一、基于遗传算法的一种粗糙集知识约简算法(论文文献综述)
刘海江,邢证[1](2021)在《基于粗糙集理论的双离合器自动变速器车辆换挡品质评价指标约简》文中研究说明针对DCT (dual clutch transmission,双离合自动变速器)车辆换挡品质客观评价,首先建立了DCT车辆换挡动力学模型,从体现车辆换挡品质平顺性和动力性两个评价维度,初步选取10个参数作为换挡品质评价指标;为了解决随着指标数量增长带来的指标之间存在冗余,以及现有换挡品质评价指标权重确定方法缺乏合理性的问题,在初选的评价指标基础之上,利用遗传算法优化的粗糙集知识约简方法对评价指标进行约简,并利用支持向量机分类模型对约简有效性进行验证;接着基于属性重要度的概念对约简后评价指标进行赋权。试验结果表明,该方法可以有效地删除冗余指标,同时对评价指标进行合理赋权,为DCT车辆换挡品质客观评价提供了基础。
王立业[2](2021)在《机械装备传动设计知识多色建模与重构研究》文中进行了进一步梳理传动系统是机械装备中进行动力传递的部分,随着机械装备的不断发展,传动系统呈现出复杂化的趋势。大量设计知识的低效利用造成设计人员面临着“数据丰富,知识匮乏”的问题,国内外学者对机械装备知识重构的研究也越来越重视。本文以机械装备中传动设计知识为研究对象,展开机械装备传动设计知识多色建模与重构方法研究。全文研究内容包括:(1)基于多色集合的传动设计知识建模根据机械设计手册获取并总结机械传动相关设计知识,分析传动系统各个组成部分,传动系统的类型等。研究传动系统设计知识层次关联关系,利用多色集合理论,以设计需求为统一颜色;以传动类型为个人颜色;以部件之间作用关系为约束、以传动系统各个属性为元素,建立机械传动设计知识多色模型。(2)属性组合关联的传动设计知识约简方法研究如何对存在相关性、存在冗余以及不完备的传动知识进行约简。以粗糙集理论为基础,通过融合DEMATEL方法、互信息理论等其他理论知识来建立知识约简评价准则模型:以属性重要度和属性之间的关联度为目标函数,以属性个数和迭代次数为约束条件。通过建立的评价准则并结合智能算法对数据中冗余部分进行剔除,最终筛选出最精简的传动设计知识,从而实现对传动设计知识的约简重构。(3)机械传动设计知识增量式属性约简方法针对传动设计知识数据具有更新周期快、数据不完备等特点,设计基于属性频率及KNN分类算法的传动设计知识增量式属性约简方法。对传动设计知识原决策表进行深入分析,将不相容决策表进行分类区分,实现对原决策表的简化。对新增样本与原决策表关系分三种情况进行分析,引入KNN算法对不一致样本进行剔除。以辨识矩阵中属性出现频率作为属性重要度的判别标准,实现快速区分并剔除冗余属性。(4)传动知识重用系统的建立将多色集合层次划分及属性约简后的传动设计知识建立数据库。结合数据库对NX10.0进行二次开发,实现如下功能:对机械装备传动知识的查阅;按照需求实现对传动系统的方案设计;给予一定的限制条件查阅数据等。从而建立一套比较完善的机械装备传动知识重用系统,方便设计人员使用。
于凡超[3](2019)在《智能变电站通信网络设备故障诊断的设计与实现》文中研究说明随着智能电网的快速发展,智能变电站已成为智能电网建设的重要环节。在推进变电站智能化建设的同时,变电站的功能和结构日趋复杂,对智能变电站通信网络故障诊断系统的性能提出了更高的要求。本文设计与实现了基于智能变电站配置描述文件(Substation Configuration Description,SCD)的智能变电站通信网络故障诊断的方案,将故障诊断在确定的报文传输端口上,提高了故障诊断的精确度与速度。为了满足故障诊断的需求,将通信网络静态配置信息抽象为数学模型,本文建立了智能变电站通信网络拓扑模型,包括物理网络拓扑矩阵模型和逻辑网络拓扑矩阵模型。