基于分辨矩阵和属性重要度的规则提取算法

研究了Rough集理论中的属性约简和值约简问题,将分辨矩阵引入值约简中,从属性依赖度的角度重新定义了属性重要度,提出了基于分辨矩阵和属性重要度的分类规则提取算法。该算法在保持分类能力不变的前提下,得到最小属性约简,再经过值约简后得到精确的规则,与现有算法相比,能减少时间和空间耗费。实验结果验证了该算法的有效性。

基于粗糙集决策网络的故障诊断规则提取方法

针对故障诊断信息的不一致性,提出一种基于粗糙集决策网络的故障规则提取方法。将故障诊断决策系统通过分辨矩阵和分辨函数进行属性约简后,构造出一个不同简化层次的决策网络。将属性约简集作为网络初始节点,根据网络节点得到决策规则集;同时,为了有效滤除噪声,在置信度的基础上引入了规则覆盖度的概念,对提取的规则进一步评价,最终提取有效的诊断规则。旋转机械故障实例验证了该方法的有效性。

基于H-BP神经网络的设备故障诊断方法

BP神经网络在训练过程中容易出现局部最小从而无法获得最优解,在进行故障诊断时还会出现误判的情况。针对这一问题,本文提出H-BP,简神经网络故障诊断方法,该网络结合Hopfield神经网络的全局最优计算能力和BP神经网络的解决非线性分类问题的优势,避免了网络训练陷入局部最小。将其应用于离心式风机的故障诊断中,表明H-BP网络故障诊断方法能很好地实现故障状态识别,并能提高故障诊断的精度。

基于遗传算法的Hopfield联想记忆吸引域的优化

由于一般离散Hopfield神经网络存在很多伪稳定点,使稳定点的吸引域变小,网络很难获得真正的最优解。因此,提出将遗传算法应用到Hopfield联想记忆神经网络中,利用遗传算法对复杂、多峰、非线性极不可微函数实现全局搜索性质,对Hopfield联想记忆吸引域进行优化,使待联想模式跳出伪模式的吸引域,使Hopfield网络在较高噪信比的情况下保持较高的联想成功率。仿真结果证明了该方法的有效性。