集值信息系统的属性约简

属性约简是粗糙集理论研究中的重要内容之一。本文主要研究集值信息系统的属性约简问题。在集值信息系统中基于拟序关系引入了信息量的概念,给出了属性特征的判定方法,以及信息量与属性约简之间的关系。根据信息量定义了属性重要性,研究了属性重要性与属性约简之间的关系。进而得到了基于信息量和属性重要性的属性约简算法,给出了该算法的时间复杂度。通过实例说明,该算法是有效的。     

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。     

基于粗糙集与信息熵的不完备测试信息条件下故障诊断

针对测试信息不完备条件下故障诊断决策问题,引入粗糙集和信息熵方法。利用决策属性支持度求相对核,以此作为启发信息;通过建立属性知识与信息熵的联系,提出基于信息熵的属性约简方法。结合决策属性支持度和信息熵设计了约简算法流程,减少属性集搜索空间,求得到最优属性约简集。实例表明,该算法适用于协调的不完备决策信息系统和不协调的不完备决策信息系统,能够解决不完备测试信息条件下故障诊断决策问题。     

基于形式概念分析的多光谱遥感影像波段选择

针对遥感图像特征选择和提取的波段选择,利用形式概念分析中属性约简的思想设计了波段约简选择算法。该方法利用遥感影像的信息量作为指标,将多光谱影像作为形式背景,各波段作为形式属性,通过属性约简得到核心属性即最优波段,这样不仅避免了多光谱遥感数据波段之间的相关性对波段选择的影响,还提高了选取训练样本的效率。最后采用了美国地球观测卫星Landsat拍摄的TM遥感影像数据进行实验,与常用的波段选择方法相比,本文的方法更为简便和高效。     

模糊决策属性约简及其在工位评估中的应用

受粗糙集理论中知识约简的启发,在模糊多属性决策理论中提出属性约简的概念,构建属性约简方法,寻求属性集合中所有最简单的保序属性约简子集以及属性约简核.用属性约简子集代替原有的属性集合,通常可以显著简化模糊多属性决策问题.还将此属性约简方法应用到生产线工位绩效评估中,表明此属性约简算法的实用性.     

基于粗糙集约简的生产成本决策

成本决策是成本管理的重要环节,为了将先进的人工智能方法融入生产成本决策过程中,并使得决策因素最小化,在深入研究粗糙集理论的基础上,提出了一种新的基于区分矩阵的最小属性约简方法,并详细阐述了该方法的含义和性质,以及算法的搜索策略与执行过程,有效解决了任意相容决策表的最小属性约简问题,并结合现有改进的值约简算法,达到了决策...     

基于粗糙集的电机机械状态特征的约简研究

针对集装箱起重机起升电机振动特征参数较多的特点,在利用小波包分解算法进行特征提取的过程中,引入基于粗糙集理论的属性约简方法,在保证识别精度的前提下约简特征参数的维数,以便更高效地进行机械状态识别。同时,引入Wallace测度对约简后的特征属性集与约简前进行识别精度比较。实验结果显示,约简前后的识别结果和精度基本相同,而特征属性维数大大减少,从而大大降低了聚类识别过程的复杂程度和计算量。     

基于粗糙集与最小二乘支持向量回归的汽轮机主蒸汽流量预测

针对传统主蒸汽流量计算方法的不足,提出了一种新的主蒸汽流量预测方法,该方法综合了粗糙集理论与最小二乘支持向量回归算法的优点,利用ROSETTA V1.4.41研究实验平台中的遗传约简算法对输入变量的属性进行约简,再利用最小二乘支持向量回归算法建立主蒸汽流量的预测模型。实验表明,与未经粗糙集理论处理过的BP神经网络、支持向量回归算法和最小二乘支持向量回归算法所建模型相比,该方法具有更好的预测精度和泛化能力,且建模速度显著提高。     

商业智能在数字电影流动放映系统中的应用

本文介绍了利用数据挖掘技术对数字电影流动放映系统中院线订购节目的历史数据进行挖掘,通过挖掘发现院线用户偏好,以供电影数字节目管理中心为用户提供更好的服务。针对订购数据的复杂性和不完整性,我们采用粗糙集算法,建立了用户偏好度的挖掘模型,通过对不完整信息的预处理和属性约简等措施,快速分析出院线订购影片时所关注的影片关键属性。实际数据的实验结果表明粗糙集算法与传统的贝叶斯算法相比,在同等的计算复杂度下具有能达到更准确的属性约简集。     

概念格的外延覆盖约简

概念格是数据分析与知识发现的一种有效的形式化工具.知识发现的一个重要课题是知识约简,因此,寻求简单有效的属性约简方法是很有必要的.近年来,概念格属性约简方法的研究得到了很多学者的关注,提出了多种形式的概念格属性约简方法.本文利用形式背景的外延基本元,提出了概念格的外延覆盖约简的概念.讨论了这种约简与已有的几种约简之间的关系.证明了外延覆盖约简等价于粒约简,且概念格属性协调集一定是外延覆盖协调集.给出了外延覆盖协调集的判定定理,借鉴粗糙集属性约简的思想,得到了利用辨识矩阵计算全部外延覆盖约简的Boole方法.     