针对大数据量SCD文件中获取电站通信配置信息缓慢的问题,提出了一种并行解析SCD文件的算法。该算法采用主从解析机制,主线程提取SCD文件的结构,从线程解析标签的名称与属性。在变电站通信网络静态配置信息模型建立的基础上,引入分步缩小范围的动态故障诊断思想。第一步,采用粗糙集理论将故障范围由整站诊断缩小至确定的虚拟局域网中,针对粗糙集理论中知识约简计算量大的问题,采用遗传算法构建惩罚因子,加快了其收敛速度。第二步,构建物理网络拓扑模型与逻辑网络拓扑模型之间的映射关系,给出基于分块矩阵拓扑分析法故障诊断的流程,将故障范围诊断在确定的端口,并采用虚拟局域网、稀疏矩阵和对称矩阵技术降低了拓扑矩阵法的计算量。本课题以国网宁夏电力研究院的110KV科研专用智能变电站为对象,测试了本课题提出的故障诊断方案。对SCD文件的并行解析算法与DOM解析算法进行了验证与比对分析。对提出的基于粗糙集理论的故障区域诊断和基于分块矩阵拓扑分析法的故障端口诊断方案,以变电站的故障为例进行了功能测试与性能测试。测试结果表明了本文提出的智能变电站通信网络故障诊断方案的有效性。
邢彪[4](2019)在《基于粗糙集的随机森林算法优化研究》文中研究指明在大数据时代,单分类器技术已经不能满足日益复杂和大量的数据需求;因此多分类器变得更加重要和有效。多分类器的思想就是组合多个单分类器,然后根据多个单分类器的产生的结果进一步得到最终结果。随机森林就是一种多分类器。随机森林算法随机性之一是从整体特征中随机选择一定数量的特征,以尽可能地减少树之间的相关性,但数据中通常存在冗余特征,因此会对随机森林模型的泛化能力造成影响。针对随机森林特征选择时数据集中存在冗余特征的情况,通过对传统随机森林算法的分析,决定采用粗糙集对传统随机森林算法进行优化改进。粗糙集可以简化数据并保留数据的最小知识,同时保留关键信息。粗糙集能对随机森林特征选择时数据集中存在较多冗余特征而影响模型的分类效果的问题进行有效的处理。基于此,本文选择用基于遗传算法的粗糙集属性约简方法对随机森林算法进行优化,在随机森林选取特征之前就剔除掉总体特征中的冗余特征,从而提高随机森林算法的效率。本文完成了以下几个方面的工作:(1)介绍了属性约简研究现状、粗糙集属性约简研究现状和随机森林国内外研究现状;详细介绍了粗糙集基础理论。详细研究了随机森林算法的基本数学概念、性质;对决策树算法进行了详细的研究,介绍了决策树的产生以及ID3、C4.5、CART算法;在构建决策树的基础上,研究了随机森林算法构建过程,对随机森林数据集的产生以及单个决策树的构建以及随机森林算法的执行过程进行了详细的分析。(2)针对随机森林在特征选择时存在冗余特征的问题,将基于遗传算法的粗糙集属性约简方法与随机森林分类思想结合,提出了一种基于遗传算法的粗糙集和随机森林结合的分类预测算法;对基于遗传算法的粗糙集属性约简方法在多个UCI数据集上进行了属性约简,同时与PCA、CHI2在约简后模型分类效果进行了对比实验,选用平均准确率作为客观评价参数,来评价三种不同的约简方法效果。(3)通过编程实现基于遗传算法的粗糙集和随机森林结合的分类预测算法,主要通过与经典的随机森林算法进行比较,在葡萄酒数据集和宫颈癌数据集上测试其效率,选择分类准确率、运行时间、ROC曲线、AUC均值、OOB以及ooberror作为评价指标对其进行综合评价;同时,在多个机器学习数据集上与多种机器学习算法进行对比分析,选择平均准确率作为评价指标,验证了优化后随机森林算法的在分类方面的有效性。本论文在粗糙集和随机森林原理研究的基础上,采用基于遗传算法的粗糙集属性约简方法优化随机森林特征选择,对随机森林的分类效果有较大的提升。因此,基于遗传算法的粗糙集属性约简和随机森林分类相结合的方法,不仅具有一定的方法创新,同时在实际应用中也具有重要价值。
