Multi-Granularity Neighborhood Fuzzy Rough Set Model on Two Universes

The two universes multi-granularity fuzzy rough set model is an effective tool for handling uncertainty problems between two domains with the help of binary fuzzy relations. This article applies the idea of neighborhood rough sets to two universes multi-granularity fuzzy rough sets, and discusses the two-universes multi-granularity neighborhood fuzzy rough set model. Firstly, the upper and lower approximation operators are defined in the two universes multi-granularity neighborhood fuzzy rough set model. Secondly, the properties of the upper and lower approximation operators are discussed. Finally, the properties of the two universes multi-granularity neighborhood fuzzy rough set model are verified through case studies.

Attribute Reduction of Neighborhood Rough Set Based on Discernment

For neighborhood rough set attribute reduction algorithms based on dependency degree,a neighborhood computation method incorporating attribute weight values and a neighborhood rough set attribute reduction algorithm using discernment as the heuristic information was proposed.The reduction algorithm comprehensively considers the dependency degree and neighborhood granulation degree of attributes,allowing for a more accurate measurement of the importance degrees of attributes.Example analyses and experimental results demonstrate the feasibility and effectiveness of the algorithm.

Two-Layer Information Granulation:Mapping-Equivalence Neighborhood Rough Set and Its Attribute Reduction

Attribute reduction,as one of the essential applications of the rough set,has attracted extensive attention from scholars.Information granulation is a key step of attribute reduction,and its efficiency has a significant impact on the overall efficiency of attribute reduction.The information granulation of the existing neighborhood rough set models is usually a single layer,and the construction of each information granule needs to search all the samples in the universe,which is inefficient.To fill such gap,a new neighborhood rough set model is proposed,which aims to improve the efficiency of attribute reduction by means of two-layer information granulation.The first layer of information granulation constructs a mapping-equivalence relation that divides the universe into multiple mutually independent mapping-equivalence classes.The second layer of information granulation views each mapping-equivalence class as a sub-universe and then performs neighborhood informa-tion granulation.A model named mapping-equivalence neighborhood rough set model is derived from the strategy of two-layer information granulation.Experimental results show that compared with other neighborhood rough set models,this model can effectively improve the efficiency of attribute reduction and reduce the uncertainty of the system.The strategy provides a new thinking for the exploration of neighborhood rough set models and the study of attribute reduction acceleration problems.

基于Spark和NRSCA策略的并行深度森林算法

针对并行深度森林在大数据环境下存在冗余及无关特征过多、两端特征利用率过低、模型收敛速度慢以及级联森林并行效率低等问题,提出了基于Spark和NRSCA策略的并行深度森林算法——PDF-SNRSCA。首先,该算法提出了基于邻域粗糙集和Fisher score的特征选择策略(FS-NRS),通过衡量特征的相关性和冗余度,对特征进行过滤,有效减少了冗余及无关特征的数量;其次,提出了一种随机选择和等距提取的扫描策略(S-RSEE),保证了所有特征能够同概率被利用,解决了多粒度扫描两端特征利用率低的问题;最后,结合Spark框架,实现级联森林并行化训练,提出了基于重要性指数的特征筛选机制(FFM-II),筛选出非关键性特征,平衡增强类向量与原始类向量维度,从而加快模型收敛速度,同时设计了基于SCA的任务调度机制(TSM-SCA),将任务重新分配,保证集群负载均衡,解决了级联森林并行效率低的问题。实验表明,PDF-SNRSCA算法能有效提高深度森林的分类效果,且对深度森林并行化训练的效率也有大幅提升。

改进NRS与ELM相结合在住宅需求预测中的应用

针对住宅需求预测受到不同方面因素的影响且具有非线性特征等问题,本文在原始邻域粗糙集(NRS)的基础上进行改进,并与极限学习机(ELM)相结合来进行预测.首先改进算法(MNRS)解决了原始NRS无法在不同条件属性之间设定最佳邻域值的问题,根据不同条件属性的邻域半径和标准差构建邻域关系矩阵;然后在输出属性重要度排序时引入Pearson相关系数,克服了条件属性之间的影响,获得最小冗余属性的约简集构成住宅需求预测指标体系;最后将构建的住宅需求指标体系输入极限学习机模型,得到准确的预测值.实验结果表明:MNRS-ELM预测模型不仅有效降低了运算复杂度,而且能够获得更高的预测精度.

