一种属性变化局部变精度邻域粗糙集动态算法

传统的邻域粗糙集模型对混合型数据的抗噪能力和计算效率低下,基于矩阵理论建立了一种属性动态变化的局部变精度邻域粗糙集模型。在局部对角矩阵和中间矩阵的更新规律的基础上,构建了混合信息系统局部变精度邻域粗糙集下近似的动态更新机制,提出了一种新的属性变化的局部变精度邻域粗糙集动态算法。通过实验分析可知:所提出的动态算法具有较高的计算效率和良好的稳健性。

随机多属性子空间的ReliefF加权邻域粗糙集与属性约简

属性约简是一种重要的数据降维预处理方法,然而现有的属性约简方法大多没有考虑信息系统中属性权重的信息。ReliefF算法是一种实现简单且运算效率高的属性权重评估方法,提出一种随机多属性子空间的ReliefF加权邻域粗糙集和属性约简算法。该方法生成了多组具有相同大小随机子空间的属性集划分,并对每组划分的随机子空间利用ReliefF算法计算得到属性的局部权重,将所有组得到的属性局部权重求取平均值,得到了信息系统每个属性最终的全局权重;基于属性权重的结果,提出一种新的加权邻域粗糙集模型,并证明了相关理论和性质;在该模型的基础上通过加权邻域依赖度提出一种信息系统的属性约简算法。在公开数据集上的属性约简实验结果表明,所提出的属性约简算法比已有的同类型算法整体上具有更优的约简性能。

广义多粒度双量化邻域粗糙集

针对实数型数据的信息量化问题,引入相对概念和绝对基数构建了广义多粒度双量化邻域粗糙集模型.首先,通过I型和II型广义多粒度上、下邻域特征支撑函数构建两类广义多粒度上、下邻域近似算子并讨论其性质;其次,讨论了两种广义多粒度邻域粗糙集的关系;最后,通过传染病案例实证分析了模型的实用性和有效性.

基于改进邻域粗糙集和优化BPNN的火灾预测算法

针对传统森林火灾检测算法精度低,以及大规模、多特征的火灾数据存在冗余信息等问题,该文提出了一种基于改进邻域粗糙集的优化反向传播神经网络(BPNN)火灾预测方法。首先,考虑到数据集具有高维特征空间和高度特征冗余等特点,设计出一种基于混沌反学习蝙蝠(BA)算法的邻域粗糙集特征选择算法,对火灾原始数据集进行特征寻优,得到约简属性子集;然后,构建BA算法优化的BPNN预测模型,将约简属性子集输入该模型中,得到火灾预测的结果;最后,通过平均分类准确度、F1值、精确度、曲线面积、召回率、平均误差率这6种评价指标,在UCI公开森林火灾数据集上分析和检验模型的分类性能。在2个数据集上的实验结果显示,基于混沌反学习策略的算法准确率为94.3%和52.7%,与邻域粗糙集结合后准确率达到98.1%和59.6%,证明了该文算法具备较高的检测精度。

基于邻域粗糙集与深度信念网络的油浸式变压器故障诊断

针对油浸式变压器的故障类型分类问题,提出一种基于邻域粗糙集与DBN的故障诊断模型。通过对变压器中故障气体进行无编码比值处理,得到了35种故障特征气体比值。利用相关性分析与领域粗糙集算法对所得气体比值进行特征选择,删去冗余以及对故障类型没有贡献的特征气体比值。将所得的9种特征气体比值作为输入变量,构建DBN诊断模型,实现了油浸式变压器的故障诊断。DGA数据上的实验结果验证了所提方法的有效性和准确性。

基于哈希桶和聚类的变半径邻域粗糙集模型

邻域粗糙集是处理机器学习与数据挖掘中不确定性的数据分析工具.邻域粗糙集中邻域粒的大小往往受邻域半径的影响.针对现有的邻域粗糙集模型通常对每个样本设置相同的邻域半径,导致得到的邻域粒无法对每个样本进行准确地刻画的问题,基于样本数据的分布信息,首先对数据集进行聚类,并基于哈希桶对每个类的样本分布情况做出分析,然后为每个样本设置合适大小的邻域半径,使其能够更准确地刻画每个样本的信息,进而提出变半径邻域粗糙集模型.最后选取了8个UCI数据集进行实验,并分别与当前最常用的邻域粗糙集模型进行比较,理论分析与实验结果表明所提出的变半径邻域粗糙集模型具有更好的学习性能.