田琴[5](2014)在《基于UG的采煤机概念设计方法与系统研究》文中提出针对传统采煤机概念设计采用类比方法,仅依靠设计者经验进行设计,缺乏科学的推理模型的问题,为充分利用企业积累的设计经验和采煤机设计实例中的隐含的大量规则知识,本文将实例推理技术和模型推理技术结合起来用于采煤机概念设计。实例推理利用改进的近邻算法搜索最相似实例,若没有搜索到最相似实例,则进行模型推理。将粗糙集理论(Rough Set,RS)、支持向量机回归(Support Vector Regression,SVR)和遗传算法(Genetic Algorithm,GA)相结合,面向采煤机总体参数确定过程,建立了基于GA-SVR的采煤机概念设计模型。基于粗糙集理论进行属性约简和决策规则提取,利用SVR实现了客户需求到采煤机总体技术参数的映射,利用GA算法对模型参数进行了优化,设计者进行参数调整,得到产品的的最优概念设计方案。在上述研究的基础上基于UG软件开发了采煤机概念设计系统,该系统是在Windows 7操作系统下,结合vs 2010和SQL sever2008,采用C++作为编程语言,利用UG/OPEN API和UG/Open MenuScript作为开发工具,在UG7.5平台上开发的。系统能够提供给用户一个最优总体设计方案,即用户通过输入原始条件,系统根据原始条件自动确定总体技术参数。通过该系统实现概念设计的自动化、知识化和智能化。经过系统测试试验,确保了系统运行的正确性。通过实例验证,证明了该概念设计方法的客观性、准确性和有效性。
鄢锋,桂卫华,陈勇,谢永芳,任会峰[6](2012)在《基于改进遗传算法的粗糙集知识约简方法》文中提出在分析粗糙集约简方法的基础上,提出一种基于改进遗传算法的粗糙集知识约简算法。在信息系统中引入条件属性对决策属性的支持度、重要度,作为启发式信息加入遗传算法中,并提出种群相异度和个体相异度的概念改进遗传算法,使算法增强整体优化性和快速收敛性。实例分析表明提出的算法具有快速、有效等特点。
汤建国,祝峰,佘堃,陈文[7](2010)在《粗糙集与其他软计算理论结合情况研究综述》文中研究说明最近几年,对于粗糙集的研究越来越多,尤其是粗糙集与其他软计算理论相结合的研究更为突出,取得了很多有意义的研究成果。鉴于此,将此方面目前的主要研究状况进行了总结,主要介绍了目前粗糙集与模糊集、神经网络、证据理论等一些其他软计算理论之间的结合研究情况,并对这方面未来的发展提出了自己的观点。
刘伟伟[8](2010)在《基于遗传算法的粗糙集知识约简》文中提出知识约简是粗糙集理论的核心内容之一。本文通过知识表达系统中条件属性对决策属性的重要性,来描述由条件属性所提供的知识对整体决策的重要程度,利用遗传算法,提出一种基于遗传算法的粗糙集知识约简方法。
雷健[9](2010)在《基于进化算法的属性约简方法研究》文中提出数据挖掘是指从含有大量数据的数据库中提取有效的、有潜在价值的、新颖的信息和知识的非平凡过程。在许多的数据挖掘方法中,粗糙集方法是其中的一种很好的数据挖掘工具。在上个世纪八十年代粗糙集理论是由着名的波兰数学家Z.Pawlak提出的处理模糊和不确定性问题的一种数学方法,它可以分析出隐含在数据中的事实,并且基本上不需要提供任何相关数据附加信息,粗糙集理论已经在社会许多领域中获得了比较成功的应用,比如模式识别、知识发现、机器学习、决策分析等领域。信息系统的属性约简是粗糙集理论的重要内容之一。但寻找信息系统的最优约简或全部约简是一个NP问题。遗传算法是一种模拟生物进化过程的最优解的方法,具有全局搜索、鲁棒性强、可扩展性、隐含并行性等特点,已经被广泛应用到粗糙集属性约简中。为了能够快速有效地获取信息系统中属性的最小约简,在分析遗传算法与属性约简的方法的基础上,将属性重要性度量作为启发式信息引入遗传算法,构造出了一种基于启发式变异算子的属性约简算法。