新型粗糙神經(jīng)網(wǎng)絡(luò)的模式識(shí)別與故障診斷方法的研究.pdf

1、論文運(yùn)用粗糙集理論與神經(jīng)網(wǎng)絡(luò)方法進(jìn)行了模式識(shí)別和故障診斷方面的研究，對(duì)在噪聲下和實(shí)數(shù)領(lǐng)域的粗糙集模型進(jìn)行了擴(kuò)展，研究了粗糙集與神經(jīng)網(wǎng)絡(luò)的多種集成應(yīng)用方法，全文的主要內(nèi)容如下： 首先，論文針對(duì)經(jīng)典粗糙集理論中的不可分辨關(guān)系對(duì)連續(xù)屬性值中噪聲數(shù)據(jù)缺乏容錯(cuò)性的情況，提出一種相近關(guān)系代替不可分辨關(guān)系，并用不同的 值調(diào)節(jié)相近關(guān)系中可接受的相近程度，限制了可冗余的范圍。另外定義了在相近關(guān)系下的粗糙集的一些基本概念，并提出了相應(yīng)的知識(shí)屬性約簡

2、的方法。 本文在相近關(guān)系的基礎(chǔ)上，提出了衡量粗糙隸屬度的方法，研究了該函數(shù)的性質(zhì)，利用隸屬度函數(shù)作為粗糙因子設(shè)計(jì)了粗糙因子神經(jīng)網(wǎng)絡(luò)，可減小噪聲污染的影響，并使網(wǎng)絡(luò)的收斂速度得到提高。 其次，針對(duì)神經(jīng)網(wǎng)絡(luò)故障模式識(shí)別中的一些問題做了如下的研究。 根據(jù)支持向量機(jī)可以解決小樣本學(xué)習(xí)問題的優(yōu)勢，再結(jié)合粗糙集理論對(duì)不確定性問題分析的特點(diǎn)，本文提出一種支持向量機(jī)的粗糙神經(jīng)網(wǎng)絡(luò)的構(gòu)造方法。該方法引入多個(gè)類似于支持向量機(jī)的子神經(jīng)

3、網(wǎng)絡(luò)，并將網(wǎng)絡(luò)中的隱含層單元設(shè)計(jì)成由多組粗糙神經(jīng)元構(gòu)成的網(wǎng)絡(luò)單元。這種新型神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)確定，可解釋性好，計(jì)算簡單，收斂速度快等特點(diǎn)。 本文改進(jìn)了一種橢球單元神經(jīng)網(wǎng)絡(luò)，它與經(jīng)典橢球網(wǎng)絡(luò)的結(jié)構(gòu)不同，而與RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)類似：它的隱層節(jié)點(diǎn)采用橢球單元函數(shù)，代替了RBF網(wǎng)絡(luò)的高斯基函數(shù)，并且用粗糙K-均值方法求取橢球基函數(shù)的中心，給出了確定初始閾值的方法。這種改進(jìn)方法可以使輸入空間的劃分是局部作用的，而且是封閉有界的。因此改進(jìn)的網(wǎng)

4、絡(luò)具有較好的函數(shù)逼近能力和模式識(shí)別能力。 本文提出采用菱形鄰域代替一般的方形鄰域，可以減少待修正權(quán)重的數(shù)目；并利用實(shí)數(shù)粗糙空間的下、上近似集的精確概念劃分自組織映射的輸出結(jié)果，使得改進(jìn)后的映射結(jié)果中各類樣本點(diǎn)之間有明顯的間隔，易于進(jìn)行分類識(shí)別。 接著，論文針對(duì)經(jīng)典粗糙集理論只能研究量化數(shù)據(jù)的局限性建立了實(shí)域粗糙集理論。在廣義近鄰關(guān)系下定義了實(shí)域粗糙集的基本概念，研究了相應(yīng)的性質(zhì)，并提出了一種基于Beam搜索的實(shí)域粗糙集的