共查询到16条相似文献,搜索用时 171 毫秒
1.
为充分利用产品概念设计中积累的成功经验和数据,提出基于粗糙集、支持向量机等理论的融合推理模型。利用模糊集理论对客户需求属性中的语义化、模糊化信息和连续值进行离散化处理,然后利用粗糙集理论对条件属性的冗余信息进行属性约简和规则提取,利用近邻算法获得产品设计的最相似实例。对于未找到相似实例的设计要求,利用支持向量机回归模型进行创新设计,通过人工调整参数,最终得到产品概念设计的最优方案。该模型建立了概念设计客户需求与产品质量特征之间的联系,克服了传统近邻算法的缺陷。基于UG平台开发出具有良好人机界面的采煤机概念设计原型系统,实现了该融合推理模型的工程应用,经实践验证,该方法较为客观、准确和高效。 相似文献
2.
针对神经网络在故障诊断中存在着输入属性维数多和数据量庞大的缺点,利用粗糙集理论对原始数据进行约简,并剔除其中不必要的属性,构建了优化的粗糙集-神经网络智能系统。通过对实例分析,使用该系统能够提高采煤机故障诊断的准确性和效率,在故障诊断中有良好的应用前景。 相似文献
3.
4.
当今煤炭业已经进入了信息时代,基于粗糙集的非完备信息系统决策规则学习算法,能提高属性未知数据信息的准确表达。在该算法中,首先利用粗糙集理论对属性未知的数据信息进行属性约简,然后基于数据挖掘技术的关联规则发现方法和不确定决策方法进行属性未知数据信息的决策规则学习。通过实例数据集进行算法仿真分析,仿真表明,该算法具有较好的决策规则学习能力和表达准确性,验证了对属性未知数据信息利用经典粗糙集的上下近似等价关系进行约简和学习是有效的。 相似文献
5.
机械故障诊断中存在着许多不确定性和知识冗余性,而粗糙集理论是一种新型的处理不确定性信息的数学工具,粗糙集理论提供了对机械故障进行诊断全新的有效途径。将基于可变精度粗糙集模型应用于故障诊断,同时与遗传算法相结合,在保证诊断精度大致不变的情况下对故障征兆属性化简,消除诊断规则判断条件的冗余,获取精简的规则。实例证明了基于粗糙集理论的机械故障诊断方法的可行性。 相似文献
6.
粗糙集理论在有效地保持故障诊断分类结果的情况下,可以提取出最能反映故障的特征。本文研究了基于粗糙集的故障诊断规则获取方法,并通过一个故障诊断实例进行了验证。结果表明:粗糙集通过相应的约简算法,能有效地处理决策表,形成规则集。这种方法基本达到了机械故障诊断的效果。 相似文献
7.
基于变精度粗糙集的机械故障诊断方法 总被引:1,自引:0,他引:1
探讨了基于变精度粗糙集模型的故障诊断规则获取方法,该方法通过相应的变精度属性约简算法,利用变精度属性约简有效地处理带噪声的决策表,提取符合可信度要求的故障诊断规则形成规则集。此方法克服了标准粗糙集模型对数据噪声过于敏感的缺点,增强了数据分析和处理的鲁棒性。 相似文献
8.
粗糙集约简算法的研究与实现 总被引:1,自引:0,他引:1
粗糙集理论是一种基于对现实世界进行不确定描述的理论,属性约简是粗糙集理论的核心理论之一。对粗糙集理论进行阐述,并给出基于启发式的知识约简算法,最后结合MATLAB程序实例说明了该算法的可行性与有效性。 相似文献
9.
10.
为了能够提高活塞压缩机故障诊断的有效性和准确性,利用粗糙集理论和小波能量谱理论相结合的方法,对活塞式压缩机进行故障诊断研究。建立了活塞压缩机的粗糙集故障诊断理论模型。给出了活塞式压缩机故障诊断的步骤。根据活塞式故障的特点,制定了活塞式压缩机的故障诊断的计算机算法。通过现场应用,验证了该方法的鲁棒性。 相似文献
11.
12.
13.
Rough集理论是一种数据分析和处理方法,使用Rough集理论可以对决策表进行简化。该文针对矿井运输机故障诊断问题.利用Rough集属性约简和值约简方法对决策表进行约简.根据约简的结果生成规则。结果表明:使用Rough集理论可以在保留分类能力不变的前提下,简化对诊断信息的需求,而对故障样例的诊断得到的规则基本可信。 相似文献
14.
15.
为了减少煤矿局部通风系统故障发生的概率和防止瓦斯超出标准限制,把可靠性分析、粗糙集理论、遗传算法(GA)和智能决策支持系统(IDSS)相结合来建立和发展煤矿局部通风系统的故障诊断方法。该故障树模型的建立及其可靠性分析把获取故障的主要症状和故障诊断规则进行了分析和发展。最后,通过一个矿井实例对该模型系统进行开发和展示。结果表明,该方法不但能迅速准确地找到煤矿局部通风系统产生故障的原因,而且可以减少局部通风系统故障诊断的困难。 相似文献
16.
为了提高旋转设备故障诊断的准确率,提出了基于粗糙集和最小二乘支持向量机(LSSVM)的旋转设备故障诊断方法,讨论了如何进行数据选择、离散及约简方法,用粗糙集提取出旋转设备故障诊断的关键征兆属性,降低数据集的维数将约简属性后的数据集送入最小二乘支持向量机进行故障分类训练。仿真结果表明:采用此方法的故障识别率优于PCA-LSSVM法,分类时间也明显优于LSSVM分类方法。 相似文献