基于模糊依赖度算法汽车故障诊断仿真研究

研究汽车故障检测和诊断精确度问题,汽车故障检测和诊断技术一直是国内外研究热点问题。针对传统众多故障诊断算法难以精确地描述故障现象和故障原因之间的复杂关系,造成故障诊断难以精确等不足,提出了一种新的基于模糊依赖度最大化故障诊断算法,算法基于模糊粗糙集理论,利用条件属性的依赖度对汽车故障进行评判,采用模糊依赖度来描述汽车故障的发生的几率,同时在此基础上,给出了模糊依赖度最大化模型对汽车故障进行诊断的具体步骤。理论分析和仿真证明了将模糊依赖度最大化算法用于汽车故障诊断方面是可行的和有效的,并能提高故障监测的可靠性。

基于模糊度的决策树生成算法

在处理不确定问题中,生成模糊决策树是一种常用的方法.其算法主要包含2个步骤,一个是树的生成条件,主要是确定扩展属性的选择标准,并以此为核心得到生成模糊决策树的启发式算法.另一个则是树的终止条件,否则会造成树的过度拟合的情况.目前,典型的算法中通常利用粗糙模糊依赖度作为选择扩展属性的依据,但是这个依赖函数不具备单调性,从而导致算法有不收敛的可能,基于这个问题,给出了模糊度的定义,重新定义了模糊依赖度和模糊粗糙度,选择模糊依赖度最大的条件属性作为根结点;然后,使用模糊粗糙度作为叶子结点的终止条件;最后,通过实例说明了整个模糊决策树的归纳过程.

新的模糊粗集知识约简算法

提出了一种基于模糊决策属性依赖度的属性相对约简算法。该算法利用粗糙集理论分析的方法,通过在知识表达系统中引入模糊决策属性依赖度的概念,来描述由条件属性所提供的知识对整体决策的依赖程度,并通过模糊决策属性依赖度定义了条件属性对模糊决策属性的相对重要性,以此作为启发式信息,可以方便地求出相对核,再以相对核作为求解最小相对约简的起点。按重要性的不同逐次选择重要属性添加到相对核中,直至其依赖度达到整体条件属性依赖度时为止。

基于模糊决策树的保险企业数据异常访问检测方法

保险数据的安全已经成为影响企业效益和声誉的重大问题。为了有效检测日常交易数据中的异常访问行为,提出了一种基于模糊决策树的检测方法,该方法将能够把决策树的归纳学习能力和模糊集合所具有的表达能力相结合,可以有效地发现交易记录中的异常访问行为。通过实验分析,能够提高检测的准确性和效率。

基于模糊粗糙集模型的医疗信息系统属性约简算法

属性约简是粗糙集理论的重要研究分支,对信息系统进行属性约简有助于提高其数据的分类性能。针对医疗信息系统的多类型复杂数据环境,首先对多种数据类型分别提出了数据对象之间的模糊相似性度量;然后将这些度量方法进行整合,构造出医疗信息系统的一种新的模糊等价关系,并提出相应的模糊粗糙集模型;最后利用模糊粗糙依赖度,提出了医疗信息系统的一种属性约简算法。实验分析证明了所提出的算法具有更高的属性约简性能。