赵慧敏[1]2002年在《基于粗集理论的模糊规则自动生成方法研究》文中研究表明20多年来，模糊控制得到了长足的发展，但是，模糊控制规则的获取一直是困扰模糊控制发展的主要问题之一。在模糊控制系统中，模糊规则库的构建是至关重要的。然而从大量文献中可以看出：模糊规则的数量基本上是人为决定的。尽管用各种方法进行优化计算，人工设定模糊规则还是很困难的，甚至是不可能的。因此研究模糊规则的自动生成有着重要的理论和应用价值。 本文以粗集理论为基础，提出了一种从测量数据中自动提取模糊规则的方法。该方法首先利用样条插值思想对所采集的模糊系统样本数据进行空缺值的填充，然后运用基于K—均值的聚类方法对插值后的输入—输出样本数据进行聚类；最后根据样本空间聚类在各维上的投影，对数据进行离散化处理，为模糊系统各变量的模糊子集定义提供客观依据，为下一步模糊规则的自动确定，模糊隶属度函数自适应调整等策略，打下基础。论文的第一部分对上述内容进行了详细讨论。 在论文的第二部分，首先简要介绍了粗集的基本概念，之后运用粗集理论的概念、思想，给出了占有率(occupancy)的定义，为模糊规则的化简和生成一致性模糊模型提供理论依据。并用以上的思想方法进行了模糊规则的提取。 在本文的第叁部分，依据用以上方法所提取的模糊规则库为基础，生成模糊控制器，并应用于单闭环直流调速系统的控制实验中，实验结果表明，通过这种从测量数据中自动提取模糊规则的方法所建立的模糊控制器能够满足控制要求且鲁棒性强。
张健[2]2002年在《模糊神经网络模型算法研究与应用》文中提出模糊神经网络是目前人工智能界最具发展前途的叁个重要领域之一。近十年来它在模糊控制、模糊决策、专家系统、模式识别等领域发挥了重要作用，其理论、模型、算法和应用技术一直是计算机领域重要的研究课题，并以它特有的优势受到高度的重视。 本文对模糊神经网络的研究现状、发展趋势及应用领域进行了综述，阐述了模糊逻辑系统、人工神经网络及模糊神经网络的基本概念、基本模型、算法；针对实际问题需求，建立了一类正则化模糊神经网络模型及其学习算法，该模型在输入输出模式和模糊化层隶属函数个数确定的情形下，模糊化层、正则化层和规则层的节点数是可计算确定的，并且对专家系统表示和模式识别问题具有很好的适用性。针对所建立的正则化模糊神经网络学习算法存在的当学习样本规模较大、不同模式样本的特征差异较小时存在着收敛速度慢，容易陷入局部极小值的缺点，采用粗集理论及遗传算法，对学习算法进行了优化，并实现了模式特征指标和样本的自动筛选。优化后的网络收敛速度快、稳定，具有较强的推广能力。 根据对正则化模糊神经网络的研究成果，并结合大庆油田采油二厂科研项目，研制开发出《水驱油藏开发效果分析系统》，实现了水驱油藏开发效果自动综合评价和油井压裂方案的自动生成。
杨立才[3]2005年在《城市道路交通智能控制策略的研究》文中研究说明随着社会经济的不断发展与城市化进程的加快,城市人口和机动车辆日益增加,城市道路交通的拥挤与阻塞已经成为世界大中城市普遍存在的现象,由此带来的交通拥堵、交通事故、能源浪费以及成倍增加的汽车废气排放造成的环境污染等问题,不仅严重地制约着城市和社会经济的可持续发展,同时也严重地影响着城市居民的生活质量。 智能交通系统是解决现代社会交通需求与供给矛盾的重要途径之一。实施智能交通系统工程不仅有利于提高交通的安全性、生产效率与效益,而且关系到土地资源与能源的合理利用、环境污染与噪声的改善,乃至国民经济的持续发展和社会经济效益的全面提高。 智能交通系统是一个发展中的交叉学科,涉及到交通运输系统的各个层面。城市交通是交通系统最为重要的组成部分,城市交通智能控制是实施智能交通系统工程的首要任务,也是目前交通控制工程领域研究的热点问题之一。