基于粗糙集理论的模糊神经网络及其在化纤生产过程中的应用

提出一种基于粗糙集理论的模糊神经网络系统 ,首先运用粗糙集理论来发现大量样本数据中的概略化的规则 ,然后根据这些规则来设计神经网络的结构模型 ,并利用神经网络技术对模型进行训练。化纤工业中抽丝冷却侧吹风过程的模拟仿真实验 。

基于数据挖掘的煤矿安全信息管理模型的研究

基于对数据挖掘技术、粗糙集理论、模糊逻辑与神经网络算法的分析,文章提出了一种基于数据挖掘的煤矿安全信息管理模型的设计方案。该模型应用Web服务器注册技术和XML数据合成技术形成终端数据库,采用数据挖掘技术中的粗糙集理论和模糊逻辑与神经网络算法形成终端数据仓库,并对终端数据仓库进行统一分析、管理和维护,有效地提高了煤矿安全信息管理的效率。

一种粗逻辑神经网络研究

该文基于粗逻辑理论,研究了粗逻辑意义下的粗集神经网络的设计,分析和比较了粗逻辑神经网络和模糊逻辑神经网络的性质。在重庆地区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。

电子设备智能监测与诊断技术综述

随着人工智能技术的发展,现代监测与诊断技术向智能化方向发展.本文介绍了电子设备智能监测与诊断的模式和智能诊断方法,从硬件实现技术和诊断方法两个方面给出了电子设备智能监测与诊断的发展方向,对智能监测系统的实现有一定的指导意义.

基于近似域划分的可变离散精度粗逻辑网络及其遥感图像分类应用

为解决粗逻辑神经网络精度与网络规模复杂性和推广泛化能力之间的矛盾,该文提出了一种具有可变离散精度的粗逻辑神经网络设计方法。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网络的精度,同时抑制网络规模增长过快的目的。在长白山地区的遥感图像分类实验中,常规方法在离散等级为7时有最好性能,而该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。

粗糙集理论及其在智能控制领域的应用前景

简要阐述了粗糙集理论的基本框架，介绍了粗糙集理论在智能控制中的发展趋势，指出它在智能控制领域的理论与应用研究已成为当前该理论的研究热点；重点介绍了它与模糊、神经网络等软计算方法的融合。

小波变换理论应用进展

本文介绍了小波变换理论 ,讨论了基本小波函数的选取准则和小波变换算法 ,分析了小波变换与人工智能等其它方法的结合方式和特点 .通过介绍小波变换在信号瞬态分析、图像边沿检测、图像去噪、模式识别、数据压缩、分形信号分析等方面的应用实例 ,讨论了小波变换在处理非平稳信号和复杂图像时的优势 .最后 ,对小波变换理论的发展及其应用前景作了描述 .

软计算融合技术研究

软计算是求近似而非精确解的有效计算方法,已经在众多领域得到应用,取得了很好的效果。然而,每个软计算方法具有鲜明的特色和迥异的侧重点,在实际应用中存在一些不足,将软计算方法进行融合,优势互补,是促进软计算发展的关键技术之一。文中简要介绍了软计算发展概况,结合粗糙集、神经网络、模糊逻辑、遗传算法、人工免疫算法等软计算方法,详细分析了软计算融合技术的现状及分类,指出了该领域面临的缺乏理论基础、设计原则、定量评价等主要问题及其发展趋势。

一种粗逻辑神经网络的构造和学习方法

传统的粗逻辑神经网络可以对信息系统及粗推理决策进行研究,能够深入地揭示粗糙集理论实质,但对于处理非单值输入问题不能取得良好的效果。粗糙神经元的上边界和下边界恰好能解决这一方面的问题,且随着粗集理论的不断发展,上下边界的概念得到了广泛的应用。综合两个方面的优点,提出了一种粗逻辑神经网络的构造与学习方法。它主要由传统粗逻辑神经网络和粗糙神经元的思想(模式中每一个特征变量都包含上界和下界两个边界)构成:边界粗逻辑神经网络。首先给出了粗糙神经元和粗逻辑及决策的基本知识,然后提出了边界粗逻辑神经网络的结构和学习方法及两种模型并比较了模型间的优缺点。与传统粗逻辑神经网络相比,这类神经网络能更有效地处理非单值和连续近似域函数问题。最后提出可以进一步优化的方向。

基于决策逻辑的模糊粗糙神经网络建模

为建立相关量的预测模型,提出了一种新的基于决策逻辑的模糊粗糙神经网络建模方法。首先对原始数据进行预处理,并基于粗糙集理论进行属性约简,得到最简决策表。然后基于决策逻辑建立模糊粗糙神经网络。最后提出了一种结合混沌搜索算法和最小二乘法的Chaos-LS算法,训练模糊粗糙神经网络的参数,从而建立起系统的模糊粗糙神经网络模型。实验证明,这种建模方法建立的模糊粗糙神经网络模型具有较高的精度和泛化能力。

智能Petri网研究进展

阐述了Petri网与模糊逻辑、遗传算法、蚁群算法、粗糙集、神经网络等计算智能技术相互结合的方式以及主要适用范围,分析总结了其研究现状、结合方法的特点与应用背景,最后对Petri网与计算智能方法结合的发展趋势进行了总结和展望。