粗糙集在计算机网络中的应用,粗糙集神经网络计算机网络故障诊断方法研究

人工智能

7.学位论文 代文征 基于粗糙集的不完备信息系统的属性约简研究 2006

1982年波兰学者Z.Pawlak提出了粗糙(Rough)集。它是一种处理不精确和不完备信息的数学工具，而且不依赖于数据集之外的任何附加信息。经历了近20年的发展，已经在理论和应用上取得了丰硕的成果。

数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的但又是潜在有用的信息和知识的过程。对一些含有不完备信息的数据，传统的数据挖掘技术无能为力，而粗糙集却可以对这一类信息进行处理。作为集合论的扩展，粗糙集理论的主要研究领域之一就是在信息不完备情况下的数据挖掘技术。

在现实生活中，由于数据测量的误差，对数据理解或获取的限制等原因，使得在知识获取时往往面临的是不完备信息系统，这就极大地限制了粗糙集理论向实用化方向发展。国际国内对不完备信息下粗糙集理论的深入研究还不多见。因此，对数据缺损的信息系统的处理已成为粗糙集研究的主要内容之一。对不完备信息系统的研究得到了一些成果。在此次设计中，研究了已有的部完备信息系统的相关研究成果，追踪了国内外不完备信息属性约简算法的前沿，改进了基于不完备信息系统的属性约简算法。提出自己的算法并验证了算法的有效性。

主要工作有：*提出基于人工神经网络填充算法抽取整个信息系统，把其分解成子信息系统，利用完整的子系统来训练人工神经网络。而后基于训练好的神经网络的基础上，完成不完备信息系统得属性值填充，用实验数据得到事例验证

*提出基于属性重要性的约简算法在属性重要性的基础上的约简算法，此算法在分析前人研究成果的基础上实验证明此算法是有效的。

8.学位论文 郝丽娜 粗糙集——神经网络智能混合系统及其工程应用 2001

该文在综述了智能混合系统、粗糙集理论、人工神经网络、知识发现与数据挖掘等的研究现状、主要类型、发展趋势及存在问题的基础上,阐明了研究基于知识的粗糙集——神经网络智能混合系统的必要性;指出了粗糙集——神经网络智能混合系统的意义、可行性,并构建了系统框架,详细论述了各部分的组成、工作原理及实现方案;通过状态监测与故障诊断应用实例,证明了粗糙集——神经网络智能混合系统的实用性;作为全论文的概括,设计了基于数据仓库和数据挖掘的状态监测与故障诊断系统.

9.期刊论文 马楠.张立宁.MA Nan.ZHANG Li-ning 基于粗糙集——粒子群神经网络的建设项目安全预测研究 -中国安全科学学报2007,17(4)

回顾施工项目安全管理和安全管理研究现状,建立建设项目安全管理指标体系.利用人工神经网络非线性函数逼近能力,对项目风险因素程度预测.针对该网络当数据量大时,其结构复杂、收敛慢,易陷入局部最优的缺点,引入粗糙集对影响建设项目安全目标的不确定性因素进行约简,找出最小不确定性风险因素集,大大简化网络输入信息的表达空间维数.并结合粒子群算法收敛速度快、全局最优的寻优能力强的优点,建立基于粗糙集--粒子群神经网络的建设项目安全预测系统.通过实例验证该系统的科学性和有效性.

10.学位论文 张慧斌 基于粗糙集和模糊神经网络的数据挖掘方法研究 2006

数据库技术和Intemet的发展使得收集和存储海量数据成为可能.面对越来越多迅速膨胀的数据,人们往往无从着手去理解数据中包含的信息,更难以获得有价值的知识,从而面临着"数据丰富,知识贫乏"的局面.传统的信息处理技术已经不能很好地满足实际应用的需求,人们迫切需要具有更强能力和更高效率的信息处理技术,从大量数据中发现感兴趣的知识,从而指导决策.数据挖掘技术就是在这种应用背景下产生的.数据挖掘技术是解决数据丰富而知识贫乏的有效途径,当属信息科学领域的前沿研究课题之一,有关的研究和应用极大提高了决策支持的能力,已被公认为是数据库研究中一个极富有应用前景的领域.

粗糙集是一种处理模糊和不确定性数据的工具,因而成为数据挖掘中的重要框架.知识约简是粗集理论的核心内容,数据经过约简后更有价值,更能准确的获取知识.将粗糙集应用于数据挖掘领域,能提高对大型数据库中的不完整数据进行分析和学习的能力,具有广泛的应用前景和实用价值.属性约简是粗糙集理论中的一个重要课题.由于大型数据库中常常包含许多对发现规则来讲是冗余的、不必要的属性,如果能将冗余属性删除,将会大大提高系统潜在知识的清晰度,降低发现规则的时间复杂性,提高发现效率.

模糊系统善于表达知识,推理类似于人的思维,但过于依赖专家知识,缺乏学习和适应的能力；神经网络结构可变,具有较强的自组织、自学习、非线性和很高的容错能力,但是知识表达和解释能力很差,网络参数缺乏物理意义,且在学习过程中易陷入局部极值.所以将二者的特点结合起来形成模糊神经网络就成了一种必然的趋势.尽管如此,模糊神经网络还存在网络结构过于复杂、计算量过于庞大和网络建模很困难等问题. 将粗糙集和模糊神经网络二者相结合,能发挥各自的优势弥补对方的不足.

因此,探索二者之间的有机结合,无疑对数据挖掘技术的研究具有十分重要的意义.

本文提出一种把粗糙集理论和模糊神经网络技术相结合进行数据挖掘的方法,利用粗糙集从数据库中发现规则的能力,确定模糊神经网络的初始结构,再利用训练数据对网络进行训练.由于这样构造的模糊神经网络一开始就具备了良好的数据分布特性的拓扑结构,可以大大减小网络规模,提高网络训练速度.

最后,本文应用一个高度非线性函数的数值数据对用粗糙集优化了的模糊神经网络进行模拟仿真实验,实验结果表明该方法的确很有效果.

引证文献(2条)

1.徐琦 基于支持向量机的网络应用层故障诊断研究[学位论文]硕士 20062.石磊 网络故障定位与检测技术研究[学位论文]硕士 2006

本文链接：http://www.wendangwang.com/Periodical_xdjx200503020.aspx授权使用：凤元杰(wfjxxy)，授权号：87527e63-fe73-4801-a44d-9dbb00d25f26

下载时间：2010年7月22日