基于粗糙集和神经网络的空军航材消耗预测方法

针对空军航空器材消耗受某些影响因素的冗余性、非定量性以及消耗预测模型中很难体现问题．分析了影响航材消耗的因素，利用粗糙集知识约简方法去除冗余，选择主要影响航材消耗的因素，利用神经网络建立消耗预测模型．最后对该模型的预测效果与直接神经预测的效果进行了比较，显示了该模型的有效性和实用性，为航材消耗预测提供了一种新的有效决策方法．     

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.     

基于粗糙集-BP神经网络的浮选槽液位预测

针对反浮选过程中浮选槽液位指标难以建立精确的数学模型、常规检测方法不能有效控制问题,提出一种将粗糙集与BP神经网络理论相结合方法[1],建立反浮选液位软测量模型.从浮选过程积累的数据中获取过程知识,通过粗糙集属性约简对训练样本数据进行处理,根据结果确定BP网络的输入、输出、隐层神经元数,从得到的优化设定自动更新浮选槽液位控制回路的设定值,避免了人工控制的不稳定性和不精确性.此方法应用于某浮选厂,满足了液位预测要求的精度,在液位控制、经济指标提高及浮选过程稳定等方面取得了明显的效果.     

基于粗糙集-BP神经网络的浮选槽液位预测

针对反浮选过程中浮选槽液位指标难以建立精确的数学模型、常规检测方法不能有效控制问题,提出一种将粗糙集与BP神经网络理论相结合方法[1],建立反浮选液位软测量模型。从浮选过程积累的数据中获取过程知识,通过粗糙集属性约简对训练样本数据进行处理,根据结果确定BP网络的输入、输出、隐层神经元数,从得到的优化设定自动更新浮选槽液位控制回路的设定值,避免了人工控制的不稳定性和不精确性。此方法应用于某浮选厂,满足了液位预测要求的精度,在液位控制、经济指标提高及浮选过程稳定等方面取得了明显的效果。     

基于粗糙集和RBF神经网络的风电场短期风速预测模型

结合粗糙集提出了一种RBF神经网络短期风速预测模型。采用粗糙集对预测模型的输入特征空间进行约简,找出对未来预测的风速具有主要影响的因素,以此作为RBF神经网络预测模型的输入变量;在RBF神经网络训练的过程中,采用在线滚动优化策略,将最新的样本加入训练集,从而使预测模型能够跟踪风速的最新变化。将提出的方法用于某风电场的1 h短期风速预测,仿真实验结果表明该方法具有结构简单、预测精度高的优点。     

基于神经网络与粗糙集的车牌字符识别方法

车辆牌照的自动识别是目标自动识别的一种重要形式,针对车牌识别的后期技术,即牌照识别技术做了研究并提出了一种基于神经网络与粗糙集的车牌字符识别方法,实验结果表明,和标准神经网络相比,该算法具有更加良好的性能,满足实时识别车牌的要求。     

基于粗糙集和自组织神经网络的聚类方法

自组织神经网络在学习过程中采取竞争机制选取最优匹配神经元获胜，然而实际情况可能有一组神经元都非常匹配输入向量。引入粗糙集的上近似与下近似理论，选择一组最匹配神经元获胜。实验证明基于粗糙集和自组织神经网络的聚类算法，较之传统的自组织神经网络聚类算法聚类结果更平均，死神经元更少，是一种良好的聚类算法。     

基于粗糙集和BP神经网络的心脏病病症诊断方法

提出了把粗糙集和BP神经网络结合应用于心脏病病症诊断的方法,用经Konhonen网络量化后的心脏病病人病症数据及诊断结果建立决策表,使用粗糙集理论进行属性约简,约简后的病症数据作为BP神经网络的输入,诊断结果作为BP神经网络的输出.通过实际病例的诊断表明,利用粗糙集和BP神经网络相结合的方法,可有效提高心脏病症诊断的精度和速度,同时也减少了检查项目,降低了诊断成本.     

基于粗糙集和BP神经网络的空气质量评价方法

基于粗糙集理论,提出了空气质量评价参数的选取算法,在不降低有效分类信息的前提下对监测数据经过约简并作为BP神经网络的输入数据,简化了网络结构,提高了训练速度和测试精度.基于BP神经网络的空气质量评价方法能有效融合多种监测数据,系统通用性强.实验表明,基于粗糙集和BP神经网络的空气质量评价方法是可行有效的.     