基于邻域粗糙集优化支持向量机的备件分类研究

针对现有备件分类中存在的备件种类繁多、属性复杂多样及分类标注不统一等问题,文中提出了一种基于邻域粗糙集的支持向量机(NRS-SVM)的多准则备件分类方法。首先,基于历史数据使用邻域粗糙集理论对备件属性进行约简,再将约简后的属性及数据输入支持向量机算法训练分类模型,最后可以将训练好的模型对真实的备件集进行分类。该方法对一家卷烟厂的实际备件数据进行试验验证,结果表明:基于邻域粗糙集的支持向量机在Z企业备件分类中具有高的分类准确率和优秀的泛化能力,验证了所提方法的有效性和优越性,从而更好地支持备件的管理。

基于抗噪声邻域粗糙集的在线流特征选择算法

在开放动态环境当中,特征是动态生成的,特征在不同时间戳内流入特征空间称为流特征.然而,在一些基于传统的邻域粗糙集流特征选择算法中,噪声点会对特征的依赖度计算造成影响.基于此,本文提出了基于抗噪声邻域粗糙集的在线流特征选择算法.首先,充分考虑噪声点的影响,定义一种抗噪声的邻域关系,并设计基于抗噪声邻域的依赖度计算公式.进一步,考虑到特征对不同类别所提供的信息不同,结合类别正域,提出了一种新的在线相关性分析方法和冗余分析方法.在8个数据集上的实验研究表明,所提算法得到的特征子集优于一些在线流特征选择算法.

基于邻域粗糙集的气象因子选择在虾塘水温预测中的应用

基于邻域粗糙集对影响虾塘水温变化的气象因子进行选择,并选取模型预测虾塘水温,为南美白对虾养殖趋利避害提供科学参考。首先,将平均气温、最高气温、最低气温、降水量、气压、2 min风速、10 min风速和瞬时风速等8个气象因子组合输入SFNN模型(单隐层前馈神经网络模型)、高斯回归模型和岭回归模型进行虾塘水温预测,选取预测效果最好的SFNN模型为本研究预测模型。然后,运用邻域粗糙集和熵理论,考虑气象因子和虾塘水温之间的相关性、冗余性和交互性,选出影响虾塘水温变化的主要气象因子。最后,利用选出的主要气象因子和SFNN模型实现虾塘水温预测。将基于邻域粗糙集选出的5个气象因子组合与8个气象因子组合,以及8个气象单因子分别输入SFNN模型,预测结果表明:邻域粗糙集选出的5个气象因子组合预测结果最好,其预测均方根误差、均方误差、平均绝对误差最小,分别为1.1211、1.2569和0.8938,决定系数(R2)为0.7916;在气象单因子中,气压对虾塘水温的预测结果较好。因此,基于邻域粗糙集选出的5个气象因子组合,通过SFNN模型进行虾塘水温预测结果最好,此方法在南美白对虾养殖趋利避害、防灾减灾中具有一定的实用价值。

一种基于邻域粗糙集和TOPSIS法的组合决策方法及应用

传统的粗糙集-TOPSIS组合决策方法有效解决了TOPSIS法在构造评价矩阵时存在主观性的问题,提高了决策精度。但该方法只适应于处理离散型数据的决策表信息系统,对于连续数据的决策表信息系统,需要对数据进行离散化处理,而离散化处理会改变数据原始属性,产生数据失真,从而导致决策精度显著下降。针对此类问题,结合邻域粗糙集理论,提出了一种邻域分辨矩阵改进的邻域粗糙集-TOPSIS综合评价方法。该方法可以直接应用于连续数据的决策表信息系统,不仅能计算核心评价指标权重的重要度,而且能计算非核心评价指标权重的重要度;在辐射源威胁排序案例中的应用表明,其可显著提高连续数据决策表信息系统的决策精度。