城市道路交通控制是一个复杂的系统工程问题,涉及到交通工程、自动控制、系统工程、优化调度等自然科学和工程技术的众多学科。作为多学科交叉的研究领域,城市交通智能控制技术的发展依赖于自然科学和工程技术的最新研究成果。把自然科学的最新研究成果和工程技术的最新方法引入城市交通智能控制,可以进一步完善城市交通控制的理论体系及应用,解决日益严重的城市交通难题。这对满足社会需求、推动国家和社会的进步以及学科的发展,无疑都具有十分重要的意义。 城市道路交通是一个有人参与的时变复杂大系统,集成了人、车、路和环境等各种复杂因素,存在高度的复杂性、时变性和不确定性。基于精确数学模型的传统控制方法难以有效解决复杂的现代城市交通问题,基于人工智能的智能控制技术是解决城市交通问题的有效途径。 本文基于模糊逻辑、混沌优化、人工神经网络、人工免疫系统和粗集
张东波[4]2007年在《粗集神经网络集成方法及其在模式识别中的应用》文中提出粗糙集理论是处理不确定、不完整、不精确知识的有力工具,该理论已成为不确定性计算领域的一个重要分支。粗糙集对信息系统的分析建模,涵盖了人类逻辑思维的归纳推理、演绎推理和常识推理这叁种形式,直接模拟了人脑的逻辑思维能力。而通过大量神经元互连形成的神经网络是不确定性计算领域的另一个重要分支,具有很强的非线性映射能力及自适应、自学习、鲁棒性和容错能力,是对人脑直观形象思维的模拟。鉴于粗糙集和神经网络在信息处理方式、知识获取、抗噪声能力、泛化性能等方面有很多互补之处,将两者集成的粗集神经网络反映了人类智能中定性和定量、清晰和隐含、串行和并行交叉混合的思维机理,其研究必然具有前沿性、科学性及优越性。作为当今智能集成系统的一个重要分支,粗集神经网络集成可望成为开发下一代专家系统的主流技术。本文通过增强粗集神经网络的信息处理能力,建立新的决策系统建模方式,拓展其应用领域,解决其易构造性和计算复杂性问题等方面进行了一系列的探索和研究,提出了一些新的粗集神经网络集成方法并研究了它们在模式识别领域的应用。通过对近十几年发展起来的国内、外粗集神经网络集成方法的总结和归纳,本文将粗集神经网络划分为叁种主要的集成方式:粗集神经网络综合集成系统、粗边界神经网络、粗—颗粒神经网络。介绍了每一种集成方式的研究现状,并对其原理及特点进行了分析和阐述。不同于以往单纯基于粗糙集数据分析和约简基础下的粗集神经网络模型,基于粗逻辑理论,研究了粗逻辑意义下,基于粗逻辑决策规则的“强耦合”形式的具有模糊化神经元的粗逻辑神经网络模型的设计,分析和比较了粗逻辑神经网络和模糊逻辑神经网络的特点和性质。在重庆地区和长白山天池地区Landsat TM遥感图像的地物分类实验中,验证了粗逻辑神经网络模型的有效性,同时可以发现其在网络结构和收敛性方面的优势。通过在输入层和隐含层之间加入一个模糊化神经元层,构造了一种集成模糊神经元和粗神经元的模糊粗神经网络模型。由于粗神经元的不可微性,BP算法不再适用,因此本文采用遗传算法(GA)来进行网络权值的学习,同时融入具有局部最优解搜索能力的爬山法改善了进化后期的计算效率。仿真表明,融合了模糊信息和粗糙集信息处理能力的模糊粗神经网络模型在图像融合滤波方面比BP网络和单纯由粗神经元构成的粗集神经网络模型具有更好的性能,是一种性能很好的混合智能神经网络。由于系统中模糊不确定性信息和粗糙不确定性信息往往是并存的,有必要采用模糊粗糙集(Fuzzy-Rough Set )理论来进行处理,基于模糊粗隶属函数,本文创建了一种模糊粗隶属函数神经网络(FRMFN)模型。融入了粗糙不确定性信息处理能力的FRMFN,在保留原有模糊相似信息的基础上,很大程度减少了分类中的粗糙不确定性。