该算法通过构造新的变异算子来引入启发式信息,这样体现了启发式信息的局部搜索技术,并使得该算法不仅保持整体优化特性,而且还具有较快的收敛速度。差分进化算法是基于一种变异、交叉、选择的全局进化优化算法,将差分进化算法应用到多个个体组成的群体,这样得到的群体中的个体可以一代接一代地得到优化,并逐步逼近算法的最优解。该文将差分进化算法引入粗糙集属性约简中,构造出基于差分进化算法的粗糙集属性约简算法。实验结果表明,这两种方法都能快速有效地求出决策表的最小约简。
曾宇洁[10](2008)在《基于粗糙集数据分析的信息系统风险评估决策支持系统》文中提出在开放互联网环境下,信息系统总是面临着各种各样的安全风险。为了避免风险事件发生,必须对信息系统的风险进行有效管理,而科学地分析和评估信息系统风险是其中的关键环节。本文致力于研究粗糙集理论在信息系统风险评估中的应用,利用粗糙集在知识发现方面的优势,从历史评估数据中挖掘出具有一定可信度和覆盖率的风险规则,辅助评估人员做出决策。本文的主要研究内容和成果如下:(1)针对粗糙集理论中的连续属性集离散化问题,提出将云模型与粗糙集理论结合,首先利用基于云模型的定量到定性的转换方法将连续属性集离散化,然后再应用基于粗糙集的知识发现获取决策规则。实验证明:基于云模型的离散化方法不仅可以简化粗糙集知识发现所获取的规则,同时使获得的规则具有更好的普适性。(2)提出一种基于改进遗传算法的粗糙集属性约简算法。该算法将标准遗传算法中初始种群的个体由单倍染色体改进为包含一条显性染色体和一条隐性染色体的双倍体,并引入自适应技术,使变异概率和交叉概率可以根据适应度动态调整。实验证明:该算法较基于遗传算法的粗糙集属性约简算法能够更快得到最佳约简。(3)搭建了基于粗糙集数据分析的信息系统风险评估决策支持系统。该系统可以从历史风险评估数据中挖掘出风险规则,并利用这些风险规则辅助评估人员做出决策。介绍了该系统的总体结构及各个子模块的功能,并通过仿真实例说明了核心模块的工作流程。
二、基于遗传算法的一种粗糙集知识约简算法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于遗传算法的一种粗糙集知识约简算法(论文提纲范文)
(1)基于粗糙集理论的双离合器自动变速器车辆换挡品质评价指标约简(论文提纲范文)
1 DCT车辆换挡品质指标体系构建步骤与指标初选 |
1.1 DCT车辆换挡品质指标体系构建步骤 |
1.2 DCT车辆换挡动力学模型 |
1.3 DCT车辆换挡品质评价指标的初选 |
1.3.1 与时间及发动机转速相关的指标c1~c5(图3) |
1.3.2 与车辆纵向加速度相关的指标c6~c10(图4) |
1)离合器结合加速度幅值Δacom/(m·s-2)。 |
2)加速度振荡Δa/(m·s-2)。 |
3)加速度均方根值arms/(m·s-2)。 |
4)负向冲击度Jneg/(m·s-3)。 |
5)正向冲击度Jpos/(m·s-3)。 |
2 基于粗糙集理论的指标约简及权重模型 |
2.1 粗糙集理论 |
2.2 遗传知识约简算法 |
2.2.1 染色体编码方法 |
2.2.2 适应度函数设计 |
2.2.3 遗传、交叉及变异算子的选择 |
2.2.4 遗传知识约简步骤 |
2.3 基于属性重要度的定权法 |
3 试验验证 |
3.1 试验数据的获取 |
3.2 换挡品质指标约简 |
3.3 指标约简有效性验证 |
3.4 指标权重分析 |
4 结 论 |
(2)机械装备传动设计知识多色建模与重构研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状综述 |
1.2.1 设计知识建模研究现状 |
1.2.2 知识重用研究现状 |
