优化的粗糙神经网络在故障诊断中的应用

本文在相异度理论的基础上，提出了类间相异度的度量方法，从而以粗糙集理论为属性约简工具，利用相异度理论进行类的泛化和特化．构造出了优化的粗糙神经网络模型。故障诊断实例分析表明，该模型对神经网络分层约简并剔除其中不必要的属性．减少了神经网络的总体训练时间和决策过程中的模式匹配搜索量，大大提高故障诊断系统的反应能力，在大型复杂的故障诊断应用中效果尤为明显。     

基于粗糙集-BP神经网络的机车滚动轴承故障诊断

论文提出了一种基于粗糙集理论与BP神经网络相结合的机车滚动轴承故障诊断方法.首先对原始故障诊断样本的连续属性进行离散化处理,然后利用粗糙集理论,对条件属性进行约简,删除冗余信息,最后将约简的最小属性集作为BP神经网络的输入,并设计BP神经网络对滚动轴承进行诊断.仿真结果表明粗糙集-BP模型不仅简化神经网络结构,而且提高了收敛速度和故障诊断正确率.     

基于粗糙集和信息熵的BP神经网络故障诊断

针对粗糙集只能处理量化数据,容错和推广能力较差的缺点以及BP神经网络的维数灾难问题,提出1种基于信息熵的粗糙集属性离散化方法. 该方法利用粗糙集对属性进行约简,解决BP神经网络的维数灾难问题,并将BP神经网络用于模式分类补偿粗糙集属性约简用于模式分类时的不足. 实例分析表明该方法具有较好的故障诊断效果.     

一种煤矿带式输送机故障诊断方法

针对煤矿带式输送机故障种类繁多且各征兆存在交叉,严重影响故障诊断的时效性和可靠性的问题,提出了一种煤矿带式输送机故障诊断方法。该方法采用粗糙集与神经网络相结合的故障诊断技术,通过粗糙集属性约简算法优化输入的故障征兆集,得到最优约简集;将约简后的最小条件属性集输入BP神经网络进行合理训练,经过不断学习优化,最终得到诊断决策规则;将约简的相应测试征兆属性样本输入训练好的网络进行故障诊断,判别出相应故障。仿真结果表明,该方法能够充分删除冗余信息,加快网络训练速度,提高带式输送机故障诊断精度。     

基于RSOPNN的无线传感器网络节点故障诊断算法

针对无线传感器网络节点故障诊断中存在的冗余故障属性、噪声数据以及数据可靠性等问题,提出基于粗糙集-优化概率神经网络的无线传感器网络节点故障诊断算法（简称RSOPNN）。通过粗糙集从故障样本属性集合中求解故障诊断属性约简,从而去除冗余故障属性,降低冗余属性、噪声数据对故障诊断的影响,节省能耗。对于多个属性约简选择,以属性间的相关程度作为度量标准,代替常规的主观选择,从多个约简中确定最优故障诊断属性约简,解决主观选择的不合理性。以最优的故障诊断属性重构故障样本,作为优化概率神经网络的输入,建立故障分类模型,从而对故障进行诊断。实验结果表明,在不同的数据可靠性下,RSOPNN方法能够有效删减样本中的冗余属性和噪声数据,保持高效的故障诊断水平,符合无线传感器网络的需求。     

一种粗集与灰理论结合算法在柴油机故障诊断系统中的应用

提出一种基于粗糙集描述理论与灰理论的故障诊断属性约简方法,将用粗糙集描述理论算法进行故障诊断条件属性约简的结果,依据灰色关联度算法计算灰关联系数,进一步确定约简集中条件属性间的重要性,求取最佳属性约简集.在柴油机燃油系故障诊断系统,获取了最佳属性约简集,系统运行测试获得好的故障诊断结果.     