基于Pearson与邻域粗糙集的属性约简算法

针对传统的属性约简算法无法有效分析条件属性之间耦合关系的问题,提出了一种新的算法,基于皮尔逊与邻域粗糙集的属性约简算法(pearson and neighborhood rough set,PNRS)。根据耦合关系的结果进一步确定条件属性对决策属性的重要度,提高约简算法分类的精度。UCI数据集结果表明,经过耦合关系校正后,属性约简的能力进一步提升,平均约简率提升了1%,平均准确率提升了0.36%。与传统的属性约简算法相比,计算耦合关系的方法提高了约简算法的分类性能,为进一步优化邻域粗糙集的约简结果奠定了理论基础。

邻域粗糙集与GWO-SVM联合应用下的变压器故障诊断方法研究

文章根据域名生成算法(DGA)研究变压器故障数据和变压器故障类型之间的必然联系,将诊断模型优化和故障数据处理相互结合,全面提高变压器故障诊断的准确率。并通过研发变压器故障诊断系统,将两者进行整合,实施检测变压器运行过程,构建领域粗糙集约简模型,研究变压器故障数据比值与故障之间的关系,将比值数据作为故障诊断样本,及时发现变压器故障问题,采取合理解决方案,将变压器故障出现问题控制在合理范围。

基于小波能量熵和邻域粗糙集的电磁阀故障诊断研究

液体电磁阀是航空变量柱塞泵系统的关键控制元件,准确诊断电磁阀的故障类型是系统安全运行的重要保证;为了对航空变量柱塞泵系统中电磁阀进行检测与诊断,提出了一种基于小波能量熵和邻域粗糙集相结合的方法;研究了液体电磁阀驱动端的电流故障特征;采用AMEsim多学科领域仿真软件建立仿真模型,分析驱动端电流与阀体位移的关系,搭建实验系统,采集正常状态和故障状态的电流信号,分析不同状态的电流特性;然后利用小波包分解重构信号,提取对应的频带能量作为特征向量;最后,引入变精度模糊邻域粗集约简算法简化数值属性,提高了系统的效率;简化的属性集用于构建决策树,经过迭代训练,该模型诊断准确率达90%,达到了预期效果,实现了对液体电磁阀的快速诊断。

基于邻域粗糙集的多标记分类特征选择算法

多标记学习是一类复杂的决策任务,同一个对象可能同时属于多个类别.此类任务在文本分类、图像识别、基因功能分析等领域广泛存在.多标记分类任务往往由高维特征描述,存在大量无关和冗余的信息.目前已经提出了大量的单标记特征选择算法以应对维数灾难问题,但对于多标记的属性约简和特征选择却鲜有研究.将粗糙集应用于多标记数据的特征选择中,针对多标记分类任务,重新定义了邻域粗糙集的下近似和依赖度计算方法,探讨了这一模型的性质,进而构造了基于邻域粗糙集的多标记分类任务的特征选择算法,并给出了在公开数据上的实验结果.实验分析证明算法的有效性.

基于邻域粗糙集与多核支持向量机的变压器多级故障诊断

针对传统变压器故障诊断过程中故障征兆与故障类型间映射关系的不确定性及模糊性问题,根据粗糙集知识与多核学习理论,构建了一种变压器多级故障诊断模型。该方法基于溶解气体分析（DGA）诊断标准,以5种特征气体及16种气体比值作为初始特征量,并利用邻域粗糙集知识按属性重要度大小获取在所诊断故障类型上高重要度的最小故障特征信息集。在深入挖掘DGA所含故障信息的基础上,建立分级故障诊断模型,以二分类支持向量机作为分类器,利用最小故障特征信息集进行多级故障诊断。此外,采用反正切变换处理各输入特征,避免了油中溶解气体长尾分布而导致的误分情况;同时,各支持向量机皆采用多核学习,以解决单核支持向量机数据敏感性强,鲁棒性低的缺陷。实例分析表明：与传统特征量相比,新提出特征量下的各诊断层准确率均能较稳定的达到88%以上,且最小运行时长可达0.337 5 s,具备提高分类精度,减小运行时间与算法结构的明显优势。另外,与传统故障诊断方法相比,该多级诊断的模型不仅能更深层次挖掘故障特征信息,降低冗余特征信息的复杂性,并且可有效提高诊断平均准确率3%以上,具有更高的准确度与可靠性。

