一种基于粗糙集理论的变压器故障多变量决策树诊断方法

本文介绍了一种基于粗糙集理论来构建变压器故障诊断多变量决策树的算法。该方法选择变压器故障决策表的相对于决策属性的范化作为决策树的根节点,再选择粗糙度最小的条件属性作为下一个分枝节点的检验属性,形成结构更为简洁合理的变压器故障诊断多变量决策树。通过实例比较验证了该方法的有效性。     

粗糙集与决策树结合诊断故障的数据挖掘方法

根据数据挖掘技术用于故障诊断的基本思想，利用粗糙集进行数据归纳，过滤大量故障数据中的冗余属性，得到精简故障数据集。而后，用决策树分类方法处理精简数据集，产生分类所需的规则以进行分类，并结合实例说明了该方法的工作步骤。由实例可知该方法用于故障诊断的可行性，最后指出实际应用过程中的一些技术难题。     

基于一种新的启发式约简算法的变压器故障诊断方法

基于依赖度的知识相对约简的启发式约简算法是一种新的粗糙集最优属性约简方法,本文首次将其应用于变压器故障诊断问题中,并结合粗糙集值约简方法,得到一组故障诊断的最小决策规则集,从而大大减小了编码的工作量,避免了约简属性组合查询及缺少关键属性时规则匹配所带来的不便,运算速度也相对加快。此外,该模型还可以通过丰富训练样本,修正决策表的自学习法使得诊断效果不断提高。最后结合实例分析,证明该方法的简便及有效。     

基于决策类划分的新型多变量决策树算法

基于不可分辨关系、复合运算、集合运算和逻辑运算等集合论概念,构造一种新型的多变量决策树算法。该算法包括5个步骤:依据决策属性值划分出决策类;利用决策类之间条件属性集相交判断二义性条件属性值;利用决策类各条件属性值域的不同判断独立决策条件属性值;利用决策类自身条件属性集进行复合运算,获得多变量决策方法;使用或运算符(∨)连接各个部分的决策规则以取得完整的决策规则。以决策树典型训练集(气象信息系统)为例进行验证,其结果表明,该算法行之有效。通过时间复杂度的分析结果表明,该算法较之粗糙集算法更优,而且不亚于ID3算法。       

基于粗糙集方法的决策树多值偏向理论分析

ID3决策树算法是构造决策树的重要算法之一,然而实验表明该算法在选择分裂属性时存在着多值偏向问题。以往的大多数学者都是基于实验分析多值偏向问题。该文针对这个问题,基于粗糙集理论及凹函数性质,引入函数重要度概念,从理论上分析多值偏向问题,并分析了属性多值对属性的重要度的影响。最后实验验证该理论分析方法的正确性与可行性。     

基于粗集的多变量决策树方法研究

为了使构造的决策树更简单,规则更容易被理解且精度更高,文章基于粗糙集理论提出了一种对属性约简及泛化的多变量决策树算法。该方法采用条件属性的加权平均粗糙度这个指标来选择测试属性构造决策树。实验表明该方法较ID3算法得到的决策树更小且分类准确率更高。文章还展望用核属性以外的条件组合属性作测试属性构造更简化的多变量决策树。     

基于改进粗糙集理论与概率神经网络的变压器故障诊断研究

提出了一种基于改进粗糙集理论与概率神经网络的变压器故障综合诊断方法.利用了粗糙集理论的决策表约简技术,去除冗余信息,并引入可辨识矩阵,更加快速地去除故障冗余属性,减小了约简过程的复杂度.将得到的最小决策表作为改进的概率神经网络的训练样本,提高了PNN的训练速度和诊断的准确率.实例证明,该模型不仅能在信息不完备的情况下进行有效诊断,而且可以提高诊断速率及正判率.     

