基于粗神经网络的输电线路故障分类方法

提出了一种基于粗神经网络(rough membership neural network,RMNN)的高压输电线路故障分类方法,用10个独立的粗神经网络来分类识别输电线路的10种故障类型。粗神经网络利用粗神经元和模糊神经元代替普通神经元,有效地提高了神经网络的训练速度,并能减少网络的训练样本。基于对大量故障数据的分析,综合利用故障发生后5ms内故障电流时域和时频域的13种不同特征量作为故障分类的依据,以提高故障分类的正确率。PSCAD/EMTDC仿真实验结果表明:该故障分类方法能快速准确地分类识别各类故障,并且不易受故障时刻、过渡电阻、故障位置等因素的影响,具有较好的适应性。

一种基于粗糙集神经网络的分类算法

当输入维数高时神经网络结构复杂、体系庞大,导致其收敛速度慢。为克服这个缺点,提出了基于决策规则的神经网络,利用粗糙集理论从数据样本中获取最简的决策规则,按决策规则语义构建一种不完全连接的神经网络。根据决策语义规则,计算并初始化网络的参数,减少网络训练的迭代次数、提高网络的收敛速度;同时利用蚁群算法对网络输入的连续属性的最优离散化值进行寻优,从而获得最优的网络结构。最后通过实验结果将本文方法与传统神经网络方法和支持向量机分类方法进行了比较,结果说明了该神经网络具有收敛速度较快、分类效率较高的优点。

基于粗糙集理论的模糊神经网络构造方法

构造模糊神经网络时确定初始的隶属函数是一个难点,提出了一种新的基于粗糙集理论的隶属函数获取算法,该算法根据粗糙集理论中基于属性重要性的离散化方法确定条件属性的断点,再通过断点确定各模糊集合隶属函数的中心和宽度,同时给出了网络各参数的修正公式;仿真结果证明,该算法在学习的快速性和精度上具有良好的性能。

数据挖掘与数据融合集成系统模型

介绍了数据挖掘与数据融合集成系统的理论基础,构造了一种粗糙集——模糊神经网络模型以实现该集成系统,给出了系统的原理图和流程图,并对构造模型的算法进行了研究。最后,阐述了集成系统的优势。

一种新型模糊-粗神经网络及其在元音识别中的应用

为度量模糊粗不确定性信息,引入了模糊粗隶属函数.基于模糊粗糙集理论构建了一种新型的模糊-粗神经网络(FRNN),该网络融合了模糊信息和粗糙信息的处理能力.对5个元音字母的语音识别进行测试,结果显示FRNN网络不仅训练速度快,而且分类性能优于BP网络、RBF网络和贝叶斯分类器.

基于组合预测与变精度粗糙模糊集的采空区稳定性评价

为了准确评价矿山采空区稳定性,分析其影响因素,结合采空区顶板下沉位移前期检测数据,先利用组合预测理论对顶板下沉位移的多种模型预测结果进行了组合,然后根据组合预测值对采空区稳定性进行评判。以采空区稳定性评价作为决策属性,以其影响因素作为条件属性,利用变精度粗糙模糊集对采空区稳定性评价知识系统进行概率决策分析,得到13条β为70%的β-约简概率决策规则。结果表明:对于该矿山而言,采空区面积、地应力大小和临时支护方式是评判采空区稳定性的决定性影响因素,所得概率决策规则的分类质量为62.96%,分类质量较高,可为采空区稳定性判定及规律分析提供参考。

一种适用于模式分类的模糊粗隶属函数神经网络

在设计模式分类器时,由于很难甚至不可能获得实现精确分类的所有必要的本质特征属性,使得在进行分类时出现模糊不确定性和粗糙不确定性并存的情况.基于模糊粗糙集理论,本文构建了一种模糊粗隶属函数神经网络FRMFN.该网络融合了模糊信息和粗糙信息的处理能力,在对加拿大Norman Wells地区的红外波段合成图像进行分类的测试中,显示FRMFN网络具有比相应RBF网络更好的分类精度,同时保留了RBF网络学习速度快的优点.

模糊粗糙神经网络特征选择方法研究

实际采集的数据中往往存在模糊不确定性和粗糙不确定性,为全面度量数据的不确定性,引入了模糊粗糙集中的模糊粗糙隶属函数概念,并结合容错能力较强的神经网络设计了一种新的模糊粗糙神经网络.该网络不仅训练速度快,且具有较好的分类效果.利用该网络设计了一种新的特征选择算法,根据精度下降指标对输入节点进行结构修剪,实现最优特征子集的搜索.通过UC I数据集实验,并与RBF网络选择结果进行比较,表明该算法具有精度高、速度快、泛化性能好等优点,是有效的.

“五四模型”的火焰燃烧稳定性判定

燃烧稳定性判定问题是锅炉燃烧状态自动监测中亟待解决的关键问题之一。为了实现自动化监测,并对燃烧的稳定程度进行量化判定,基于数字图像处理技术,从炉腔火焰图像中提取燃烧参数,建立燃烧参数数据库。基于多属性判定方法,生成区间数据样本决策库。在模糊推理中,为获取隶属度函数参数和模糊推理规则,提出了基于粗糙集简化样本决策库。按照决策属性离散化决策库中的条件属性,实现了属性简约和属性值简约,增加了网络训练样本参数的可靠性。结合模糊网络的逻辑推理性和神经网络的学习性、并行计算等优点,建立了用于燃烧诊断的T-S模糊神经网络模型。选择合适的模糊分割数,定义"五四模型",建立基于"五四模型"的火焰燃烧稳定性判定模型,并进行仿真试验。对比训练前后的仿真图参数表明,该模型是可行的,并具有较好的试验效果。