网格化的电力系统短期负荷预测的MDRBR模型

针对大电网的短期负荷预测,建立了按地域划分的网格化电力系统短期负荷预测模型。各 子网格根据自身的历史负荷和气象条件建立对网格更为有效的负荷预测模型,并采用了面向粗糙 集的默认规则挖掘算法(MDRBR——mining default rules based on rough set)构造各单一预测模 型,从而获得更加准确的预测结果。文中首先描述了MDRBR算法,然后分析研究了网格化的日 负荷多层规则网络构造过程,并给出了基于MDRBR算法的日负荷预测过程以及对某地历史数据 的负荷预测结果。分析结果表明,该网格化负荷预测模型能更加准确地得出预测结果,有效地减少 噪声,计算简单,且规则搜索效率高。

基于粗糙集的默认规则挖掘算法在电力系统短期负荷预测中的应用

将基于粗糙集的默认规则挖掘算法(Mining Default Rules Based on Rough Set,MDRBR)用于电力系统短期负荷预测,首先采用基于Gini指标的粗糙集离散化算法对气温、湿度等影响负荷的条件属性进行离散化,同时兼顾了条件属性和决策属性。在此基础上,通过计算规则的信赖度和支持度形成不同层次上符合初定阈值的带粗糙集算子的网络规则集,能减少因噪音的影响而产生的多余规则,提高规则产生和实际分类的效率,使所产生的分类规则集大大缩小,提高在使用规则时检索规则的效率。在负荷预测时自上而下逐层搜索规则网直至找出与所给信息相匹配的规则。粗糙集算子反映了规则的重要程度,同时作为选择规则的标准。实际应用表明,该方法能有效去除噪音,提高默认规则的挖掘效率,从而提高负荷预测的精度,具有一定的实用性。

贝叶斯网络在大规模医疗数据上的应用研究

针对医院信息系统中积累的大量数据,探讨了采用粗糙集、规则推理、贝叶斯网络相结合的方法基于这类数据进行学习建模.该方法在粗糙集属性约简的基础上,考虑了规则推理的影响,对信息表中的属性列进行压缩,获取最少属性列.基于最少属性的贝叶斯网络模型可以有效降低网络结构的复杂性;同时利用贝叶斯网络实现概率推理.最后进行了实验分析,结果证明该方法快速有效.

基于信息增益的缺省规则的挖掘方法

Rough集方法是一种处理不确定或模糊知识的重要工具。论文在现有的基于Rough集理论的缺省规则挖掘算法的基础上,将单属性信息增益概念扩充为多属性的情况,提出了基于信息增益的缺省规则的搜索策略和挖掘方法。实验表明,该方法能够发现简洁、易理解和实用的规则,同时具有较低的计算复杂性。

基于粗集理论的缺省规则挖掘模型

提出了一种基于粗集的缺省规则挖掘模型 ,以利于在信息不完备情况下进行推理和决策 .该模型从已知决策系统出发 ,建立了处于不同简化层次上的一系列子系统 ,并将其作为简约格中的节点 ,然后推导出每个节点的规则集 .在应用模型进行推理和决策分析时 ,用给定对象的信息与模型中相应节点的规则进行匹配 ,然后按照某种评判准则得出结论 .这种模型可以很方便地根据给定的信息 。

用于数据挖掘的粗集产生多重知识库的方法

提出了一种用于数据挖掘的粗集产生多重知识库的方法．该方法基于粗集理论的简化和决策矩阵．首先从知识表示系统中消除冗余属性，产生简化表，形成简化的知识表示系统，提高学习的有效性和精确性．然后从简化表中推导出决策矩阵，通过决策矩阵获取最小决策规则，计算包括所有必需属性的简化集合，给出计算最小决策规则和计算多重简化的算法．最后由相应的简化对最小决策规则进行分组形成多重知识库，给出产生多重知识库的算法．