张健[1]2002年在《模糊神经网络模型算法研究与应用》文中研究表明模糊神经网络是目前人工智能界最具发展前途的叁个重要领域之一。近十年来它在模糊控制、模糊决策、专家系统、模式识别等领域发挥了重要作用，其理论、模型、算法和应用技术一直是计算机领域重要的研究课题，并以它特有的优势受到高度的重视。 本文对模糊神经网络的研究现状、发展趋势及应用领域进行了综述，阐述了模糊逻辑系统、人工神经网络及模糊神经网络的基本概念、基本模型、算法；针对实际问题需求，建立了一类正则化模糊神经网络模型及其学习算法，该模型在输入输出模式和模糊化层隶属函数个数确定的情形下，模糊化层、正则化层和规则层的节点数是可计算确定的，并且对专家系统表示和模式识别问题具有很好的适用性。针对所建立的正则化模糊神经网络学习算法存在的当学习样本规模较大、不同模式样本的特征差异较小时存在着收敛速度慢，容易陷入局部极小值的缺点，采用粗集理论及遗传算法，对学习算法进行了优化，并实现了模式特征指标和样本的自动筛选。优化后的网络收敛速度快、稳定，具有较强的推广能力。 根据对正则化模糊神经网络的研究成果，并结合大庆油田采油二厂科研项目，研制开发出《水驱油藏开发效果分析系统》，实现了水驱油藏开发效果自动综合评价和油井压裂方案的自动生成。
李荣花[2]2003年在《基于粗集理论的神经网络研究与应用》文中研究指明粗集理论是近年来智能信息处理领域发展起来的热门学科之一，是处理不完整、不精确信息的有力工具。它在数据挖掘、专家系统、模式识别、图像处理、机器学习、神经网络等领域发挥了重要作用，其理论和应用技术已经成为许多领科学领域的重要研究课题，并以它特有的优势受到高度的重视。 本文对神经网络和粗集理论的研究现状、发展趋势及应用领域进行了综述，阐述了人工神经网络、粗集理论和粗神经网络的基本概念、基本模型、算法。研究并实现了一种粗神经网络模型，这种粗神经网络采用了粗糙神经元，在网络结构上与经典神经网络有所区别，其学习效率比传统神经网络高。针对神经网络中的学习样本复杂性问题，采用粗集理论中的知识简化思想实现了学习样本的筛选；针对所建立的粗神经网络学习中存在的当学习样本规模较大、不同模式样本的特征差异较小时存在着收敛速度慢，容易陷入局部极小值的缺点，采用遗传算法，对网络的学习进行了优化，优化后的网络收敛速度快，稳定性高，具有较强的推广能力。 根据对粗神经网络的研究成果，并结合大庆油田采油八厂科研项目，研制开发出《基于粗神经网络的沉积微相识别系统》，实现了沉积微相的自动识别。
吴仕勇[3]2006年在《基于数值计算方法的BP神经网络及遗传算法的优化研究》文中研究指明人工神经网络和遗传算法都是将生物学原理应用于计算机科学的仿生学理论成果。由于它们具有极强的解决问题的能力，近年来引起了众多学者的兴趣与参与，已成为学术界跨学科的热门专题之一。 在人工神经网络的实际应用中，约90％的人工神经网络模型都是采用BP网络或者是它的变化形式，它也是前馈网络的核心部分，BP网络广泛应用于函数逼近、模式识别／分类、数据压缩等。现已成为人工智能研究的重要领域之一。然而，由于BP算法是一种梯度下降搜索方法，因而不可避免地存在固有的不足，如收敛速度慢、易陷入误差函数的局部极小点，对于较大的搜索空间，多峰值和不可微函数不能有效搜索到全局极小点。 遗传算法作为一种智能化的全局搜索算法，自80年代问世以来便在数值优化、系统控制、结构优化设计等诸多领域的应用中展现出其特有的魅力，同时也暴露出许多不足和缺陷。