在遥感图像分类和元音字母语音识别的实验中,显示FRMFN网络具有比相应径向基函数(RBF)网络更好的分类精度,同时保留有RBF网络学习速度快的优点。基于经典Pawlak粗糙集分析设计的应用系统的推广泛化能力弱,抗噪声性能差。为更好地解决这些问题,研究了基于“多数包含关系”的变精度粗糙集模型下的粗集神经网络设计。文中对β近似约简条件进行了弱化推广,在结合约简异常分析和实例分析的基础上,提出了β近似约简的选取原则,给出了变精度粗糙规则集提取和β阈值稳定区间求取算法。在对Brodatz纹理图像的分类实验中,比较了经典粗集神经网络(RNN)和变精度粗集神经网络(VPRNN)的性能,VPRNN不仅具有更为精简的结构和更短的训练时间,而且VPRNN对测试样本分类表现出了更强的泛化性能。为降低集成特征选择方法的计算复杂性,提出一种基于粗糙集约简的神经网络集成分类方法。首先,通过结合遗传算法求约简和重采样技术介绍了一种动态约简方法,通过动态约简方法可以获得稳定的、泛化能力较强的属性约简集。然后,基于不同约简设计BP网络作为待集成的基分类器,并依据选择性集成思想,通过一定的搜索策略,找到具有最佳泛化性能的集成网络。最后,通过多数投票法实现神经网络集成分类。该方法在某地区Landsat 7波段遥感图像的分类实验中得到了验证,由于通过粗糙集约简,过滤掉了大量分类性能欠佳的特征子集,和传统的集成特征选择方法相比,本文方法时间开销少,计算复杂性低,具有良好的分类性能。增加集成神经网络中个体网络的差异度有利于提高神经网络集成的泛化性能,基于此,提出了Rough_Boosting和Rough_Bagging个体网络生成算法。在Boosting或Bagging算法对样本进行扰动的基础上,通过粗糙集约简实现属性选择,从而有效的将扰动训练样本和扰动输入属性结合起来,生成精确度高且差异度大的个体网络。实验结果表明,本文算法泛化能力明显优于Boosting和Bagging算法,生成的个体网络差异度更大。和同类算法相比,本文算法具有相近或相当的性能。由于传统聚类方法设计RBF网络时,带有一定盲目性和主观性,而且聚类结果对初始值具有敏感性,在输入特征空间进行的聚类仅考虑到样本在输入特征空间的相似性,而没有考虑样本本身的输出类别信息,生成的聚类并不能完全反映输入输出之间的映射关系。因此,本文提出一种基于不可分辨划分的有监督粗糙集聚类算法的RBF网络设计方法。文中由布尔逻辑推理方法进行属性离散化,得到初始决策模式集,通过定义在粗糙集分析基础上的差异度对初始决策模式的相似度进行衡量并实现聚类,以聚类决策模式构造RBF网络。针对RBF网络输出单元的线性权值和隐层单元的非线性基函数是在一种不同的“时间尺度”上更新的特点,提出分别对隐层参数采用BP算法,而对输出权值采用线性最小二乘滤波法进行训练的混合学习算法。实验结果表明,该方法设计的RBF网络结构精简,具有良好的泛化性能,所采用的混合学习算法收敛速度优于单纯的BP算法。为解决粗逻辑神经网络精度和网络规模复杂性及推广泛化能力之间的矛盾,提出一种具有可变离散精度的粗逻辑神经网络模型设计方法。该方法通过近似域划分,将论域空间划分为确定性区域和可能性区域,由于可能性区域信息粒度过大是造成误分类的重要原因,只需对可能性区域离散区间进一步细化,即可达到提高粗逻辑神经网络模型的精度,同时抑制网络规模增长过快的目的。在长白山天池地区的遥感图像分类实验中,常规离散精度等级确定的粗逻辑神经网络方法在离散等级为7时有最好性能,而本文方法以较小的网络代价和训练时间获得了逼近的分类结果。为避免约简计算,研究了基于模糊粗糙模型(FRM),从自底向上的角度进行粗神经网络建模的方法。