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.     

一种基于模糊规则的分类方法

本文提出了一种基于模糊规则的分类方法。首先介绍了一种新的模糊规则提取方法,然后基于所提取的模糊规则给出了一个采用二级判决的分类算法,并利用IRIS数据对此分类算法进行了仿真测试。结果表明,该算法在训练样本较少的情况下,仍能得到很好的分类效果.     

基于模糊C均值聚类和粗糙集理论的旋转机械故障诊断

提出了一种基于模糊C均值聚类和粗糙集理论的旋转机械故障诊断方法．该方法包括粗糙集规则学习和诊断规则匹配两个过程．其中，学习过程考虑了样本中的重复对象和冲突对象，使获得的诊断规则能够覆盖所有的学习样本，并得到规则强度；在诊断规则匹配时，根据规则中条件属性的属性重要性、条件属性匹配的程度、规则强度以及诊断结论阈值得到诊断结论，从而使得到的结论更客观．最后,通过实验验证了该方法的有效性．     

复杂经济系统FCM划分最佳聚类数的确定*

提出了一种复杂系统最佳聚类数的确定方法,首先检验系统的可聚性,然后给定合理的聚类数区间,最后在聚类数区间中搜寻得到最佳聚类数,其中搜寻依据为尽可能满足经典的聚类有效性指标。对X30及Bensaid数据检验及全国31个地区按科技水平分类的研究,表明了该方法的可行性和有效性。     

基于K-means的最佳聚类数确定方法研究

确定数据集的最佳聚类数是聚类研究中的一个重要难题。为了更有效地确定数据集的最佳聚类数,该文提出了通过改进K-means算法并结合一个不依赖于具体算法的有效性指标Q(c)对数据集的最佳聚类数进行确定的方法。理论分析和实验结果证明了该方法具有良好的性能和有效性。     

一种基于决策粗糙集的模糊C均值聚类数的确定方法

Fuzzy C-Means(FCM)是模糊聚类中聚类效果较好且应用较为广泛的聚类算法,但是其对初始聚类数的敏感性导致如何选择一个较好的C值 变得十分重要。因此,确定FCM的聚类数是使用FCM进行聚类分析时的一个至关重要的步骤。通过扩展决策粗糙集模型进行聚类的有效性分析,并进一步确定FCM的聚类数,从而避免了使用FCM时不好的初始化所带来的影响。文中提出了一种基于扩展粗糙集模型的模糊C均值聚类数的确定方法,并通过图像分割实验来验证聚类的效果。实验通过比对不同聚类数下分类结果的代价获得了一个较好的分割结果,并将结果与Z.Yu等人于2015年提出的蚁群模糊C均值混合算法(AFHA)以及提高的AFHA算法(IAFHA)进行对比,结果表明所提方法的聚类结果较好,图像分割效果较明显,Bezdek分割系数比AFHA和IAFHA算法的更高,且在Xie-Beni系数上也有较大优势。     

基于聚类、粗糙集和支持向量机的故障诊断

故障诊断有多种方法,利用支持向量机进行故障诊断是其中一种比较有效的方法。但是,故障征兆往往有多个,很难确定哪些征兆是关键的,哪些征兆是冗余的,这样就要搜集处理大量的数据,使支持向量机的结构变得复杂,诊断效率不高。为了提高故障诊断的效率,文中提出一种将K均值聚类、粗糙集、支持向量机相结合进行故障诊断的方法。这种方法首先利用K均值聚类对数据进行预处理,然后利用粗糙集对属性进行约简,最后再用支持向量机进行故障诊断。这样可以充分发挥粗糙集与支持向量机各自的优势,实例证明它可以提高故障诊断的速度和精确度,是一种较好的故障诊断方法。     

基于聚类、粗糙集和支持向量机的故障诊断

故障诊断有多种方法,利用支持向量机进行故障诊断是其中一种比较有效的方法.但是,故障征兆往往有多个,很难确定哪些征兆是关键的,哪些征兆是冗余的,这样就要搜集处理大量的数据,使支持向量机的结构变得复杂,诊断效率不高.为了提高故障诊断的效率,文中提出一种将K均值聚类、粗糙集、支持向量机相结合进行故障诊断的方法.这种方法首先利用K均值聚类对数据进行预处理,然后利用粗糙集对属性进行约简,最后再用支持向量机进行故障诊断.这样可以充分发挥粗糙集与支持向量机各自的优势,实例证明它可以提高故障诊断的速度和精确度,是一种较好的故障诊断方法.     