如完全依赖概率随机地进行操作，虽然可以避免陷入局部极小，但受寻优条件的限制，一般只能得到全局范围内的近似最优解，很难得到最优解；对参数采用二进制编码，人为地将连续空间离散化，导致了计算精度与字符串长度、运算量之间的矛盾；采用随机优化技术，所以要花费大量的时间；算法在交叉、变异的进化过程中随机性较强，致使搜索效率低下，具体表现为进化迭代过程中会出现子代最优个体劣于父代最优个体的“退化”现象；遗传算法虽然具有很强的全局搜索能力，但其局部搜索能力较弱(易出现早熟收敛现象)。 本文主要工作： (1) 对BP神经网络的缺陷进行分析研究，针对BP神经网络收敛度慢的不足，对经典BP网络的单极性Sigmoid传输函数和双极性Sigmoid函数进行数学分析，给出二者不同的数学性质和它们的优先选择方法。 (2) 利用数值计算优化方法对BP神经网络进行改进，提高其收敛速度，本文分别用拟牛顿法、最优步长法和共轭梯度法对BP神经网络学习法进行改进，对各种改进方法进行分析比较，给出各自适用的网络规模，并对其收敛性进行分析证明。 (3) 利用数值计算优化方法对遗传算法的交叉算子、变异算子、编码方式及适应度函数等进行分析研究，给出了基于一维极小化问题的最优策略(Fibonacci法)和近似最优策略(黄金分割法)的交叉和变异算子。 (4) 将擅长全局搜索的遗传算法和局部寻优能力较强的BP算法结合起来，根据GA的交叉、变异和选择算子在全变量空间以较大概率搜索全局解和在解的点附近利用BP神经网络能快速、精确地收敛的特点，融合二者的优点，将二者有机结合，利用遗传算法同时训练神经网络权值和拓扑结构，可以辟免陷入局部极小值，提高算法收敛速度，很快得到问题的全局最优解。 (5) 通过试验对改进后的BP神经网络算法、遗传算法和他们融合方法进行了试验验证。
马刚[4]2008年在《关联规则挖掘在电子商务中的研究与应用》文中认为随着信息技术和互联网技术的发展,电子商务作为一种新型、高效的商务模式开始普及,现在用户可以在计算机前轻点鼠标就能完成复杂的商品买卖行为,但电子商务在给人们带来方便、快捷的同时也带来了信息过载的问题,尤其是对B2C电子商务而言,用户在大量产品信息中很难找需要的商品或服务。数据挖掘技术可以解决这类问题,通过关联规则挖掘,找出销售的商品之间﹑商品与客户之间的存在内在联系,对于电子商务中个性化商品推荐﹑企业的市场定位以及相应的进销存策略有非常重要的指导意义。本文详细描述了关联规则挖掘的基本理论以及关联规则挖掘的经典算法Apriori算法,分析了在电子商务领域中,Apriori算法存在着规则冗余度大、效率不高和不能挖掘定量规则等问题,文中提出了基于粗集的关联规则挖掘算法,由于粗集理论的特性,该算法能够较好的应用在电子商务领域中,处理好上述问题。本文还重点研究了电子商务发展的一个重要趋势:个性化服务。个性化推荐是实现个性化服务的技术手段,文中介绍了现在流行的几种常用的电子商务推荐技术如基于内容的推荐、基于协同过滤的推荐和基于关联规则的推荐,分析了它们存在的不足之处,并提出了基于关联规则挖掘和ART神经网络的电子商务推荐技术,该推荐技术不仅能根据用户的浏览行为或购买行为进行推荐,还将用户划分成不同的组,根据用户组的特征来进行相关的推荐,本文最后还在该推荐技术的基础上实现了一个原型的电子商务推荐系统,以验证该推荐技术的可行性及应用性。
张东波[5]2007年在《粗集神经网络集成方法及其在模式识别中的应用》文中指出粗糙集理论是处理不确定、不完整、不精确知识的有力工具,该理论已成为不确定性计算领域的一个重要分支。粗糙集对信息系统的分析建模,涵盖了人类逻辑思维的归纳推理、演绎推理和常识推理这叁种形式,直接模拟了人脑的逻辑思维能力。而通过大量神经元互连形成的神经网络是不确定性计算领域的另一个重要分支,具有很强的非线性映射能力及自适应、自学习、鲁棒性和容错能力,是对人脑直观形象思维的模拟。