该方法通过自适应G-K聚类算法,实现基于输入—输出积空间聚类的模糊划分,在基于聚类数和约简属性搜索的基础上,提取优化的FRM模型,在此基础上融合神经网络实现粗神经网络建模(FRM_RNN_M)。对Brodatz纹理图像的实验表明:①其性能优于传统的贝叶斯和LVQ方法;②FRM_RNN_M比单纯的FRM模型具有更强的综合决策能力,在考虑到属性约简的搜索后将有利于获得分类性能更好的FRM优化模型;③和传统的粗逻辑神经网络(RLNN)相比,FRM_RNN_M方法建立的神经网络结构精简,收敛速度快,具有更强的泛化能力。作为一种通用的决策系统建模方法,该方法可以广泛应用于其它相关领域。论文最后总结了全文的主要创新性研究成果,对下一步研究工作进行了展望。
李成栋[5]2007年在《粗集在系统辨识中的应用研究》文中研究说明系统辨识的目的是在输入输出观测的基础上，在指定的一类系统中，确定一个与被识别的系统等价的系统。系统辨识是建立系统数学模型的重要途径之一，而模型化方法是进行系统分析、设计、控制、决策的前提和基础。但是，对一些复杂系统或过程建立精确的数学模型是很困难的，因此，需要采用其他方法，从系统的输入输出量测值来辨识系统规律，构造系统近似模型。尽管这些模型可能比较粗糙，但是它们也能对复杂系统的基本特征给出严格的定量描述。近年来发展起来的粗集理论提供了这么一种手段。粗集理论仅利用数据本身提供的信息，无须任何先验知识就可以对数据进行分析，发现数据中隐藏的模式，因此，它可以用来辨识系统规律，进行系统分析。本文将讨论粗集在系统辨识中的应用，主要包括系统规则的获取和系统模糊建模；系统规则的获取是指由系统的输入输出观测数据得到反映系统输入输出特性的规则，系统模糊建模是指基于系统规则库构建系统模糊模型，以模拟系统的输入输出特性。首先，文章简要给出了粗集、决策表、决策规则和决策规则库的一些基本概念和结论，为后面的应用提供了理论基础。然后，在第叁章中先讨论了基于粗集的规则获取步骤和算法，由此可以得到反映系统输入输出规律的基本规则库，但在基本规则库中，可能存在不一致规则，而不一致规则在应用中会引起不必要的麻烦，是不受欢迎的，为将不一致规则库一致化，文章先讨论基本规则库的概率性质，在此基础上，创新性地提出了最小损失规则库及最小错误率规则库的概念，并得出了相应的规则获取方法和应用该规则库时的理论错误率。接下来，在第四章，文章先讨论了系统模糊建模方法，指出了其不足，为弥补这些不足，提出了基于粗集的系统模糊建模方法。该法利用了粗集在属性约简和规则提取上的强大功能，采用第叁章中的方法进行输入输出规则库的提取，自动生成一致的模糊规则库，并利用该模糊规则库建立系统的模糊模型。在第四章第叁节，将文中的基于粗集的辨识方法用在了时间序列预测问题上并进行了仿真试验，仿真结果表明了该法的有效性。
麻芳兰[6]2006年在《智能设计关键技术的研究及其在甘蔗收获机械中的应用》文中认为我国是甘蔗种植和产糖大国,研发甘蔗联合收获机械,实现甘蔗收获机械化对于提高甘蔗收获生产率、降低蔗糖生产成本、提升我国蔗糖的国际竞争力具有重要的实用价值和战略意义。在甘蔗收获机械的设计过程,不仅需要大量的领域知识,而且需要很强的求解问题的技巧。将智能设计技术引入到产品设计中,既有利于提高设计自动化与智能化的水平,又有利于提高产品质量、降低成本、缩短产品开发周期。因此本文结合人工智能技术探讨并构建基于知识的甘蔗收获机械智能设计系统,围绕智能设计的若干关键技术进行分析研究,并将这些技术应用到甘蔗收获机械产品的智能化设计中。论文主要采用模糊理论对仿真分析与试验数据进行处理,为实现性能分析与评价的智能化提供经验性知识,在此基础上运用神经网络技术从分析与试验数据中获取隐式知识,实现对知识的联想、推理等高效运用,同时运用粗集理论对经验性知识进行约简,从而找出对决策信息具有重要影响的属性,以及隐含在仿真分析与试验结果中的专家级设计知识。