Multi-Span and Multiple Relevant Time Series Prediction Based on Neighborhood Rough Set

Rough set theory has been widely researched for time series prediction problems such as rainfall runoff.Accurate forecasting of rainfall runoff is a long standing but still mostly signicant problem for water resource planning and management,reservoir and river regulation.Most research is focused on constructing the better model for improving prediction accuracy.In this paper,a rainfall runoff forecast model based on the variable-precision fuzzy neighborhood rough set(VPFNRS)is constructed to predict Watershed runoff value.Fuzzy neighborhood rough set dene the fuzzy decision of a sample by using the concept of fuzzy neighborhood.The fuzzy neighborhood rough set model with variable-precision can reduce the redundant attributes,and the essential equivalent data can improve the predictive capabilities of model.Meanwhile VFPFNRS can handle the numerical data,while it also deals well with the noise data.In the discussed approach,VPFNRS is used to reduce superuous attributes of the original data,the compact data are employed for predicting the rainfall runoff.The proposed method is examined utilizing data in the Luo River Basin located in Guangdong,China.The prediction accuracy is compared with that of support vector machines and long shortterm memory(LSTM).The experiments show that the method put forward achieves a higher predictive performance.

Generalization Rough Set Theory

In order to avoid the discretization in the classical rough set theory, a generlization rough set theory is proposed. At first, the degree of general importance of an attribute and attribute subsets are presented. Then, depending on the degree of general importance of attribute, the space distance can be measured with weighted method. At last, a generalization rough set theory based on the general near neighborhood relation is proposed. The proposed theory partitions the universe into the tolerant modules, and forms lower approximation and upper approximation of the set under general near neighborhood relationship, which avoids the discretization in Pawlak's rough set theory.

基于多粒度NRS和改进Bi-LSTM的电力系统暂态稳定评估

当前基于数据驱动的深度学习算法在电力系统暂态分析领域被广泛应用,但是实际中电力系统测得的数据样本中暂态失稳的情况较少并且对失稳样本的重视不足,导致分类模型的抗干扰性、泛化能力较弱,影响整个模型的评估性能。针对此问题,提出一种基于多粒度邻域粗糙集和改进双向长短期记忆网络(IM-Bi-LSTM)的电力系统暂态稳定评估方法。首先采用邻域粗糙集在不同粒度级别下寻找最优的约简子集,再利用Bi-LSTM神经网络完成对特征子集进行时序信息的提取,并且在模型中引入注意力机制,对与失稳样本相关的特征增加更多的权重;通过焦点损失函数,引入权重系数调整模型训练的倾向性,解决失稳样本与暂态稳定样本间的不平衡问题,提高模型的评估性能。在IEEE10机39节点系统上的试验结果表明,相较于其他算法,所提方法的分类精度更好、结果更稳定。

NRS下多证据融合的混凝土桥梁耐久性评估模型

为准确评估混凝土桥梁的耐久性,提出基于邻域粗糙集(NRS)与D-S证据理论的评估模型。首先,根据混凝土桥梁的结构特征,构建耐久性评估指标体系,并建立起耐久性评估数据库;其次,结合数据库,采用NRS的上下近似定义,确定不同评估指标的基本信度分配,并基于各指标的综合权重构造证据折扣因子,实现对初始基本信度分配的修正;然后,通过D-S证据理论合成规则进行融合,得出耐久性状态等级命题的置信度,进而根据最大隶属原则确定耐久性状态等级;最后,以多座在役混凝土桥梁的实测数据进行算例验证。结果表明:利用该模型获得的耐久性评估结果与现场实测结果一致,相较于传统的评估模型,该模型不仅能更准确地评估混凝土桥梁的耐久性,而且,能通过置信度反映耐久性的劣化趋势,这可为混凝土桥梁的维修加固、养护提供参考依据。

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。

基于邻域粗集神经网络的大数据特征分类系统

为提升主机元件对大数据的分类准确性,尽可能地避免数据误传,提出基于邻域粗集神经网络的大数据特征分类系统。在邻域粗集神经网络中,完成对邻域系数的粒化处理,通过逼近运算的方式,使神经网络模型快速趋于稳定。选取大数据特征调制信息,借助调制识别器元件控制大数据特征的导出方向,结合关联信道组织完成数据特征的多标合并处理。实验表明,利用该系统可将大数据的单位召回率提升至65%,能够促进主机元件对大数据的准确分类。

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NRS-SVM模型的航空弹药消耗预测研究

结合航空弹药训练消耗的特点,研究邻域粗糙集(Neighborhood rough sets,NRS)与支持向量机(Support vector machines,SVM)融合的航空弹药训练消耗预测问题。通过邻域粗糙集将5个初始影响因素约简为3个核心影响因素,并以此训练集对支持向量机进行回归优化。通过参数寻优得到最优的惩罚参数和核参数,进而构建NRS-SVM组合预测模型来预测航空弹药消耗。实证研究表明,该模型预测结果与实际数据吻合度较高,且与其他预测模型相比具有更好的预测性能。

区间值决策表中基于相对优势邻域粒度的属性约简

现实生活中大量数据以区间值形式存在,此时区间值决策表并不是基于等价关系,传统的决策方法并不能解决这一问题.为此,本文在区间值决策表中引入相邻关系、相邻类的定义,进而由相邻类建立了区间决策表的相对优势邻域粒度,拓展了经典决策信息系统的相关方法,并利用相对优势邻域粒度研究了区间决策表属性约简的启发式算法,通过具体案例将得到的属性约简结果与代数约简进行了有效性验证,进一步丰富和完善了信息系统属性约简理论.

