产业集群中技术创新集群的生命周期研究

对产业集群的概念进行了界定，阐述了产业集群中的技术创新集群的概念，类型和特征，在对生命周期理论回顾的基础上，提出了产业集群中技术创新集群生命周期的概念，并进行了初步的研究。     

基于粗糙集与RBF-BP复合神经网络的变压器故障诊断

变压器的安全问题是电力系统稳定运行的关键因素.将BP神经网络稳定的优点与RBF网络收敛迅速的特点相结合,同时使用粗糙集对数据进行处理,进一步提高诊断的准确率.提出了新的变压器故障诊断方法,即基于粗糙集与RBF-BP复合神经网络算法,构建出该模型并且进行仿真实验.实验结果表明:该模型达到预期效果,准确率高,收敛速度快.     

基于生命周期的高阳纺织产业集群路径发展特征研究

基于产业集群生命周期的角度,对河北省高阳纺织产业集群进行了详实的论述与分析.通过大量文献研究及相关学者的建议,本文确定集群规模、集群网络、集群创新、集群门槛作为集群发展的4个特征.在综合运用结构方程等统计软件的基础上,对高阳纺织产业集群所收集的调查问卷,二手数据进行分析整理,最终确定高阳纺织产业集群处于成熟阶段.     

基于粗糙集-神经网络的客户价值预测

首先找出对客户价值有影响的一些因子，然后利用神经网络与粗糙集理论的优势互补，采用粗糙集对数据进行预处理，构建基于粗糙集-神经网络的客户价值预测模型，并依据此模型进行了验证评价，结果表明，本文提出的模型用于客户价值预测是有效的。     

基于产业集群生命周期理论的农产品电子商务产业集群可持续发展路径——以安徽省砀山县为例

以砀山县为例,探讨农产品电子商务产业集群的发展过程,并结合产业集群生命周期理论,将砀山县农产品电子商务产业集群的发展过程划分为四个阶段：萌芽期、初步形成及发展期、成熟期以及转型升级期。从行业协会、政府部门、集群内部成员等角度提出农产品电子商务产业集群可持续发展路径,即发挥电子商务协会作用,加速产业集群转型升级;建立农产品区域公共品牌,提升产业集群的可持续发展;更新电商知识,提升电商技能;加大人才引进和培养,提升集群创新力度;加大集群内部合作,延长集群产业链。     

基于全监督算法RBF神经网络的语音识别

利用RBF神经网络,采用全监督训练算法,实现基于RBF神经网络的抗噪语音识别系统。与传统的K-均值聚类算法相比较,采用全监督训练算法可避免隐含层节点中心容易对初始值敏感的缺点,且能使RBF网络具备更强的分类能力。实验结果表明,在不同的信噪比下,全监督训练算法比传统聚类算法有更高的识别率。     

基于RBF神经网络的语音情感识别

介绍了径向基函数神经网络的原理、训练算法,并建立了RBF神经网络的语音情感识别的模型。在实验中比较了BP神经网络与RBF神经网络分别用于语音情感识别识别率,RBF神经网络的平均识别率高于BP神经网络3%。结果表明,基于RBF神经网络的语音情感识别方法的有效性。     

基于模糊粗糙集的上市公司财务报告舞弊识别研究

财务报告舞弊识别方法的研究一直是当今财务管理领域里的热点问题,目前的研究方法主要为统计方法、数据挖掘技术、模糊神经网络等。尝试运用模糊粗糙集方法对财务指标进行约简并赋予权重,建立综合评判式,进而建立财务报告舞弊识别模型,该方法为财务报告舞弊问题的识别提供了一种新的思路。     

基于粗糙集神经网络的网络安全态势评估方法

为克服多源数据融合中存在信息高维、冗余和噪音等大量不确定性因素给网络安全态势评估带来的复杂影响,提出一种基于粗糙集神经网络的网络安全态势评估方法。该方法既利用粗糙集理论在机械学习、处理冗余信息和特征提取等方面的能力,又结合神经网络处理噪音和任意逼近能力构造出由指标层、离散层、规则层、决策层组成的态势评估模型,并与BP神经网络方法进行对比研究。仿真实验结果表明,所提方法偏差较少,更能客观、准确地分析网络安全状况。     