鉴于粗糙集和神经网络在信息处理方式、知识获取、抗噪声能力、泛化性能等方面有很多互补之处,将两者集成的粗集神经网络反映了人类智能中定性和定量、清晰和隐含、串行和并行交叉混合的思维机理,其研究必然具有前沿性、科学性及优越性。作为当今智能集成系统的一个重要分支,粗集神经网络集成可望成为开发下一代专家系统的主流技术。本文通过增强粗集神经网络的信息处理能力,建立新的决策系统建模方式,拓展其应用领域,解决其易构造性和计算复杂性问题等方面进行了一系列的探索和研究,提出了一些新的粗集神经网络集成方法并研究了它们在模式识别领域的应用。通过对近十几年发展起来的国内、外粗集神经网络集成方法的总结和归纳,本文将粗集神经网络划分为叁种主要的集成方式:粗集神经网络综合集成系统、粗边界神经网络、粗—颗粒神经网络。介绍了每一种集成方式的研究现状,并对其原理及特点进行了分析和阐述。不同于以往单纯基于粗糙集数据分析和约简基础下的粗集神经网络模型,基于粗逻辑理论,研究了粗逻辑意义下,基于粗逻辑决策规则的“强耦合”形式的具有模糊化神经元的粗逻辑神经网络模型的设计,分析和比较了粗逻辑神经网络和模糊逻辑神经网络的特点和性质。在重庆地区和长白山天池地区Landsat TM遥感图像的地物分类实验中,验证了粗逻辑神经网络模型的有效性,同时可以发现其在网络结构和收敛性方面的优势。通过在输入层和隐含层之间加入一个模糊化神经元层,构造了一种集成模糊神经元和粗神经元的模糊粗神经网络模型。由于粗神经元的不可微性,BP算法不再适用,因此本文采用遗传算法(GA)来进行网络权值的学习,同时融入具有局部最优解搜索能力的爬山法改善了进化后期的计算效率。仿真表明,融合了模糊信息和粗糙集信息处理能力的模糊粗神经网络模型在图像融合滤波方面比BP网络和单纯由粗神经元构成的粗集神经网络模型具有更好的性能,是一种性能很好的混合智能神经网络。由于系统中模糊不确定性信息和粗糙不确定性信息往往是并存的,有必要采用模糊粗糙集(Fuzzy-Rough Set )理论来进行处理,基于模糊粗隶属函数,本文创建了一种模糊粗隶属函数神经网络(FRMFN)模型。融入了粗糙不确定性信息处理能力的FRMFN,在保留原有模糊相似信息的基础上,很大程度减少了分类中的粗糙不确定性。在遥感图像分类和元音字母语音识别的实验中,显示FRMFN网络具有比相应径向基函数(RBF)网络更好的分类精度,同时保留有RBF网络学习速度快的优点。基于经典Pawlak粗糙集分析设计的应用系统的推广泛化能力弱,抗噪声性能差。为更好地解决这些问题,研究了基于“多数包含关系”的变精度粗糙集模型下的粗集神经网络设计。文中对β近似约简条件进行了弱化推广,在结合约简异常分析和实例分析的基础上,提出了β近似约简的选取原则,给出了变精度粗糙规则集提取和β阈值稳定区间求取算法。在对Brodatz纹理图像的分类实验中,比较了经典粗集神经网络(RNN)和变精度粗集神经网络(VPRNN)的性能,VPRNN不仅具有更为精简的结构和更短的训练时间,而且VPRNN对测试样本分类表现出了更强的泛化性能。为降低集成特征选择方法的计算复杂性,提出一种基于粗糙集约简的神经网络集成分类方法。首先,通过结合遗传算法求约简和重采样技术介绍了一种动态约简方法,通过动态约简方法可以获得稳定的、泛化能力较强的属性约简集。然后,基于不同约简设计BP网络作为待集成的基分类器,并依据选择性集成思想,通过一定的搜索策略,找到具有最佳泛化性能的集成网络。最后,通过多数投票法实现神经网络集成分类。该方法在某地区Landsat 7波段遥感图像的分类实验中得到了验证,由于通过粗糙集约简,过滤掉了大量分类性能欠佳的特征子集,和传统的集成特征选择方法相比,本文方法时间开销少,计算复杂性低,具有良好的分类性能。