结合以上技术,构建了甘蔗收获机械智能设计系统,从而为甘蔗收获机械的方案设计、性能分析提供有效的工具。论文研究的主要内容如下:1)根据甘蔗收获机械现有的研究成果,以及甘蔗收获机械产品的智能设计流程,详细分析了智能系统的总体设计思想。在此基础上,提出了甘蔗收获机械智能设计系统的体系结构,将其分为设计型专家系统、工程分析及性能评价叁大模块,从而实现设计方案的选择、方案的仿真验证分析及性能评价等。2)知识是实现智能化的核心,为了获取有关产品设计分析、性能评价的经验性知识,结合虚拟正交试验与物理试验等方法,对甘蔗收获机械性能进行分析与测试。同时根据虚拟分析数据与试验结果的特点,引入了模糊理论方法,采用模糊综合评价方法对性能进行综合评价,并形成模糊规则,通过对模糊规则的逻辑运算实现对性能的评价与分析。3)为了减少性能试验研究成本,同时有效地获取隐含在数值计算数据、试验数据中的隐式知识,引入了神经网络方法。通过对神经网络反复训练,利用反映输入与输出模式对的内在规律的连接权建立了试验条件与结果的非线性方程。根据基于神经网络的非线性方程,系统可对新的设计条件作出快速的响应。同时将知识表达在网络的连接权与阀值中,实现了对知识联想、推理的高效运用。4)为了克服神经网络对存储在其连接权与阀值中的知识难以进行描述,对其推理过程难以理解等缺点,提出了采用粗集理论方法从仿真分析与实验测试结果
文专[7]2004年在《基于神经网络的分类数据挖掘属性选择和规则抽取研究》文中研究说明数据挖掘是一门从大规模数据中提取有用信息和知识的新兴技术，分类是数据挖掘的一项重要内容 。面对大规模、高维的数据，如何建立有效的，可扩展的分类数据挖掘算法是数据挖掘研究的重要方向之一。在分类数据挖掘中，属性选择和规则抽取是两个最重要的工作。神经网络是数据挖掘的一个重要工具，而现有的神经网络属性选择方法必须对全部属性进行训练和裁剪，造成网络规模过大，训练量大，效率低下的缺陷，为了克服这些缺陷，必须提出新的方法。本文以神经网络为主要研究方法，并结合模糊逻辑技术，对分类数据挖掘中的属性选择和规则抽取两个问题提出了一些有效的算法，具体的研究工作如下：提出了一种基于输入输出关联法排序的RBF神经网络属性选择方法。由于属性选择是一个NP-HARD问题，现有的属性选择方法计算过于复杂，效率低下。本文提出一种新的属性选择方法。该方法先用输入输出关联法对所有属性进行重要性排序，然后根据属性重要性次序用RBF神经网络进行属性选择。该方法避免了现有的神经网络降维方法必须对全部属性进行训练和裁剪的弊端，大大提高了属性选择的效率。提出了一种可分性判据排序的RBF神经网络属性选择方法。该方法先用可分性判据计算每个属性的重要度，并对其进行排序，然后根据属性重要性次序用RBF神经网络进行属性选择。提出了一种基于降维的概率神经网络模糊规则抽取方法。该方法先用上面的属性选择方法从原始属性集中选择部分最重要的属性，然后对这部分属性进行模糊化处理，接着用概率神经网络进行模糊规则抽取。该方法通过属性选择减少了神经网络训练规模，避免了对神经网络进行节点裁剪，从而大大提高了规则抽取的效率。并且，用模糊规则来表现知识，规则易于理解，规则精度也有所提高。