1.2.3 属性约简研究现状 |
1.3 存在的问题 |
1.4 主要研究内容及论文组织结构 |
1.5 本章小结 |
第二章 基于多色集合的传动设计知识建模 |
2.1 机械传动知识获取 |
2.1.1 机械传动系统组成 |
2.1.2 机械传动类型 |
2.2 基于多色集合的传动设计知识建模 |
2.2.1 传动设计知识层次分析 |
2.2.2 传动设计知识多色模型 |
2.3 本章小结 |
第三章 属性组合关联的传动设计知识约简方法 |
3.1 属性组合关联的传动知识多目标约简模型 |
3.1.1 条件属性关联的属性组合重要度 |
3.1.2 决策属性关联的属性组合相关度 |
3.2 知识约简算法 |
3.2.1 改进多目标布谷鸟算法 |
3.2.2 基于区间犹豫模糊集的属性约简方案优选 |
3.3 实例分析 |
3.4 本章小结 |
第四章 机械传动设计知识增量式属性约简方法 |
4.1 基于属性频率的属性重要度计算 |
4.2 基于KNN算法的新增样本分类识别 |
4.3 新增样本分析 |
4.3.1 传动设计知识决策表及其简化 |
4.3.2 样本分析 |
4.4 增量式属性约简算法 |
4.5 实例分析 |
4.5.1 增量式约简算法测试 |
4.5.2 传动设计知识实例分析 |
4.6 本章小结 |
第五章 传动知识重用系统的建立 |
5.1 传动知识重用系统建立 |
5.2 功能模块介绍 |
5.2.1 类型介绍模块 |
5.2.2 型号选取模块 |
5.2.3 数据库管理模块 |
5.3 本章小结 |
结论与展望 |
1.结论 |
2.展望 |
参考文献 |
致谢 |
攻读硕士期间主要成果 |
(3)智能变电站通信网络设备故障诊断的设计与实现(论文提纲范文)
摘要 |
abstract |
注释表 |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 论文主要内容 |
1.4 论文组织结构 |
第2章 智能变电站通信网络关键技术 |
2.1 智能变电站网络构架 |
2.2 智能变电站通信标准 |
2.2.1 IEC61850 规约 |
2.2.2 SV模型 |
2.2.3 GOOSE模型 |
2.3 智能变电站SCD文件 |
2.3.1 SCL语言 |
2.3.2 SCD文件结构 |
2.3.3 静态配置信息 |
2.4 本章小结 |
第3章 智能变电站通信网络拓扑模型的建立 |
3.1 智能变电站网络拓扑模型框架 |
3.2 通信网络物理拓扑模型的建立 |
3.2.1 物理端口模型 |
3.2.2 交换机内部报文交换模型 |
3.3 SCD文件的解析 |
3.4 通信网络逻辑网络拓扑模型的建立 |
3.5 本章小结 |
第4章 智能变电站通信网络故障诊断方案的设计 |
4.1 故障诊断方案的设计 |
4.2 基于粗糙集的故障区域诊断 |
4.2.1 粗糙集的基本概念 |
4.2.2 属性的约简 |
4.2.3 基于遗传算法的决策表约简 |
4.2.4 基于粗糙集的故障区域诊断 |
4.3 基于分块矩阵拓扑分析法的故障端口诊断 |
4.3.1 智能变电站报文转发路径查找算法 |
4.3.2 报文转发路径查找算法的优化 |
4.3.3 基于分块矩阵拓扑分析法的故障端口诊断 |
4.4 本章小结 |
第5章 测试与结果分析 |
5.1 实验环境概述 |
5.1.1 硬件环境 |
5.1.2 软件环境 |
5.2 算例分析 |
5.2.1 SCD文件解析测试 |
5.2.2 SCD文件可视化实现 |
5.2.3 故障诊断方案的测试 |
5.3 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读硕士学位期间从事的科研工作及取得的成果 |