增加集成神经网络中个体网络的差异度有利于提高神经网络集成的泛化性能,基于此,提出了Rough_Boosting和Rough_Bagging个体网络生成算法。在Boosting或Bagging算法对样本进行扰动的基础上,通过粗糙集约简实现属性选择,从而有效的将扰动训练样本和扰动输入属性结合起来,生成精确度高且差异度大的个体网络。实验结果表明,本文算法泛化能力明显优于Boosting和Bagging算法,生成的个体网络差异度更大。和同类算法相比,本文算法具有相近或相当的性能。由于传统聚类方法设计RBF网络时,带有一定盲目性和主观性,而且聚类结果对初始值具有敏感性,在输入特征空间进行的聚类仅考虑到样本在输入特征空间的相似性,而没有考虑样本本身的输出类别信息,生成的聚类并不能完全反映输入输出之间的映射关系。因此,本文提出一种基于不可分辨划分的有监督粗糙集聚类算法的RBF网络设计方法。文中由布尔逻辑推理方法进行属性离散化,得到初始决策模式集,通过定义在粗糙集分析基础上的差异度对初始决策模式的相似度进行衡量并实现聚类,以聚类决策模式构造RBF网络。针对RBF网络输出单元的线性权值和隐层单元的非线性基函数是在一种不同的“时间尺度”上更新的特点,提出分别对隐层参数采用BP算法,而对输出权值采用线性最小二乘滤波法进行训练的混合学习算法。实验结果表明,该方法设计的RBF网络结构精简,具有良好的泛化性能,所采用的混合学习算法收敛速度优于单纯的BP算法。为解决粗逻辑神经网络精度和网络规模复杂性及推广泛化能力之间的矛盾,提出一种具有可变离散精度的粗逻辑神经网络模型设计方法。该方法通过近似域划分,将论域空间划分为确定性区域和可能性区域,由于可能性区域信息粒度过大是造成误分类的重要原因,只需对可能性区域离散区间进一步细化,即可达到提高粗逻辑神经网络模型的精度,同时抑制网络规模增长过快的目的。在长白山天池地区的遥感图像分类实验中,常规离散精度等级确定的粗逻辑神经网络方法在离散等级为7时有最好性能,而本文方法以较小的网络代价和训练时间获得了逼近的分类结果。为避免约简计算,研究了基于模糊粗糙模型(FRM),从自底向上的角度进行粗神经网络建模的方法。该方法通过自适应G-K聚类算法,实现基于输入—输出积空间聚类的模糊划分,在基于聚类数和约简属性搜索的基础上,提取优化的FRM模型,在此基础上融合神经网络实现粗神经网络建模(FRM_RNN_M)。对Brodatz纹理图像的实验表明:①其性能优于传统的贝叶斯和LVQ方法;②FRM_RNN_M比单纯的FRM模型具有更强的综合决策能力,在考虑到属性约简的搜索后将有利于获得分类性能更好的FRM优化模型;③和传统的粗逻辑神经网络(RLNN)相比,FRM_RNN_M方法建立的神经网络结构精简,收敛速度快,具有更强的泛化能力。作为一种通用的决策系统建模方法,该方法可以广泛应用于其它相关领域。论文最后总结了全文的主要创新性研究成果,对下一步研究工作进行了展望。
胡丹[6]2002年在《基于Rough Set的规则提取与粗—模糊神经网络研究》文中进行了进一步梳理本文首先从粗糙集理论中隶属函数这一概念出发，从语义的角度讨论了粗糙集与模糊集理论的区别与联系。同时建立了普通粗糙集，粗模糊集和模糊粗集中隶属函数的统一描述。基于粗集理论与概率论的联系，讨论了粗集与信息熵的关系，并得出了一种基于熵的规则提取算法。进而，以粗集理论中知识类对于一给定概念的上、下逼近隶属度为理论基础，提出了规则提取算法LBR，在将该算法与美国Kansas大学提出的算法LEM1进行比较的结论之上，给出了将LEM1改进后算法LEM3，这实际上是一种变精度的LEM1。这种变精度性可建立在知识的依赖性度量之上，因此，本文进一步讨论了知识的依赖性度量，将已有的Pawlak依赖性度量推广，并分别从信息论，模糊集理论，粗集理论和经典集合论的角度给出了范例。在前面一系列讨论的基础上，本文建立了基于粗糙神经元的粗—模糊神经网络和基于规则提取的粗—模糊神经网络模型，通过仿真实验，取得了较好的预测和拟合效果。