一种基于FPGA的改进粗糙集属性约简方法

粗糙集理论是一种新型的数学工具,主要用于分析处理模糊和不确定知识。属性约简是其中的一个重要环节。本文结合遗传算法,提出了一种基于FPGA改进的粗糙集属性约简方法,在原研究的基础上,先利用属性重要度求解决策表的核属性,再运用于属性约简,从而减少遗传操作的迭代次数,加快属性约简速度。     

基于分治的属性约简相对核计算

针对信息表中相对核的计算采用分治策略提出了一个新的属性约简方法，将在计算整个全域上的属性约简问题转化为计算在相应划分的子区域上属性约简问题．将原有计算POS X0(y)的算法复杂度O(|A||U|^2)，降为O(|A|(|Y1|^2 |Y2|^2 … |Yn|^2))，对于一般比较大的|U|说，效率提高非常明显，提高了属性约简的可计算性.     

基于遗传蚁群算法的测试用例集约简

为提高软件测试效率,节省回归测试成本,本文提出了一种新的约简测试用例集的算法.该算法是遗传算法和蚁群算法两种算法的结合,首先利用遗传算法的快速随机全局搜索能力,生成蚁群算法的初始信息素,然后利用蚁群算法的正反馈性,快速得到约简测试用例集的近似最优解.最后通过仿真实验验证了该算法的有效性.     

基于平均多粒度决策粗糙集和NNBC的滚动轴承故障诊断

采用求同排异思想的悲观多粒度粗糙集是一种规避风险的决策策略,其限制条件过于苛刻,导致约简后的征兆属性集维数过低,难于对滚动轴承的状态做出准确判断。为此,提出一种基于平均多粒度决策粗糙集和非朴素贝叶斯分类器(Non-Naive Bayesian Classifier, NNBC)的滚动轴承故障诊断方法。该方法提取训练样本中滚动轴承的故障特征,用于构建平均多粒度决策粗糙集;采用基于平均多粒度决策粗糙集的属性约简算法,降低训练样本中征兆属性集的维数;根据约简后的训练样本构建NNBC,用于判断待诊样本中滚动轴承状态。实验结果表明该方法能够准确地判断滚动轴承的故障类型及故障程度。     

基于粗糙集理论的水质模糊综合评价

针对水质评价中存在指标选取主观和赋权计算繁琐等问题,提出了利用粗糙集做属性约简,消除不相关和不重要的指标;运用属性重要度对约简后的指标赋权,并应用模糊综合评价进行水质评价。结果表明,粗糙集理论应用于模糊综合评价和传统模糊综合评价的结果基本一致,而且粗糙集属性约简和属性重要度赋权能够达到客观选取指标、简化水质评价过程等目的。     

协调决策形式背景的属性约简

本文研究基于对象定向概念格和属性定向概念格协调决策形式背景属性约简的问题。首先介绍了协调决策形式背景属性约简的概念,讨论了其等价的定义。进一步给出了属性约简的判定定理和相应的可辩识属性矩阵,从而为概念格中协调决策形式背景属性约简提供了一种具体的方法。     

一种基于属性划分的序信息系统并行约简算法

在粗糙集理论中,序信息系统的属性约简是一个重要的问题.目前已取得一些初步的研究成果,但仍缺乏有效的计算方法,主要表现为求解约简耗时过长.本文采用"分而治之"的策略,利用递减划分对属性进行分组,从而将原系统分解为规模相近的若干子系统,并在互不影响的情况下同步计算各子系统的核与约简,然后将子系统的核与约简合并得到原系统的核与约简.算例分析验证了本文提出的属性约简方法的可行性和有效性.     

动态增殖流形学习算法在机械故障诊断中的应用

针对现有的批量式流形学习算法无法利用已学习的流形结构实现新增样本的快速约简的缺点,提出增殖正交邻域保持嵌入(Incremental Orthogonal Neighborhood Preserving Embedding,IONPE)流形学习算法。该算法在正交邻域保持嵌入算法基础上利用分块处理思想实现新增样本子集的动态约简。从原始样本中选取部分重叠点合并至新增样本,对重叠点和新增样本子集不依赖原始样本使用正交邻域保持嵌入(ONPE)进行独立约简获取低维嵌入坐标子集,并基于重叠点坐标差值最小化原则,将新增样本低维嵌入坐标通过旋转平移缩放整合到原样本子集中。齿轮箱故障诊断案例证实了IONPE算法具有良好的增量学习能力,在继承ONPE优良聚类特性的同时有效提高了新增样本约简效率。     

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。