刘道华[8]2006年在《机械设计专家系统开发工具的关键技术研究》文中提出由于机械设计具有自身设计的复杂性、设计目标的多解性,同时建造设计型专家系统具有自身的难点,因此当前在构建机械设计专家系统开发工具方面发展得相当缓慢,但为了提高机械设计的质量和效率,构建机械设计专家系统仍成为机械设计制造业研究的热点问题。随着计算机、小波理论、神经网络及遗传演化等技术的快速发展,以这种多学科理论支持的专家系统开发工具也迅速发展起来,并且构建机械设计专家系统开发工具也成为机械工业未来发展的必然趋势。 本研究课题分析了机械设计专家系统开发工具的国内外研究现状和优缺点,探讨了专家系统开发工具的基本性能指标。在此基础上,对机械设计专家系统开发工具的关键技术进行了较为深入的研究:提出了用知识的数据预处理技术构建知识库的方法;提出了以知识的关系化表示方法为代表的多种知识模型及表达方式;提出了以基于自适应神经网络的模糊推理方法、基于带区间值的产生式规则及其模糊推理机制为代表的多种推理方法及控制策略;提出了以神经网络、粗糙集理论、在线拾取及模糊分类等自动知识获取的方法;此外,还给出了几种解释机制,并研究了开发工具的整体界面设计问题。 构建机械设计专家系统开发工具时,在提高系统存储的空间复杂度方面采用了稀疏矩阵的存取方式;在提高系统的运算时间复杂度方面采用了并行处理技术;在提高系统的鲁棒性方面采用了具有良好的信息保持性及适应性的神经网络技术。 上述关键技术的研究,对建造实用的机械设计专家系统具有重要的理论意义,对提高机械设计的质量和效率具有潜在的经济效益和广阔的应用前景。
孙燕楠[9]2007年在《扎龙湿地时空格局演变的细胞自动机模型研究》文中研究指明湿地时空格局的动态演变模拟有利于监测和分析湿地格局的变化，可以形象地辅助管理湿地资源。目前，湿地格局变化的研究多为景观指数计算分析，较少反映格局的时空特性，不能检测具体位置的变化过程，因此难以实施更具针对性的管理措施。而模拟湿地时空格局的动态演变恰好可以弥补景观指数分析的不足。本文针对湿地格局变化以及已有时空数据的特点，集成神经网络、模糊逻辑、粗集理论等多种智能方法，构建细胞自动机模型，来模拟湿地时空格局演变。主要研究内容和结果如下：(1)因为细胞自动机具有时空特性，能够模拟复杂系统的演化过程，所以本文以细胞自动机为框架，构建了湿地时空格局演变模型。集成多种智能方法，自动实现微观状态转化和获取宏观调节规则。本文将相同状态细胞的质心位置移动作为一种宏观调节规则，引导细胞状态转化的方向，弥补了已有的宏观规则只是限制各个状态的细胞数量的不足。为了有效验证所提模型结果，本文提出综合性比较方法，不仅考虑到像素点的相似性，还考虑了斑块形状、排列对格局的影响。(2)针对湿地时空格局变化的复杂性和监测数据的模糊性、多尺度的特点，构建基于样本分布特性的Takagi-Sugeno模糊神经网络，实现细胞自动机的微观状态转化。该T-S模糊神经网络基于样本的分布特性，自动确定变量语言值的隶属度函数，合理划分模糊空间。根据所确定的隶属度函数，模糊化聚类中心来确定初始规则，并通过聚合方法得到带有重要度的最终规则集。基于所得规则集的前件，连接模糊化层和推理层，简化网络结构。仿真结果表明该网络比已有T-S模糊神经网络具有更高的模拟精度和更好的泛化能力。(3)针对湿地社会经济资料缺乏以及难以建立公式获取数值宏观规则的问题，构建粗集-神经网络模型，通过约简和模拟规则集获取语言值表达的宏观规则，来调节细胞自动机中微观状态转化可能性的大小。为了提高粗集所得规则的泛化能力，本文提出用参数表示隶属度函数的方法，将每个规则的前、后件语言值作为输入、输出数据，采用叁层前向网络实现规则集。与常用的隶属度函数向量表示法、区间表示法相比，这种方法使得网络训练速度更快，对待识样本的推理结果更准确。(4)模拟和预测扎龙湿地时空格局演变。首先对扎龙湿地1986年-2002年的格局进行指数分析，挖掘促使其格局变化的驱动因子。其次以1986年-1999年已有的扎龙湿地格局为基础，利用湿地时空格局演变模型预测2000年-2002年的格局变化。同时修正模拟城镇扩展的两种细胞自动机模型，也用来预测扎龙湿地的时空格局演变。结果表明，本文所提模型比修正模型更精确地预测出扎龙湿地的格局演变，平均预测精度约为70％，与目前细胞自动机模拟城镇扩展的精度相当。综上，本文构建了基于细胞自动机的湿地时空格局演变模型：提出基于样本分布特性的T-S模糊神经网络，用来计算细胞自动机微观状态转化的可能性；集成粗集理论和神经网络构建了粗集-神经网络模型，用此模型获取语言值表示的宏观规则，来调节微观状态转化的可能性。将该模型应用于扎龙湿地格局演化，取得了良好的预测效果。
