基于粗集－模糊推理的径流多因素分级预报模型

针对径流多因素分级预报中因子的确定问题,将粗集理论引入到模糊推理多因素分级预报中,建立粗集-模糊推理径流分级预报模型。利用属性约简算法及相对分类精度确定预报因子及分级,以最小决策规则集作为推理规则进行分级预报。并结合大伙房水库年径流预报实例进一步分析因子分级和相对分类精度对预报结果的影响。结果表明,采用粗集理论筛选因子确定推理规则进行模糊推理预报,提高了预报级别合格率。预报结果在提供径流级别的同时,可给出预报区段值,为水库制定年度控制运用计划提供了丰富的参考信息。     

径流中长期预报的粗集模糊推理-神经网络模型

针对传统径流中长期预报模糊推理法存在的问题,基于粗集理论、模糊推理和神经网络技术,提出了基于粗集模糊推理-神经网络的径流中长期预报模型.通过比较预报因子相关关系系数值大小来选择径流的预报因子;用粗集理论约简径流中长期预报决策表,产生模糊推理规则;用BP神经网络技术学习模糊推理中的有关参数.实例验证,该模型比较客观地确定了预报因子模糊子集的隶属函数的参数,简单可行.     

基于递阶对角神经网络的大坝变形预报模型

针对大坝工作条件复杂,影响因素繁多,致使现有监控模型预报精度偏差过大问题,基于递阶对角神经网络能够逼近任意非线性函数的特点,使用串并联模型辨识器,采用动态BP学习算法,以水压、温度和时效因子为输入量,坝体位移为输出量,结合工程实例提出了大坝变形监测的递阶对角神经网络模型,并将该模型用于坝体变形数据的拟合分析及其预测预报.研究表明,该网络不仅收敛速度快,提高了算法的效率,而且对实测数据具有较好的拟合效果,提高了预报精度,在大坝安全预测分析中具有有效性和优越性.     

大坝防洪安全的风险分析

综合考虑水文、水力不确定性因素及调洪起始水位、调洪规则可选择性等对大坝防洪安全的影响 ,采用随机模拟方法计算大坝防洪安全综合风险率。应用一阶季节性自回归模型对入库洪水进行模拟 ,应用三角分布和正态分布描述水力不确定性对泄洪能力的影响 ,给定调洪起始水位和调洪规则 ,经过水库调洪演算 ,得到水库最高调洪水位随机分布和洪水漫顶风险率。实例结果表明 :水文因素是水库防洪风险的主要影响因素 ,水力因素、调洪规则、起调水位对水库泄洪风险有一定作用     

决策树C4.5算法在成绩分析中的应用

对学生的成绩进行分析并找出影响成绩的主要因素和规则,有利于科学指导学生的学习.介绍了一种以决策树C4.5算法为基础的学生成绩分析方法并以考研英语成绩分析为例,进行属性选择、构建数据集、数据预处理并建立模型,以提取影响考研英语成绩的主要因素和规则.实验表明,该模型有较好的交叉验证率和正确预测率,用此方法对学生成绩进行分析是合理的.     

基于粗集的规则不确定性量度

在对粗集及其相关理论的研究基础上,给出了一种基于推广粗集模型和信息熵的规则不确定性量度及其相关定理的证明,同时在此基础上还提出了一种规则噪音处理方法,实验结果证明该不确定性量度适用于评价从有噪音数据中提取的规则。     

一种基于粗集理论方法的水位模糊控制器设计

应用粗集理论中知识表达系统决策规则的简化方法对模糊控制规则进行约简来设计粗糙模糊控制器,通过约简简化控制系统,从而得到一个最简控制决策规则,使系统更易于控制。完成了水箱水位粗糙模糊控制器的设计,并分别进行了模糊控制和粗糙模糊控制仿真研究,研究结果表明该粗糙模糊控制能有效改善模糊控制的性能。     

基于最大熵原理的大坝安全监控组合预测模型研究

大坝性态受到内外多种不确定因素的影响,使得监测效应量在一定程度上呈现出随机和不确定性的特点,单一的安全监控预测模型不可避免地存在某些缺陷。采用最大熵原理建立大坝安全监控的组合预测模型,该模型以各单一模型的预测结果作为约束信息,利用最大熵原理得到预测结果的分布。实例分析表明该方法能够突出监测量变化的随机性特点,有效地提高了大坝安全监控模型的预测精度。     

知识发现中概率统计与粗集方法的比较

对知识发现中，概率统计方法与粗集理论方法在评价系统参数的重要性，分类隶属度与条件概率，输入条件与决策结果的依赖关系等方面进行了比较，提出了将概率统计方法和粗集理论相结合，由确定性粗集的近似空间扩展到了不确定性的概率粗集的近似空间，为确定性和不确定性知识表达系统提供一个统计粗集模型。     

催化裂化粗汽油干点的神经网络质量模型

在对影响粗汽油干点质量模型的主要因素进行分析的基础上,利用小波变换对催化裂化生产过程数据进行了预处理,建立了催化裂化生产过程粗汽油干点的神经网络质量模型,仿真结果表明了该模型的有效性和可靠性.     