基于粗糙集与神经网络的故障诊断方法研究

提出了基于粗糙集和神经网络的故障诊断方法。采用Kohonen网络对连续属性值进行离散化,应用粗糙集理论对特征参数进行属性约简,并把约简结果生成规则作为BP网络的输入。仿真结果表明,经粗糙集理论优化后的样本集进行神经网络训练,提高了神经网络的学习速度和故障诊断正确率,减少了训练时间。     

基于粗糙集神经网络的故障诊断

在神经网络故障诊断模型的基础上,引入粗糙集理论,给出连续属性值的离散化方法.并应用粗糙集对故障诊断决策表进行属性约简,剔除其中不必要的属性.仿真结果表明,该方法可以有效地减少输入层个数,简化神经网络结构,减少网络的训练时间,在故障诊断中有良好的应用前景.     

基于Kohonen网络-粗集-模糊神经网络获取模糊规则的集成方法

基于单一知识发现方法的不足提出了一种基于Kohonen网络、Rough Sets和FNN获取模糊规则的集成方法.首先用Kohonen网络进行数据量化,然后运用粗集理论产生初始规则,并根据所得的规则建立模糊神经网络模型,从而生成较少的精炼规则.最后通过实例仿真分析,验证了该方法的有效性和实用性,同时为获取模糊规则提供了新的思路.     

粗糙集与神经网络集成在故障诊断中应用研究

提出了SOM网络－粗糙集－BP网络集成进行故障诊断的方案；首先应用SOM网络离散化故障诊断数据中的连续属性值；然后基于粗糙集理论计算诊断决策系统的约简，根据实际需要确定最优决策系统；最后在最优决策系统的基础上设计BP网络进行故障诊断，4135柴油机的实际诊断结果验证了所提出的民粗糙集理论相结合进行故障诊断的可行性，在数据充分的条件下，该方案可以推广应用于其他机械设备。     

基于粗糙集理论通风系统可靠性神经网络仿真

提出了一种基于粗糙集理论的矿井通风系统可靠性神经网络仿真结构设计模型。通过对属性和属性值的约简，剔除系统中不必要的影响因素指标，以达到对系统可靠性特征参数优化的目的；同时克服了神经网络规模过于庞大及分类识别速度慢等缺点，取得了减少分类过程中模式匹配搜索量的良好效果。该方法对复杂系统可靠性工程的深入研究及应用具有一定的参考价值。     

基于量子LM神经网络和粗糙集的石油储层识别方法研究

提出一种量子LM（Levenberg Marquardt,LM）神经网络与粗糙集相结合的智能识别方法,以替代传统的统计识别方法和工程应用中以单一智能控制为基础的识别方法．基于LM神经网络的技术方案可以整理测井定位数据,提高预测的准确性;量子计算具有并行和类映射的优势;通过削减冗余信息和简化信息量,粗糙集可以降低量子LM神经网络的复杂性,缩短数据处理时间,削减神经网络的负担．通过在石油储层识别实践中的应用证明：该方法可以有效提高计算速度和识别精度,降低成本．     

一种基于粗集理论的概念格构造方法

概念格是数据分析与规则提取的一种有效工具,但是在实际应用中由于需要处理的数据是海量的,使得直接基于概念格上提取规则的冗余度过大,造成机器计算时间和空间的浪费,而粗集理论在数据预处理和不确定性规则提取等方面表现出很强的优势,因此,为了减少人力物力的浪费,本文提出了一种应用粗集理论构造概念格的算法,且指出了该算法的优点及存在的不足。     

粗糙集神经网络系统在歼击机结构故障诊断中的应用

给出故障诊断中定性和定量的诊断方法,先用粗糙集理论定性分析有无故障及故障的性质,再用神经网络定量计算故障的大小.通过利用粗糙集的数据预处理能力,从原始的数据中提取出故障诊断的规则,从而将输入映射到输出的子空间,而后在此子空间上用神经网络进行故障度的诊断.文中还将此法用于某歼击机的故障诊断中,并和传统的人工神经网络故障诊断模型相比较,结果表明了本文方法的有效性.     

广义粗集公理化的一个注记

广义粗集理论是基于等价关系的粗集理论的各种拓广。本文讨论了基于一般二元关系的广义粗糙集的公理化,通过实例分析了确定二元关系的必要公理组条件,并给出了各公理组的充分条件。     

基于粗糙集理论的SAR图像speckle滤波方法

针对合成孔径雷达(SAR)采用主动式相干波的成像方式,在从原始信号到图像的重建过程中存在斑点噪声的干扰的问题,根据粗糙集理论的条件属性把SAR图像像素分成三类:均匀区域类、非均匀区域类和包含分离点目标类.对不同的像素类采用不同的滤波方式,然后合并三类子图像得到SAR图像的speckle滤波的图像.该方法既可除去图像中的斑点噪声,又可保留图像中的细节特征,有利于对图像的后续处理.