胡莹坚[10]2007年在《粗糙集理论及其在神经网络中的应用研究》文中研究表明粗糙集理论是一种较新的软计算方法，可以有效地分析和处理不完备信息，近年来日益受到国际学术界的重视，被成功地应用于人工智能、模式识别等诸多领域。本文主要对粗糙集中的基本问题——知识约简问题和连续属性离散化问题进行了研究，对粗糙集的扩展模型进行了探讨，并在此基础上提出了叁种不同领域中粗糙集与神经网络相结合的方式。本文系统地阐述了粗糙集的基本理论和概念，在这些基本理论的框架下，主要做了以下几个方面的研究：1．粗糙集理论的知识约简问题。本文首先对经典的属性约简的方法——基于区分矩阵的方法进行了分析。接着利用在理论说明中提出的信息熵的概念，从信息的角度，对决策表中属性的重要性给出度量；在此基础上，提出了一种基于信息熵的知识约简的启发式算法。2．粗糙集理论的连续属性离散化问题。本文对原有的贪心算法及其改进算法进行了分析，综合了前几种算法的优势，提出了利用互信息对信息系统决策表中断点的重要性给出度量；并融入断点核的概念来判断断点的重要性，提出了一种新的基于互信息的贪心算法改进方法，有效地解决了前几种算法的局限性。3．针对经典粗糙集理论在实际应用中的不足，介绍了常见的两种扩展模型：模糊粗糙集模型和变精度粗糙集模型。分别阐述其理论概念，研究了各模型的属性约简算法。4．研究了粗糙集与神经网络的结合方式。本文利用粗糙集在处理不精确性和不确定性问题上的优势，对数据样本进行预处理，约简样本属性，降低样本维数，得出近似值，获得最优约简后的决策规则，以此来映射到神经网络的训练样本中去，构建神经网络的隐层数及隐层内神经元数，使神经网络更富有逻辑性，并减少了神经网络的训练时间，提高训练精度及泛化能力。针对不同的实际应用类型，提出了不同的耦合方式以及训练算法，均取得了满意的效果。
参考文献：
[1]. 基于粗集理论的模糊规则自动生成方法研究[D]. 赵慧敏. 大连铁道学院. 2002
[2]. 模糊神经网络模型算法研究与应用[D]. 张健. 大庆石油学院. 2002
[3]. 城市道路交通智能控制策略的研究[D]. 杨立才. 山东大学. 2005
[4]. 粗集神经网络集成方法及其在模式识别中的应用[D]. 张东波. 湖南大学. 2007
[5]. 粗集在系统辨识中的应用研究[D]. 李成栋. 山东大学. 2007
[6]. 智能设计关键技术的研究及其在甘蔗收获机械中的应用[D]. 麻芳兰. 重庆大学. 2006
[7]. 基于神经网络的分类数据挖掘属性选择和规则抽取研究[D]. 文专. 天津大学. 2004
[8]. 机械设计专家系统开发工具的关键技术研究[D]. 刘道华. 西安建筑科技大学. 2006
[9]. 扎龙湿地时空格局演变的细胞自动机模型研究[D]. 孙燕楠. 大连理工大学. 2007
[10]. 粗糙集理论及其在神经网络中的应用研究[D]. 胡莹坚. 浙江大学. 2007
标签：自动化技术论文; 专家系统论文; 粗糙集论文; 神经网络模型论文; 模糊聚类分析论文; 网络模型论文; 聚类分析论文; 分类数据论文; 模糊理论论文; 无监督学习论文; 模糊算法论文; 智能算法论文; 数据集成论文; bp神经网络算法论文;