(4)基于粗糙集的随机森林算法优化研究(论文提纲范文)
摘要 |
Abstract |
第1章 引言 |
1.1 选题依据和研究意义 |
1.2 国内外研究现状 |
1.2.1 属性约简研究现状 |
1.2.2 粗糙集属性约简研究现状 |
1.2.3 随机森林算法研究现状 |
1.3 论文的研究内容 |
1.4 研究思路与技术路线 |
1.5 论文结构介绍 |
1.6 研究成果与创新 |
第2章 粗糙集基本原理简介 |
2.1 粗糙集基本原理简介 |
2.1.1 知识与不可分辨关系 |
2.1.2 粗糙集合的下近似、上近似、边界区 |
2.1.3 约简与核 |
2.2 本章小结 |
第3章 随机森林算法基本原理与构建简介 |
3.1 随机森林基本原理与性质概述 |
3.1.1 随机森林的基本原理简介 |
3.1.2 随机森林算法数学性质 |
3.2 决策树基本原理与性质概述 |
3.2.1 构建决策树的分裂节点算法 |
3.2.2 ID3、C4.5、CART分类树算法总结 |
3.2.3 决策树分类中存在的问题 |
3.3 随机森林算法模型构建 |
3.3.1 随机抽样产生数据集 |
3.3.2 训练决策树 |
3.3.3 随机森林模型构建过程 |
3.4 随机森林中常用的评价指标 |
3.5 本章小结 |
第4章 基于遗传算法的粗糙集属性约简 |
4.1 属性约简理论简介 |
4.2 传统属性约简方法 |
4.2.1 PCA属性约简方法 |
4.2.2 CHI2 属性约简方法 |
4.3 基于遗传算法的粗糙集属性约简 |
4.3.1 遗传算法理论简介 |
4.3.2 基于遗传算法的粗糙集属性约简 |
4.3.3 数据属性约简效果分析 |
4.4 本章小结 |
第5章 基于粗糙集的随机森林算法优化 |
5.1 基于粗糙集的属性约简与随机森林结合的分类算法 |
5.2 基于sklearn的随机森林实现以及分析 |
5.2.1 scikit-learn随机森林算法库简介 |
5.2.2 算法模拟实验与分析 |
5.2.3 改进后随机森林算法运行效率对比 |
5.3 基于粗糙集优化的随机森林算法与其它分类算法对比 |
5.3.1 数据集构造 |
5.3.2 模拟实验对比分析 |
5.4 本章小结 |
结论 |
致谢 |
参考文献 |
攻读学位期间取得学术成果 |
(5)基于UG的采煤机概念设计方法与系统研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 引言 |
1.2 研究目的与意义 |
1.3 国内外研究动态 |
1.3.1 概念设计推理技术 |
1.3.2 基于知识发现的设计方法 |
1.3.3 基于CAD软件的概念设计系统 |
1.3.4 采煤机概念设计方法和系统 |
1.3.5 有关问题讨论 |
1.4 主要研究内容 |
1.5 小结 |
第二章 概念设计及其系统开发方法 |
2.1 引言 |
2.2 概念设计基本原理 |
2.3 概念设计流程 |
2.4 概念设计自动化 |
2.5 基于UG的系统开发环境 |
2.6 基于UG的系统开发方法 |
2.6.1 基本配置要求 |
2.6.2 开发环境设置 |
2.6.3 菜单设计 |
2.6.4 对话框设计 |
2.7 小结 |
第三章 基于粗糙集的采煤机概念设计决策规则提取方法 |
3.1 引言 |
3.2 粗糙集基本理论 |
3.2.1 粗糙集理论的特点及其应用 |
3.2.2 知识约简 |
3.2.3 相对约简与相对核 |
3.2.4 知识表达系统 |
3.2.5 决策表 |
3.2.6 决策规则提取 |
3.3 采煤机概念设计参数的确定 |
3.4 数据预处理 |
3.5 采煤机概念设计决策规则提取 |
3.6 小结 |