基于粗糙集的决策树优化算法

在粗糙集理论的基础上提出了一种新的决策树算法,把粗糙集中的近似分类精度及决策规则的确定性因子应用于决策树的构造,在算法形成的过程中提出抑制因子,对决策树进行修剪,避免了先生成决策树再修剪的繁琐步骤,且在每次划分时对条件属性值和决策属性值进行匹配考察,避免不必要的计算,进一步提高了算法速度．     

粗糙集理论在变压器故障诊断中的应用

为了对变压器故障诊断过程中大量的冗余特征进行压缩或约简,提高诊断的效率,将粗糙集理论引入到变压器故障诊断中,提出了基于粗糙集理论的故障特征约简算法:即由故障样本构成信息表,组合表中不同的属性集,求取与全体属性集具有相同分类质量的最小属性集。对具体典型诊断实例进行了分析,结果表明:在保证故障分类结果不变的情况下,该算法能够剔除具有冗余信息的特征,找出对故障分类起主要作用的特征,从而达到了特征约简的目的,不仅大大减少了诊断信息提取的工作量,也为后续的智能诊断提供很大的便利。     

粗集理论在车辆传动系故障诊断中的应用

用粗集的方法对车辆动力及传动系统的故障数据进行分析处理 ,通过计算属性的重要性和依赖度 ,从而获得最小的有效故障特征参数向量 ,使得车辆故障的快速实时诊断成为可能 .并通过计算决策的协调度来完成多决策信息的故障诊断 .结果表明 ,粗集方法在车辆故障诊断这一领域有着广泛的应用和其他方法无法替代的优越性     

基于熵和粗集的设备故障诊断方法

提出了一种基于熵和粗集的故障诊断方法。利用信息熵判断系统运行状态，确定系统故障的严重程度，并依据故障程度采集相应的数据，在此基础上，运用一种改进的区分矩阵方法进行相对约简并对不一致信息进行处理，最终形成一种综合策略的诊断规则。     

基于粗糙集和贝叶斯网络的变压器故障诊断

为了提高变压器故障诊断的准确性,采用智能互补的思想,将粗糙集和贝叶斯网络相结合来进行变压器故障诊断的研究.先将特征气体的比值进行离散化,再利用粗糙集理论进行属性约简,获得最小诊断规则;同时利用贝叶斯网络实现概率推理来分析变压器故障.通过变压器故障诊断实例分析,证明了该方法有效、可行,具有较高的准确率.     

基于粗糙集分解的传感器网络节点故障诊断方法

土壤环境监测系统中,节点故障诊断技术对及时了解网络中传感器节点的状态起着重要作用。由于网络中故障节点的存在,使得整个传感器网络监测数据的完备性受到影响。该文提出了一种不完备信息系统的粗糙集分解方法,并将此方法应用于传感器网络的节点故障诊断中,结果证明了方法的有效性。     

基于故障树的导弹故障快速诊断决策支持系统

导弹系统复杂性的增加，使得导弹故障种类也相应增多。目前，采用人工方式诊断导弹故障的效率较低。但对诊断技术人员掌握故障知识的要求却越来越高。为了提高诊断效率，降低故障诊断对人的过分依赖，设计了一种导弹故障快速诊断决策支持系统。该系统利用故障树对故障知识进行表达，采用深度优先搜索算法将故障树所表示的知识转化为故障规则，可最大限度的利用现场信息进行故障诊断；该系统具有良好的知识编辑环境，能提供直观的诊断结果，特别适用于将故障手册电子化，以提高导弹系统故障诊断的效率。     

基于粗糙集和神经网络的机械故障诊断研究

提出了粗糙集理论与神经网络结合的机械故障诊断方法,研究了连续属性离散化的SOM方法和条件属性约简的差别矩阵方法,归纳了构建神经网络需考虑的关键问题,用一个算例验证了方法的有效性.结果表明：粗糙集能有效地约简冗余信息,简化神经网络的结构,缩短网络的训练时间,提高诊断的效率;SOM网络能将连续性输入映射成具有理想聚类结果的离散性输出,并能保持数据间的拓扑结构不变;利用差别矩阵对决策表进行约简,结果准确可靠;BP神经网络泛函逼近能力强,能快速准确地完成特征空间到故障空间的映射.