概率神经网络故障诊断的粗糙集优化方法

针对径向基概率神经网络故障诊断输入量过多会影响网络学习效率的问题,提出了一种基于粗糙集的概率神经网络故障诊断优化方法.该方法用模糊C均值聚类将故障诊断训练数据离散化,使用粗糙集化简由输入输出属性构成的决策表,利用约简后的输入量重新构建神经网络故障诊断模型,使原有模型得到优化并以柴油机故障诊断为例说明该方法的有效性.     

粗糙集及PSO优化BP网络的故障诊断研究

针对PP神经网络故障诊断存在网络结构复杂、训练时间长、精度不高的问题,将粗糙集、微粒群算法、遗传算法引入到柴油机故障诊断中,提出了基于粗糙集理论与改进PP神经网络相结合的柴油机故障诊断算法。算法采用自组织映射方法对连续属性离散化,利用粗糙集理论对特征参数进行属性约简,使用微粒群算法优化PP网络结构,从而缩短训练时间,有效提高故障诊断的准确度。最后用柴油机的实际诊断结果验证了该算法的可行性、快速性和准确性。     

基于变精度粗糙集的故障诊断应用研究

标准的粗糙集理论不能很好地处理带有噪声的数据,而故障诊断信息中难以避免地存在噪声数据,对此,提出了一种基于变精度粗糙集理论的故障诊断模型.先用自组织特征映射神经网络对连续属性进行离散化,然后利用变精度粗糙集的近似依赖性进行属性约简,据此得到决策规则,并给出了一个实例来说明如何应用这种故障诊断模型.     

一种新的粗糙神经网络的构造算法研究

将粗糙集理论同神经网络结合起来,提出了一种新的粗糙神经网络的构造算法。该算法针对含有连续属性的不一致决策表,采用整体离散化方法,对连续属性离散化,并用离散后的结果作为输入向量;然后利用粗糙集理论对不一致性决策表进行属性约简,减少神经网络的输入向量;最后使用经典数据对该神经网络进行训练。结果表明本神经网络提高了网络的收敛速度和泛化能力,改善了网络的预测性能。     

基于粗糙集理论和BP神经网络的数据挖掘算法

根据数据挖掘中粗糙集理论和BP神经网络各自的优势和存在的问题,提出了一种将粗糙集理论和BP神经网络理论结合在一起的算法。该算法利用粗糙集对属性的归约功能将数据仓库中的数据进行归约,并将归约后的数据作为训练数据提供给BP神经网络。通过粗糙集归约,提高了训练数据表达的清晰度,也减小了BP神经网络的规模,同时利用BP神经网络又克服了粗糙集对噪声数据敏感的影响。文中提出了代价函数,解决了训练数据与网络精度的问题,也提供了由粗糙集归约向BP神经网络训练转变的依据。     

基于粗糙集和BP神经网络的天然裂缝识别

研究粗糙集理论和BP神经网络算法,以及如何结合两者构建天然裂缝智能识别的应用。选取与天然裂缝发育有关的测井曲线作为样本集．先用粗糙集理论约简样本信息,然后采用BP神经网络识别天然裂缝。给出了基于粗糙集和BP神经网络的天然裂缝智能识别的设计方案,通过长庆油田实际油井的应用,结果表明这种识别方法效果显著。粗糙集有效地约简样本信息．BP神经网络很好地识别天然裂缝,故基于粗糙集和神经网络的智能识别方法切实可行。     

基于粗集理论的归一化方法

针对神经网络分类器在不同类样本间距离较近时训练速度较慢的缺点，提出了基于粗集理论的归一化方法。利用粗集理论对样本进行归一化处理后，用处理后的样本对神经网络进行训练。并以配电网故障选线为例，对该方法进行了分析。仿真实验结果表明，样本处理后的神经网络训练时间明显缩短。     

基于粗神经网络的仿人智能机器人的语音融合算法研究

将粗集合理论与神经网络相结合，提出一种基于粗神经网络的新的信息融合方法，用于仿人智能机器人的语音融合。该方法不仅可以接受定量输入，而且可以接受定性输入，即输入是一个范围，或在观测时间内输入是变化的。由于粗神经网络的误差传递函数不可微，所以采用遗传算法来训练粗神经网络。仿真实验结果表明，基于粗神经网络的信息融合方法有效地提高了语音的识别率。     