知识的不确定性度量和基于信息熵的模糊粗糙度

基于另一角度——信息熵给出了模糊集在λ—水平下的模糊粗糙度的概念，从而更深刻地反映知识的不确定性及集合的不确定性．     

概率粗糙集Ⅲ型与Ⅳ型之研究

经典粗糙集理论在解决系统不确定性知识时有明显的不足,对于不协调的决策表的规则提取存在很大的局限性.因此许多学者从不同的角度如变精度、概率论、模糊集来拓展其研究领域.概率粗糙集是从概率论出发,充分利用近似边界区域提供的统计信息,能提取带有确定因子的决策规则.概率粗糙集Ⅲ型与Ⅳ型是其后两种形式.论文推导了概率Ⅲ型与Ⅳ型的若干定理及重要性质,并予以证明;把最小风险Bayes决策转化为概率Ⅲ型与Ⅳ型下的问题来解决,最后用一个实例说明了其有效性.     

一种多粒度覆盖粗糙集模型

多粒度粗糙集是粗糙集模型在多粒度及分布式环境中的一种重要的拓展形式,其主要思想是采用一族而非一个粒空间中的知识来对目标进行粗糙逼近。将多粒度的思想引人覆盖粗糙集模型中,采用一族而非单个的覆盖,提出了一种多粒度覆盖粗糙集模型。     

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。     

Generic reconstruction technology based on RST for multivariate time series of complex process industries

In order to effectively analyse the multivariate time series data of complex process, a generic reconstruction technology based on reduction theory of rough sets was proposed. Firstly, the phase space of multivariate time series was originally reconstructed by a classical reconstruction technology. Then, the original decision-table of rough set theory was set up according to the embedding dimensions and time-delays of the original reconstruction phase space, and the rough set reduction was used to delete the redundant dimensions and irrelevant variables and to reconstruct the generic phase space. Finally, the input vectors for the prediction of multivariate time series were extracted according to generic reconstruction results to identify the parameters of prediction model. Verification results show that the developed reconstruction method leads to better generalization ability for the prediction model and it is feasible and worthwhile for application.     

基于粗糙集理论的瓦斯灾害信息特征提取技术

为了准确预测煤与瓦斯突出的危险性,建立有效的煤矿瓦斯预警支持系统,针对煤矿瓦斯灾害的特点,本研究提出了一种新颖的基于粗糙集的瓦斯灾害特征提取算法。该算法首先利用维数化简技术对瓦斯灾害信息矩阵进行优化,并在此基础上,利用信息论中熵的概念和最大熵原理构建瓦斯灾害信息特征提取模型。通过实际应用,证实了粗糙集理论在瓦斯灾害特征提取与瓦斯灾害预测中的有效性和实用性。     

一般变精度概率近似算子

介绍了一般二元关系下的粗糙集模型,该模型是将经典粗糙集模型的等价关系推广为一般二元关系,此时它将不再形成对象集的划分.另一方面,经典粗糙集模型中的包含关系在很多实际问题中不能完全满足.变精度粗糙集模型通过引入一个误差参数,允许在这个误差范围内尽可能多地提取信息,弥补了经典粗糙集模型在应用中的不足.给出了基于一般二元关系的变精度概率粗糙集模型,研究了一般变精度概率近似算子的一些性质.     

模糊关系下的概率粗糙集模型及其Bayes决策

经典的概率粗糙集模型是基于论域上的等价关系而建立的,然而在实际应用中,等价关系很难得到。因此,经典的概率粗糙集模型被推广到基于一般二元关系的概率粗糙集模型。更进一步地,还可以推广到模糊二元关系。建立了基于模糊关系的概率粗糙集模型,推广了前人的工作,同时给出了该模型下的Bayes决策方法和应用实例。     

粗糙直觉模糊集的不确定性分析

基于粗糙直觉模糊集的基本概念和模糊熵的公理化定义,给出了直觉模糊集粗糙隶属函数的定义并讨论其基本性质,再利用粗糙隶属函数的直觉模糊熵,给出了粗糙直觉模糊集的不确定性度量,并讨论了度量的一些相关性质。     

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%.