魏建明[7]2005年在《基于集成计算智能的图像信息融合技术研究》文中指出智能图像处理技术是图像处理智能化发展的必然趋势,将能更好地满足人类的信息处理需求。而集成计算智能和图像融合是这一领域中的两项新兴技术。本文在上海市科委重大科研项目(No.03DZ19709)的资助下,对国内外集成计算智能和图像融合的研究现状及发展态势做了全面深入的调研和分析,确立了基于集成计算智能的图像信息融合技术的研究方向,提出了一些新的思想、方法和途径。 一、构造了神经模糊去噪系统。通过对正负噪声信号的自适应聚类修正,最终达到去噪的目的。该方法克服了传统滤波器不能同时去除正负脉冲噪声的弊端,具有良好的适应性和鲁棒性。 二、提出了边缘提取的新思路。基于图像边缘信息模糊性和不可分辨性的实际情况,利用模糊粗集理论处理近似信息的优势,推导了图像边缘信息的模糊粗集定义,最终实现了非刚性图像的边缘提取,从而拓宽了模糊粗集理论的应用范围,也展示了边缘提取的新途径。 叁、提出了基于模糊神经网络的图像信息融合方法。针对含噪图像信息的模糊性,构造了用于含噪图像融合的模糊神经网络模型,对含噪图像像素进行了自竞争的模糊聚类,既处理了含噪图像的精确信息,又处理了含噪图像的模糊信息。对比实验及分析显示了该方法优于神经网络法。最后,对实际含噪图像的融合处理,也进一步证明了该方法的实用性和有效性。 四、提出了基于小波神经网络的图像融合方法,实现了信息互补型图像的特征融合。通过构造具有良好的分类和图像识别性能的小波神经网络模型,在网络内部实现能量特征的提取、输入及分类,最终达到了特征融合。实验过程中,通过对小波变换和小波包两种方式的分析与对比,得出了与理论相吻合的结论,即通过小波包法提取图像的特征能取得更好的最终结果。该融合方法体现了一种新的图像融合思想。 五、提出了基于粗神经网络的图像融合方法,从图像信息的近似性及不可分辨性出发,利用粗神经元,实现了叁类图像的像素级融合:(1) 不同波段的卫星
毕巍强[8]2002年在《空间理论与空间复杂模型研究》文中认为空间问题是人类认知的一个古老而永恒的主题，“空间”这只“看不见的手”对人类行为和社会发展的约束是与生俱来、无处不在的。大至国家“生存空间”的压力，小至日常生活中“私域空间”的狭小，甚至哲学选择中的“生存或毁灭”难题，无不表现出某种因效用空间的有限而无法最大化地排列不同效用的二难处境。 从本质上讲，人类社会最稀缺的就是时间和空间，人类一切社会经济活动的根本形式是最大限度地获取时间和空间——在有限的时间内尽可能多的实现各种需要以便相对延长其时间；通过占有或扩大“空间”来摆脱“空间”的约束，以便获得尽可能大的自由度，因此，从空间角度分析人类的社会发展及经济行为具有重要的理论意义和实践价值。本文为空间分析提出了一种新的范式，提供了一种“以时间和空间为基准来理解世界”的可能性。而这正是传统空间研究中所缺少的。 空间过程是空间的演化形式，它包括生态环境、人类社会经济和地理系统叁种基本运动形式。空间分析是指分析、模拟、预测和调控空间过程的一系列理论和技术。在空间信息和GIS空间数据管理能力日趋完善的形势下，空间研究获得了前所未有的发展机遇，因此，有必要提出新的空间分析的理论和方法体系，从而认识和把握地理空间和广义社会、经济空间的运动规律，进行虚拟、预测和调控区域空间的演化过程。该体系应能够和谐地包容空间分析领域已取得的各方面的成果，其中包括空间机理分析和空间复杂系统模型等。 