粗糙集中连续属性离散化的一种新方法

提出一种新的间接离散化方法——超曲面法。首先给出了超曲面的定义，证明了超曲面为一个高阶的多项式，且给出了该多项式的总项数；同时证明了超曲面数与最大决策规则数之间的关系。然后提出了应用支持向量机来求取最优超曲面的方法。最后以空军低消耗器材的储存策略为例，说明了超曲面的求解过程。实例仿真结果表明，用支持向量机来求解超曲面，不仅方法简单，而且较容易寻得最优解。结果还表明，文中提出的超曲面间接离散方法能较好地区分决策表中的决策类别，从而获得更为简捷的决策规则。     

基于粗糙集和BP神经网络的飞航导弹备件消耗规律预测

结合BP神经网络对飞航导弹备件进行消耗预测,提出了基于粗糙集和BP神经网络的预测法。该方法充分发挥了粗糙集在处理冗余数据上的优势,提高了预测速度和有效性。     

基于一般二元关系的多粒度粗糙集模型

多粒度粗糙集模型是经典粗糙集模型的一种重要扩展形式。它使用了一族等价关系而非一个等价关系来进行目标概念的近似逼近。在多粒度粗糙集模型概念中,有乐观和悲观两种形式。本文从一般二元关系的角度出发,对多粒度粗糙集模型进行进一步扩展,分别给出了基于一般二元关系的乐观和悲观多粒度粗糙集模型的概念,并对这两种模型的性质进行了讨论。     

基于粗糙集-信息熵的辐射源威胁评估方法

为满足复杂电磁环境下战机对辐射源威胁等级判定算法的需求,将粗糙集理论引入对雷达辐射源威胁评估中,并结合信息熵理论构建一套完备的计算威胁度量值的数据处理模型,实现对辐射源威胁程度的定量表示,直观地评估辐射源的威胁程度。经典粗糙集理论难以应对在没有决策信息条件下的决策问题,采用信息熵的方法求取最大权重属性替代决策属性,拓展粗糙集的适用范围。模型直接基于数据驱动得到辐射源的威胁度量值,易于实现并具备良好的时效性,减少系统对先验信息的要求与主观赋值带来的影响。仿真结果表明,该方法可以快速、准确地实现对辐射源威胁的评估。      

基于粗糙集与模糊神经网络的故障诊断

神经网络已广泛应用于故障诊断领域,但也存在冗余数据难以剔除、网络结构复杂的缺陷,与其他理论相结合可以得到更优越的诊断特性。粗糙集在数据约简和规则获取等方面具有优势,可以有效避免神经网络构造的困难;同时,模糊神经网络可以使网络推理过程变得透明,且较强的数据泛化能力可以弥补粗糙集的不足。通过将粗糙集与模糊神经网络技术相结合,建立故障诊断模型,利用歼击机操纵面故障诊断实例检验其可行性和有效性。     

EEMD与NRS在涡桨发动机转子故障诊断中的应用

针对涡桨发动机转子系统振动信号的非平稳特征,提出一种基于集成经验模态分解(EEMD)与邻域粗糙集(NRS)的涡桨发动机转子故障诊断方法。该方法先对转子振动信号进行EEMD,提取原始信号的时域特征和多尺度排列熵(MPE)特征,转子系统的大部分故障信息隐藏在前几个高频本征模态函数（IMFs）中,分别计算它们的时域指标、能量特征和奇异值分解(SVD)特征;利用NRS评估各个特征的属性重要度,进而选出敏感特征;将其作为支持向量机(SVM)的输入向量来对转子进行故障诊断。实验结果表明:该方法利用敏感特征集对涡桨发动机转子进行故障诊断的准确率达到了97.5%,同时剔除了大量冗余特征,具有较强的鲁棒性。      

基于协调近似表示空间的航空发动机故障诊断

航空发动机故障诊断的一个主要目标即是求出具有最大分布的故障类型,协调近似表示空间为统一处理不同信息系统提供了工具,并且考虑到航空发动机故障是典型的小样本问题,因此针对航空发动机故障诊断决策信息系统,在求取其基于最大分布的协调近似表示空间的基础上,引入规则融合方法得到所有不同条件下的决策规则,并将其用于历史故障数据的分析,得到了高的识别率,从实践的角度证明了该方法的有效性以及融合所得规则的普适性.      

基于粗糙集与D—S推理的多传感器辐射源识别模型

辐射源识别已成为军事情报、监视、侦察系统中的关键问题。在战场环境中,多传感器探测到的辐射源信息呈现出不确定性、不完整性和矛盾性。本文提出了一种基于粗糙集和D—S推理的多传感器辐射源识别模型,并提出了一种新的基于分类质量的属性约简算法．仿真分析验证了该模型的有效性。     

一种评估航空电子系统作战效能的方法

航空电子系统在作战中起着至关重要的作用,航空电子系统的作战效能评估是一个复杂问题。分析了航空电子作战效能的影响因素,建立了相应的指标体系,研究了基于粗糙集理论和层次分析法（AHP）的指标权重确定方法。应用综合评价等级和对作战效能评价结果的对应关系确定航空电子系统作战效能。模型的建立考虑了先验知识的运用,实现定性与定量相结合,简便直观,对某型飞机航空电子系统作战效能评估效果良好。从而为航空电子系统作战效能评估提供了一种新的评价方法。     

一种基于FPGA的改进粗糙集属性约简方法

粗糙集理论是一种新型的数学工具,主要用于分析处理模糊和不确定知识。属性约简是其中的一个重要环节。本文结合遗传算法,提出了一种基于FPGA改进的粗糙集属性约简方法,在原研究的基础上,先利用属性重要度求解决策表的核属性,再运用于属性约简,从而减少遗传操作的迭代次数,加快属性约简速度。