基于粗糙集和遗传算法的神经网络模型研究

提出一种基于粗糙集理论和遗传算法的神经网络模型和它的构造方法.该模型先利用粗糙集理论进行属性约简;利用遗传算法优化BP网络参数;用约简结果和优化的BP网络参数进行网络训练.仿真实验结果表明,该模型能简化网络训练样本,优化神经网络结构,提高系统的学习效率和精度.此方法是有效可行的,具有理论意义和实用价值.     

一种基于粗糙集理论的神经网络图像分割方法

神经网络用于分割图像时需要大量的训练数据,由于数据量大,计算速度相当慢。不适合实时数据处理。基于此,将粗糙集理论与神经网络相结合,提出基于粗糙集的神经网络图像分割方法。利用粗糙集理论中的约简的计算方法,从图像属性中获取精简的规则,根据这些规则构造神经网络各层的神经元个数,并根据粗糙集理论中的属性重要性来修正神经网络的权值。实验结果表明,该方法抗噪能力强,提高了精度,在大大缩短网络训练时间的同时改善了分割效果。满足图像处理的实时性要求。     

基于粗糙集理论和三层前馈BP网络的分类模型

本文提出了一种将粗糙集理论作为神经网络的预处理系统、两者共同构成一个分类系统的分类模型。利用粗糙集方法删除冗余属性、简化训练数据集,从而减小神经网络构成系统的复杂性,也减小网络训练时间;用神经网络作为后置的分类系统,可以提高整个系统的容错和抗干扰能力。     

Rough Neural Network of Variable Precision

In this paper, a new method is described to construct rough neural networks. On the base of rough set model, we present a method to develop rough neural network of variable precision and train it using Levenberg–Marquart algorithm. The method is particularly attractive because it combines the advantages of both rough logic networks and neural networks. In our system, weak generalization in rough sets theory and complexity in neural network are avoided while anti-jamming performance is highly improved and the network structure is also simplified. In experiments, the network is applied to classification of remote sensing images. The results show that our method is more effective and successful than application of rough sets and neural network separately.     

基于改进的粗糙集和神经网络的WSN故障诊断

综合粗糙集理论和人工神经网络的优点,提出了改进的粗糙集理论算法,并结合人工神经网络,实现了一种无线传感器网络(Wireless Sensor Network,WSN)节点智能故障诊断方法。首先基于WSN的应用环境和故障特征的分析,通过数据采集、数据预处理和数据压缩来获得诊断决策表,并利用粗糙集中改进的归纳属性约简算法(Improved Inductive Attribute Reduction Algorithm,IIARA)对决策表进行属性约简,从而提取对故障诊断贡献最大的最小故障诊断特征集合,进而确定后端径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的拓扑结构。最后通过网络训练建立故障征兆与故障类型之间的非线性映射关系,得到诊断结果。仿真实验结果显示,该诊断算法在对WSN节点进行故障诊断时,可以有效地减少网络输入层个数,简化神经网络结构,减少网络的训练时间,提高模型的诊断准确性。     

基于粗糙集和神经网络集成的贷款风险5级分类

建立了粗糙集与神经网络集成的贷款风险5级分类评价模型,该模型首先利用自组织映射神经网络离散化财务数据并应用遗传算法约简评价指标;基于最小约简指标提取贷款风险5级分类判别规则以及对BP神经网络进行训练;最后使用粗糙集理论判别与规则库匹配的检验样本风险等级,使用神经网络判别不与规则库任何规则匹配的检验样本风险等级.利用贷款企业数据库698家5级分类样本进行实证研究,结果表明,粗糙集与神经网络集成的判别模型预测准确率达到82.07%,是一种有效的贷款风险5级分类评价工具.