本文在系统研究国内外空间发展理论的基础上，着力于从理论和应用相结合的角度，采用实证与规范研究、定性与定量分析相结合的手段，对空间发展进行了较为系统的研究。 本文以广义空间理论、空间复杂模型和空间信息处理为主要研究方法，以空间动态模拟和预测为主要应用目标，尝试提出新的地理空间分析的理论体系和复杂空间模型。 由于空间现象的复杂性，空间过程模拟的理论方法和技术手段仍处于探索阶段，有许多实际问题还有待解决。尽管目前国外在该领域的动态模拟已进入研究阶段，有了一些较成熟的成果，但国内相应水平的独立的空间分析模型仍极为稀少，在充分学习前人工作的基础上，本文在以下几个方面作了进一步探索。 理论方面 尝试探讨有关地理系统的区域空间、文化空间、信息空间、市场制度、博弈规则以及它们之间客观关系的基本问题。尝试探讨某些特定的社会场、信息场、资源场是如何被创造出来的，并在空间分异中起着什么作用。以揭示社会空间的运动规律。 用非线性理论，尝试探讨有关区域空间的非均衡演化机理，探讨有关居住空间分异、社会稳定与可持续发展之间的内在联系和运行规律。通过剖析影响空间分异、社会稳定的主元要素，提出了保障社会进化应遵循的结构机理。尝试突破静态研究的巢臼，从空间理论分析与非线性动态模型相结合的角度，对城市空间发展进行研究，试图建立空间发展的系统理论，这种探索有助于拓展城市空间研究的疆界。 尝试突破社会科学、自然科学各自封闭研究的局限，采用社会学分析方法与定量模型相结合的方法进行研究，以揭示空间发展的深层机制，形成较为系统的理论。 技术方面: 引入Rough集理论、小波算法、遗传算法和神经网络等方法，探讨以模型的局域转换规则。由于演化规则是元胞自动机模型的核心，它决定着元胞自动机的动态演化过程，在这一领域的突破，将揭示元胞自动机的本质规律。 引入场与能量的概念，力图克服传统物理学不能完全解释社会经济运行规律的局限，现代的场思维能够用来分析一切自然和社会的力量及运行规律。特别是在元胞自动机模型的应用中，能量概念的引入和拓展，有助于打破元胞单元均质化的限制，揭示空间演化的规律。 引入拓扑分析，探讨空间演化过程中空间关系对空间结构的影响，揭示空间非均质性及其社会发展的规律。 在元胞、状态、元胞空间的概念基础上，本文首次引入一个非常重要的概念:核化元胞及中心核团构形。它是指在某一时刻，在元胞空间上所有元胞状态呈非均质空间分布。从而拓展了元胞自动机的概念体系。并给出了确定核化元胞的具体方法。 在元胞状态多元化的基础上，将元胞及其状态进行封装，给出了不同种类的元胞。并将其运用到广义经济空间中，同时给出了确定元胞参数的具体方法，从而拓展了元胞自动机的理论体系和应用范畴。 在空间技术应用中，本文提出了一种新的神经网络结构，称为粗神经网络，并给出了基于粗神经网络的遥感多传感器数据融合模型。该模型不仅能解决传统神经网络所能解决的问题，且可应用于遥感传感器的输出不只是一个数值的情况 本文在以下几点上比其它类似研究更为强调: 一是空间分析的模型化研究。大多数地理空间研究从定性的角度对问题作了广泛的研究，这对于揭示问题的本质是必需的:并有助于发现事物的规律性本文吸收了这些成果，从事物产生和运行机理的深度去考查，解析事物、构建了空间复杂模型，特别是元胞自动机模型，利用元胞自动
