality graph, which is a new attempt to model complex behaviors of real-world systems under uncertainties. The visual representation to causality pathways and self-relied "chaining" inference mechanisms are analyzed. In particular, some solutions are investigated for the diagnostic reasoning algorithm to aim at reducing its computational complexity and improving the robustness to potential losses and imprecisions in observations. To evaluate the effectiveness and performance of this method, experiments are conducted using both synthetic calculation cases and generator faults of a nuclear power plant. The results manifest the high diagnostic accuracy and efficiency, suggesting its practical significance in large-scale industrial applications.     

Fault isolation in analog circuits using a fuzzy inference system

This paper introduces a fuzzy inference system (FIS) for single analog fault diagnosis. The ability of fuzzy logic to encode structured knowledge in a numerical framework is exploited in isolating faults in analog circuits. A training set that simulates the behaviour of the circuit due to a set of anticipated single faults as well as the fault-free situation is first constructed. For each anticipated fault, this set relates the circuit measurements to the corresponding deviation in the faulty circuit element from its nominal. These measurements and the deviations in circuit elements are both fuzzified into appropriate linguistic fuzzy values. A fuzzy rule base for each fault that characterizes the circuit response by linking symptoms to causes is built. The outputs of the fuzzy rule bases are then defuzzified to recover crisp values for the deviations in circuit elements. A fault diagnosis procedure that utilizes the proposed FIS is also presented along with a brief analysis and comparison with a number of existing artificial intelligence-based techniques. A test example that demonstrates the potential of this procedure in fault isolation is illustrated.     

Backward Inference in Bayesian Networks for Distributed Systems Management

The growing complexity of distributed systems in terms of hardware components, operating system, communication and application software and the huge amount of dependencies among them have caused an increase in demand for distributed management systems. An efficient distributed management system needs to work effectively even in face of incomplete management information, uncertain situations, and dynamic changes. In this paper, Bayesian networks are proposed to model dependencies between managed objects in distributed systems. The strongest dependency route (SDR) algorithm is developed for backward inference in Bayesian networks. The SDR algorithm can track the strongest causes and trace the strongest routes between particular effects and its causes, the strongest dependency of causes can be also achieved by the algorithm. Thus, the backward inference provides an efficient mechanism in fault locating, and is beneficial for performance management.