基于邻域粗糙集的航空发电机健康诊断方法

提出一种基于邻域粗糙集和支持向量机相结合的航空发电机智能健康诊断方法。采用专业健康试验平台对某型战斗机的真实航空发电机进行试验,得到转速、负载、油压等大量表征发电机健康状态的监测数据。引入数据挖掘思想,采用邻域粗糙集理论对监测数据进行属性约简,将约简后的属性集输入给所设计的支持向量机健康诊断器,对航空发电机的健康状态进行了诊断研究。研究表明,该方法能够很好实现对某真实航空发电机的健康诊断,具有较高的推广应用价值。

基于邻域粗糙集的支持向量机分类方法研究

针对支持向量机方法对高维大规模数据无法直接处理和对异常样本敏感的问题,提出了一种基于邻域粗糙集模型的改进支持向量机。该算法从两个方面对训练样本集进行预处理:一方面利用邻域粗糙集模型中对象邻域的上、下近似,寻找两种类别的交界部分,从而减小问题规模;然后通过对交界部分样本进行混淆度分析,剔除那些混杂在另一类样本中的异常样本或噪声数据。另一方面利用属性重要性度量对样本集进行属性约简与属性加权处理。基于合成数据集与标准数据集的有关实验证实了该算法的有效性。

单项专利价值的评估与定量评估指标体系的构建——基于邻域粗糙集与果蝇优化神经网络的单项专利价值评估

为提高专利价值预测的准确性,促进专利权的转让,围绕如何以专利权转移过程中的专利定价客观评价专利价值,构建了针对单项专利可定量评估的指标体系,克服了专利价值评估中的主观性,使用邻域粗糙集方法排除冗余属性,进行特征选择,采用果蝇算法优化BP神经网络,降低了BP神经网络容易陷入局部极小的风险。通过实证研究发现,构建的专利价值指标体系可对单项专利进行定量评价,果蝇算法优化后的BP神经网络具有比较快速和准确的预测能力,在实际预测中具有良好的泛化能力和有效性。

基于邻域粗糙集的不完整决策系统特征选择算法

针对不完整决策系统属性约简算法时间复杂度较高问题,基于正域不变条件下,决策系统分类能力保持不变原则,提出不完整决策系统前向顺序特征选择算法.该算法从约简集为空集开始,根据在约简集合中加入各属性后对正域影响程度大小将属性降序排列,采用顺序前向搜索,选择当前最佳特征加入特征约简集合,确定最佳特征子集.将该算法扩展到基于邻域粗糙集的实值和混合型不完整决策系统,得到基于邻域粗糙集的不完整决策系统前向顺序特征选择算法.同时,将基于相容关系的不完整决策系统快速属性约简算法推广到实值和混合属性的不完整决策系统,得到适用于实值、混合属性的不完整决策系统后向特征选择算法.理论分析和University of California Irvine机器学习数据库数据集的实验共同表明,本文提出的基于邻域粗糙集的不完整决策系统前向特征选择算法有效降低了不完整决策系统特征选择算法的时间复杂度,在保持系统识别能力的情况下,用更少的时间得到决策系统的属性约简子集,即特征子集.然而,本文前向特征选择算法的缺陷是有可能因为无法选择到第一个最重要的特征(属性)而使特征选择过程不能进行下去,从而不能完成特征选择过程.

基于邻域粗糙集和概率神经网络集成的基因表达谱分类方法

从癌症基因表达谱分析入手,针对基因表达谱维数高、样本少的特点,提出一种用于癌症分类的基于邻域粗糙集和概率神经网络集成的分类方法。首先利用Relief算法对基因进行排序,然后利用邻域粗糙集选取分类特征基因,最后结合概率神经网络集成分类模型进行癌症分类。实验结果表明,该方法可以快速有效地选取癌症特征基因,能获得更好的分类效果。