苏宏升[9]2007年在《软计算方法及其在电力系统故障诊断中的若干应用研究》文中研究指明电力系统是一个非常复杂的广域系统，网络互联，错综复杂，纵横几千里。在这个巨型系统内，各种各样的开关、设备、元件以及硬软件交织在一起，交相辉映，形成一个规模庞大、开放的异构系统。另一方面，由于电能在生产和消费过程中不能够贮藏，任一时刻发出的总电能等于系统消费的总电能。因此，电力系统是很有特点的复杂系统。开放的异构系统是一个复杂的系统，对于在不确定、不确知环境中的复杂问题求解和管理成为有关领域研究的核心。随着电力系统的日趋复杂和开放，电力系统面临着许多新问题，如在电力设备故障诊断与维护、无功控制及电网调度等方面。对于这些问题，传统的方法以及某些新出现的方法都不能很好地解决，总是或多或少地存在着问题。而软计算方法的建立和发展却为解决这一问题提供了有效的途径，它们能被用于传统方法和其它新方法未能很好解决的遗留问题。因此，必须针对电力系统的具体问题，提出新的、适合特定领域问题求解的、具有普适性思想和算法。本文基于粗糙集、模糊集和神经网络等软计算的方法和理论，提出并讨论了一些软计算方法及其计算模型，以及这些模型是如何用来求解电力系统问题的。包括它们在某些领域的创新应用以及解答以前我们未能很好理解的问题。具体为：针对变压器故障诊断过程中故障征兆信息的模糊性以及故障群和征兆群之间的复杂对应关系，提出采用粗糙集、模糊集和证据理论进行变压器故障诊断的方法。将模糊信息融合在贝叶斯最优学习器中，提供解决上述问题的另一途径。接着将Vague信息嵌入到贝叶斯最优学习器中，形成能同时处理正、反两方面模糊信息和不确定信息的新的贝叶斯最优学习器。基于上述诊断结果，采用贝叶斯风险决策的概率粗模型，探讨可能的维护策略。采用粗糙集及其它软计算方法对变电站故障信息进行分层挖掘和诊断。对变电站故障区域进行划分，降低问题求解规模，提高可靠性、实时性和准确性，增强抗干扰能力，增加诊断过程的透明性和解释能力。提出采用Kohonen网络离散化方法对汽轮机振动故障诊断决策表连续属性值离散化，并用粗糙集约简，最终采用集成神经网络分类器进行汽轮机振动故障诊断的新方法。
曾黄麟, 曾谦[10]2000年在《基于粗集理论的神经网络》文中提出在分析了粗集理论方法和人工神经网络方法两者各自的特点与共同之处后，首先探讨粗集学习与神经网络学习的结合方法，然后提出一种基于粗集预处理的神经网络系统，最后给出一个基于粗集方法作为信息预处理的神经网络文字识别的例子，来说明基于粗集的神经网络系统的优越性
参考文献：
[1]. 模糊神经网络模型算法研究与应用[D]. 张健. 大庆石油学院. 2002
[2]. 基于粗集理论的神经网络研究与应用[D]. 李荣花. 大庆石油学院. 2003
[3]. 基于数值计算方法的BP神经网络及遗传算法的优化研究[D]. 吴仕勇. 云南师范大学. 2006
[4]. 关联规则挖掘在电子商务中的研究与应用[D]. 马刚. 上海交通大学. 2008
[5]. 粗集神经网络集成方法及其在模式识别中的应用[D]. 张东波. 湖南大学. 2007
[6]. 基于Rough Set的规则提取与粗—模糊神经网络研究[D]. 胡丹. 四川师范大学. 2002
[7]. 基于集成计算智能的图像信息融合技术研究[D]. 魏建明. 上海大学. 2005
[8]. 空间理论与空间复杂模型研究[D]. 毕巍强. 中国地质大学（北京）. 2002
[9]. 软计算方法及其在电力系统故障诊断中的若干应用研究[D]. 苏宏升. 西南交通大学. 2007
[10]. 基于粗集理论的神经网络[J]. 曾黄麟, 曾谦. 四川轻化工学院学报. 2000
标签：自动化技术论文; 粗糙集论文; 神经网络模型论文; 模糊聚类分析论文; 空间分析论文; 网络模型论文; 推荐系统论文; 推荐算法论文; 图像融合论文; 聚类分析论文; 无监督学习论文; 模糊算法论文; 模糊理论论文; 逻辑模型论文; 能力模型论文; 样本空间论文; 集成学习论文; 遗传算法论文; 系统学习论文; 电子商务发展论文; 信息集成论文;