第四章 基于支持向量机回归的采煤机概念设计模型 |
4.1 引言 |
4.2 支持向量机基本理论 |
4.2.1 支持向量机回归的特点及其应用 |
4.2.2 支持向量机回归的基本概念 |
4.3 基于遗传算法的支持向量机模型参数优化 |
4.3.1 支持向量机模型参数的确定 |
4.3.2 基于遗传算法参数优化 |
4.4 基于GA-SVR的采煤机概念设计模型 |
4.4.1 数据预处理 |
4.4.2 模型初始参数的设定 |
4.4.3 应用实例 |
4.5 小结 |
第五章 采煤机概念设计系统开发 |
5.1 引言 |
5.2 系统的总体设计 |
5.2.1 系统设计目标 |
5.2.2 系统总体结构设计 |
5.2.3 系统功能设计 |
5.2.4 系统开发环境的选择 |
5.3 系统的功能实现 |
5.3.1 系统的分析流程 |
5.3.2 系统的主要功能 |
5.4 小结 |
第六章 系统测试试验与应用 |
6.1 引言 |
6.2 系统测试试验 |
6.2.1 测试原则 |
6.2.2 测试内容 |
6.2.3 测试方法 |
6.2.4 测试步骤 |
6.2.5 测试结论 |
6.3 应用实例 |
6.4 小结 |
第七章 结论与展望 |
7.1 工作总结 |
7.2 主要结论 |
7.3 进一步工作展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文目录 |
(8)基于遗传算法的粗糙集知识约简(论文提纲范文)
1 知识约简的相关概念 |
2 遗传算法基本原理 |
3 约简的遗传算法 |
3.1 参数编码 |
3.2 适应度函数的选取 |
3.3 遗传算法的操作 |
4 结束语 |
(9)基于进化算法的属性约简方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究目的与意义 |
1.2 粗糙集国内外研究现状 |
1.3 本文研究内容和结构安排 |
第二章 粗糙集基本理论 |
2.1 粗糙集理论概况 |
2.1.1 粗糙集研究对象 |
2.1.2 粗糙集理论特点 |
2.2 粗糙集理论的基础知识 |
2.2.1 知识和知识库 |
2.2.2 近似与粗糙集 |
2.3 知识约简 |
2.3.1 知识约简 |
2.3.2 知识的依赖性 |
2.4 属性重要性 |
2.5 决策表与信息系统 |
2.6 本章小节 |
第三章 基于启发式变异算子的属性约简算法研究 |
3.1 问题的提出 |
3.2 遗传算法的相关知识 |
3.2.1 遗传算法的特点 |
3.2.2 遗传算法的执行过程 |
3.2.3 遗传算法的关键问题 |
3.3 改进算法实现技术分析 |
3.3.1 初始群体的设定 |
3.3.2 个体的编码表示 |
3.3.3 适应度函数的确定 |
3.3.4 选择算子 |
3.3.5 交叉算子 |
3.3.6 启发式变异算子 |
3.3.7 修正算子 |
3.3.8 算法终止规则 |
3.4 改进算法的基本框架 |
3.4.1 算法描述 |
3.4.2 算法流程 |
3.5 算法的实验分析 |
3.6 本章小节 |
第四章 基于差分进化算法的属性约简算法研究 |
4.1 问题的提出 |
4.2 差分进化算法的相关知识 |
4.3 差分进化算法的基本操作 |
4.3.1 初始化种群 |
4.3.2 变异操作 |
4.3.3 杂交操作 |
4.3.4 组成试验向量 |
4.3.5 选择操作 |
4.4 差分进化算法的基本框架 |
4.4.1 算法描述 |
4.4.2 算法流程 |
4.5 差分进化算法的实验分析 |
4.6 本章小节 |
结论 |
参考文献 |
致谢 |
附录A 攻读学位期间所发表的学术论文 |