一种新的最佳聚类数确定方法

为了更有效地确定数据集的最佳聚类数,提出一种新的确定数据集最佳聚类数的算法。该算法借签层次聚类的思想,一次性地生成所有可能的划分,然后根据有效性指标选择最佳的聚类划分,进而获得最佳聚类数。理论分析和实验结果证明,该算法具有良好的性能。     

变权划分系数及其分类效果评价

针对模糊C-均值聚类算法对初始化分类参数(包括起始聚类中心位置和初始化分类隶属度矩阵)的选择比较敏感而导致分类结果差异性较大，以及错误分类会给解决实际问题带来难以预料后果的不足，本文从反映数据聚类后类间分离性测度的划分系数入手，提出了可变加权划分系数的新概念，并用于数据分类效果的评价。实验结果表明，本文提出的评价方法不仅是可行的，而且比模糊C-均值聚类算法的目标函数作为数据分类效果的评价准则更好。     

基于信息熵模糊聚类和粗糙集理论故障的模糊判据研究

复杂电子系统的缓变故障是故障预报的难点之一,针对这一问题提出了基于信息熵模糊聚类和粗糙集理论的故障决策判据方法;该方法主要分两个步骤:以信息熵作为聚类标准,采用谱系的方法确定聚类数目,然后通过FCM模糊聚类构造故障决策表;利用粗糙集理论对故障决策表进行简化和最小化,最终形成带评价的简约故障决策判据;该方法改进了一般模糊聚类算法的不足,克服了先验信息和知识不准确、不完整、不一致情况下故障决策表获取与更新的困难;实际算例表明,信息熵模糊聚类方法比一般模糊聚类方法的聚类质量更高,更客观真实。     

基于粗集理论的压缩机故障诊断方法研究

论述了将粗集理论应用于压缩机故障诊断的方法。利用粗集理论在处理大数据集、消除冗余信息等方面的优势,减少了训练数据的冗余。运用这一方法对齐鲁石化塑料厂的运行数据进行了约简,去除不必要的属性,得出了诊断的决策规则。     

基于粗集理论的贝叶斯故障诊断方法研究

贝叶斯统计推断方法是故障诊断技术领域一项重要的技术,在统计模式识别领域具有广泛的应用;针对朴素贝叶斯方法的缺点,提出了基于粗集理论的贝叶斯诊断方法,该方法利用历史诊断记录,综合考虑故障征兆和故障原因之间的依赖关系,基于粗集方法进行了故障征兆属性信息的约简,得到了故障征兆和故障原因的最小描述;通过属性约简,改善了贝叶斯方法中要求的属性信息之间的独立性限制,实验结果表明,基于粗集理论的贝叶斯故障诊断方法对于简化诊断模型,减少算法执行时间,提高诊断速度具有重要作用.     

基于粗糙集与数据库技术的故障诊断方法研究

提出一种基于粗糙集的抽取和过滤规则的方法,研究与讨论了数据库技术在实现知识自动获取和简化推理机设计方面的应用,结果表明推理机算法简单且可以满足复杂的实时故障诊断的需要.     

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.     

基于粗糙集和模糊聚类的用户评价分析

本文基于粗糙集理论和模糊聚类的方法对图书馆的用户评价数据进行了分析,旨在寻找用户评价指标之间的关联规则,确定用户评价的关键性指标。     

基于粗隶属函数的粗糙集模型的推广

通过粗隶属函数,将粗糙集理论与模糊集理论联系起来,建立一种粗糙集理论与模糊集理论间的关系。把粗隶属函数视为论域上的一个特殊模糊集,用它的!-截集和强"-截集的概念,将经典粗糙集模型进行推广,提出基于等价关系的隶属度粗糙集模型,验证一些有用的性质,并证明该模型比Pawlak粗糙集模型具有更好的精度。最后将基于等价关系的隶属度粗糙集模型拓展到基于一般二元关系的广义隶属度粗糙集模型,并给出其相应的性质。     

基于粗糙集-神经网络集成的故障诊断

综合粗糙集和神经网络的优点,提出一种基于粗糙集-神经网络集成的智能故障诊断模型.在数据采集和预处理的基础上,利用粗糙集(RS)理论对原始故障诊断样本进行离散化处理,并根据条件属性(集)对决策属性的正域的大小来选择属性,提取出对诊断故障贡献最大的最小故障特征子集,从而确定神经网络的拓扑结构;通过网络训练建立故障特征与故障之间的映射关系,采用神经网络集成的方法实现故障的诊断.通过热电厂发电机组的故障诊断实例,表明了这种故障诊断方法的工程有效性.     

一种基于粗糙约简的分形几何容错故障诊断方法

针对故障诊断中计算量大,模式分类复杂的问题,提出了一种基于粗糙集的分形容错故障诊断方法。首先对可能的诊断属性用粗糙集约简的方法进行故障特征提取;然后计算所采集的故障数据的分形维数,并用回归辨识方法得到维数序列的数学模型;利用所建立的数学模型可完成对故障的分类和故障程度的辨识。仿真结果表明了该方法的有效性。该方法解决了单独利用分形几何方法无法对故障程度进行辨识的问题,简化了计算,并为高可靠性设备的故障诊断提供了新的思路。