军民融合装备制造业产业集群的识别研究

识别军民融合装备制造业产业集群有利于因地制宜选择区域核心产业,有效推进军民融合式发展。运用主成分分析法对湖南省装备制造业产业集群进行识别,筛选出适合军民融合式发展的装备制造业产业集群。在此基础上,分析军民融合装备制造业产业集群的空间集聚,最后对湖南省发展军民融合装备制造业产业集群提出对策建议。     

基于粗集规则编码的神经网络控制器设计

利用通过粗糙集产生的控制规则对神经子网络进行编码,用遗传算法独立进化每一个子网络,把进化后的子网络用改进的遗传算法通过适当连接形成最后的神经网络。利用该神经网络进行在线控制,并和PID控制效果相比较,证明了其有效性。     

神经网络的企业能力集扩张模型研究

如何借助于不确定性推理技术和原理(概率推理、证据推理、模糊推理、信息推理、包含度推理等)研究不确定情形下的能力集扩张问题,仍是能力集扩张理论中很值得研究的内容之一。关于不确定情况下的能力集扩张问题,目前的文章主要是研究企业已有能力集或实需能力集是不确定的情形,没有解决两者都是不确定的情况,正是基于此目的,采用模糊粗集神经网络方法研究此种情况下的企业能力集扩张过程,解决模糊的市场需求、粗糙的已有能力集等不确定性影响因素,帮助决策者将企业能力集扩张到企业管理决策问题满意解所需的能力集。     

Rough Set Based Fuzzy Neural Network for Pattern Classification

A rough set based fuzzy neural network algorithm is proposed to solve the problem of pattern recognition. The least square algorithm (LSA) is used in the learning process of fuzzy neural network to obtain the performance of global convergence. In addition, the numbers of rules and the initial weights and structure of fuzzy neural networks are difficult to determine. Here rough sets are introduced to decide the numbers of rules and original weights. Finally, experiment results show the algorithm may get better effect than the BP algorithm.     

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.     

变精度粗糙集与神经网络在故障诊断中的应用

针对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SOM网络-变精度粗糙集-RBF神经网络的故障诊断方法：首先应用SOM网络对故障诊断数据中的连续属性值进行离散化,然后利用变精度粗糙集理论的属性依赖度进行启发式约简,据此得到最优决策系统,最后在最优决策系统的基础上设计RBF神经网络进行故障诊断。实例验证了该方法的可行性,且故障诊断正确率高。     

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%.     

基于Rough Set和neural network组合数据挖掘

提出了一种基于rough set和neural network的数据挖掘新方法。首先利用粗集理论对原始数据进行一致性属性约简，然后使用神经网络对数据进行学习，并同时完成属性的不一致约简，最后再由粗集对神经网络中的知识进行规则抽取。该方法充分融合了粗集理论强大的属性约简、规则生成能力和神经网络优良的分类、容错能力。实验表明，该方法快速有效，生成规则简单准确，具有良好的鲁棒性。     

基于粗糙集特征优化通信控制终端分类方法

目的 根据无线通信建筑环境干扰的特征变化,寻找确定通信控制终端发射功率分类的方法 .方法 采用粗糙集软计算特征约简方法 对通信控制终端的原始特征进行优化,去除冗余特征,并采用BP网络对测试样本中随机选取的样本进行测试.结果 通过对该方法 仿真,证明了该方法 具有良好的识别精度.结论 根据通信控制终端的特征,提出基于粗糙集软计算的特征约简方法 .该方法 能够提高神经网络识别分类的可靠性和快速性.     

基于Rough集的规则抽取技术

数据分类是数据挖掘的一个重要功能,神经网络以其良好的抗噪性和鲁棒性而成为一种广泛使用的数据挖掘工具,尤其是运用在数据分类中.但是,神经网络对用户来说是一个黑箱,所获得的知识隐含在神经网络的连接权中而难以理解.针对这种情况,建立了一个基于神经网络的数据分类系统模型,通过数据处理、网络训练、规则抽取等几个阶段,达到将获得的知识清晰化的目的.在系统中,首先对连续性数据作规一化和对语义性数据进行编码;然后经过网络训练而获取知识;规则抽取采用功能性方法:即把神经网络视为黑盒,随机产生输入得到相应的输出组成实例,然后采用Rough集的方法进行约简得出规则.     

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.