(10)基于粗糙集数据分析的信息系统风险评估决策支持系统(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 信息系统风险评估研究现状 |
1.2.3 信息系统风险评估标准的现状 |
1.2.4 信息系统风险评估方法的现状 |
1.3 粗糙集研究现状 |
1.3.1 理论发展现状 |
1.3.2 应用现状 |
1.4 本文主要工作及组织结构 |
2 粗糙集理论及粗糙集数据分析 |
2.1 引言 |
2.2 粗糙集的研究对象 |
2.3 粗糙集基础理论 |
2.3.1 知识与知识库 |
2.3.2 不精确范畴,近似与粗集 |
2.3.3 知识依赖性与知识约简 |
2.3.4 知识表达系统与决策表 |
2.4 粗糙集理论的特点 |
2.5 粗糙集数据分析 |
2.5.1 预处理 |
2.5.2 规则提取 |
2.5.3 决策分析 |
2.6 本章小结 |
3 基于云模型的连续属性集离散化方法 |
3.1 引言 |
3.2 云模型相关理论 |
3.2.1 云的基本概念 |
3.2.2 云的数字特征 |
3.2.3 正态云发生器 |
3.2.4 云变换 |
3.3 基于云模型的连续属性集离散化方法 |
3.3.1 云模型与粗糙集理论的结合 |
3.3.2 连续属性集离散化问题描述 |
3.3.3 基于云模型的离散化算法 |
3.3.4 实验分析 |
3.4 本章小结 |
4 基于改进遗传算法的粗糙集属性约简算法 |
4.1 引言 |
4.2 粗糙集属性约简问题描述 |
4.3 基于遗传算法的粗糙集属性约简算法 |
4.3.1 遗传算法介绍 |
4.3.2 算法思路 |
4.3.3 算法实现 |
4.4 基于改进遗传算法的粗糙集属性约简算法 |
4.4.1 改进思路 |
4.4.2 算法思路 |
4.4.3 算法实现 |
4.5 实验分析 |
4.5.1 对汽车数据表的约简 |
4.5.2 对Zoo数据集的约简 |
4.6 本章小结 |
5 基于粗糙集数据分析的信息系统风险评估决策支持系统 |
5.1 引言 |
5.2 信息系统风险评估概述 |
5.2.1 信息系统风险评估的基本概念 |
5.2.2 信息系统风险评估的主要内容 |
5.3 粗糙集理论在信息系统风险评估中的应用 |
5.4 基于粗糙集数据分析的信息系统风险评估决策支持系统 |
5.4.1 系统总体结构 |
5.4.2 粗糙集数据分析模块 |
5.5 本章小结 |
结论 |
致谢 |
参考文献 |
四、基于遗传算法的一种粗糙集知识约简算法(论文参考文献)
- [1]基于粗糙集理论的双离合器自动变速器车辆换挡品质评价指标约简[J]. 刘海江,邢证. 哈尔滨工业大学学报, 2021(07)
- [2]机械装备传动设计知识多色建模与重构研究[D]. 王立业. 内蒙古工业大学, 2021
- [3]智能变电站通信网络设备故障诊断的设计与实现[D]. 于凡超. 重庆邮电大学, 2019(02)
- [4]基于粗糙集的随机森林算法优化研究[D]. 邢彪. 成都理工大学, 2019(02)
- [5]基于UG的采煤机概念设计方法与系统研究[D]. 田琴. 太原理工大学, 2014(04)
- [6]基于改进遗传算法的粗糙集知识约简方法[A]. 鄢锋,桂卫华,陈勇,谢永芳,任会峰. 第三十一届中国控制会议论文集B卷, 2012
- [7]粗糙集与其他软计算理论结合情况研究综述[J]. 汤建国,祝峰,佘堃,陈文. 计算机应用研究, 2010(07)
- [8]基于遗传算法的粗糙集知识约简[J]. 刘伟伟. 科技经济市场, 2010(06)
- [9]基于进化算法的属性约简方法研究[D]. 雷健. 长沙理工大学, 2010(06)
- [10]基于粗糙集数据分析的信息系统风险评估决策支持系统[D]. 曾宇洁. 南京理工大学, 2008(11)