基于自适应密度邻域关系的多标签在线流特征选择

流特征选择指从以流形式到来的特征数据中选出最优特征子集,现有方法大多在模型训练中需要事先学习领域信息并预设给定参数值。实际应用中,由于不同的数据集数据结构和来源不同,在模型学习过程中研究人员无法提前获取相关领域知识且针对不同类型数据集指定一个统一参数存在巨大挑战。基于此,提出一种基于自适应密度邻域关系的多标签在线流特征选择方法(multi-label online stream feature selection based on adaptive density neighborhood relation,ML-OFS-ADNR),基于邻域粗糙集理论,所提方法在特征依赖计算时无需任何先验领域信息。此外,提出了一种新的自适应密度邻域关系,使用周围实例的密度信息,可以在流特征选择过程中自动选择适当数量的邻域,不需要事先指定任何参数。通过模糊等价约束,ML-OFS-ADNR可以选择高依赖低冗余度的特征。实验表明在10种不同类型的数据集上,所提方法在特征数量相同的情况下优于传统特征选择方法和先进的在线流特征选择方法。

基于测试代价的三支邻域属性约简算法

针对粗糙集属性约简时很少考虑属性自身的测试代价等问题,提出了一种基于测试代价的三支邻域属性约简算法。算法根据各属性在邻域分辨矩阵中出现的频次和比例来计算属性重要性,并结合属性自身的测试代价来构造性价比指标,以此指导属性的甄选。三支决策方法被用于划分属性集,为属性的约简处理提供数据支撑。在7个UCI公共数据集上进行对比实验,结果表明,该算法可得到比对比算法更小的属性约简集合,在分类精度不降低的情况下,该算法具有更少的运行时间和更小的测试代价。基于财政收入的预测应用实例进一步证明了所提算法的有效性和实用性。

一种基于信息熵加权的属性约简算法

针对现有邻域粗糙集模型中存在属性权重都相同,无法保证关键属性在属性约简时能够被保留的问题,提出了一种基于信息熵加权的属性约简算法。首先,采用了类间熵、类内熵策略,以最大化类间熵最小化类内熵为原则给属性赋予权重;其次,构造了基于加权邻域关系的加权邻域粗糙集模型;最后,基于依赖关系评估属性子集的重要性,从而实现属性约简。在基于UCI数据集上与其他三种属性约简算法进行对比实验,结果表明,该算法能够有效去除冗余,提高分类精度。

基于NRS和D-S证据理论的变压器油纸绝缘状态评估模型

有效的变压器油纸绝缘状态评估方法对制定合理的检修计划有指导意义。为准确诊断油纸绝缘状态,提出基于邻域粗糙集(NRS)与D-S证据理论的评估模型。模型的构建是基于回复电压法多特征量评估数据库,采用证据融合理论对绝缘状态命题进行置信度计算,克服了单一特征量的片面性。同时,为减少主观因素的影响,根据NRS的上下近似定义,提出了基于数据库的基本信度分配方法。针对特征量在反映绝缘状态上的灵敏性不同,通过组合赋权法综合了基于属性重要度的客观权重和专家经验的主观权重,加强了权重分配的合理性。最后对多台未在数据库的不同糠醛含量变压器实测数据进行算例验证,结果表明,置信度在绝缘状态命题的分布不仅能准确反映变压器实际绝缘状态,并能体现其劣化趋势,为检修策略的制定提供参考依据。

基于特征交互的层次分类在线流特征选择

在开放动态环境下的分类学习任务中,数据特征空间具有动态性,标记空间存在层次化结构.现有的层次分类在线流特征选择算法可以选择较优的特征子集,但这些算法忽略了特征之间存在的交互作用.基于此,提出了一种基于特征交互的层次分类在线流特征选择算法.首先,设计了一种基于层次邻域依赖度去判断特征交互的计算方法;其次,针对层次化结构数据,根据层次结构中不同节点间的兄弟关系定义邻域粗糙集模型;最后,设计了具有在线重要性分析、在线冗余性分析以及在线交互性分析的层次分类在线流框架,用于选择强相关和存在交互作用的特征子集.在6个层次数据集上的实验验证了所提算法具有较优的综合性能.

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。