一、基于粗糙集属性约简的过程控制规则提取（论文文献综述）
钱卓昊[1]（2021）在《多层次粗糙集模型中双边属性值泛化约简方法的研究》文中指出随着大数据时代的到来,具有多层次结构的数据越来越普遍,利用层次结构来对决策信息表（简称决策表）进行属性值泛化约简可以在保证分类能力不变的前提下有效降低决策表的维度,而构造合理的层次结构是研究属性值泛化约简的前提,因此研究层次结构构造方法和决策表的属性值泛化约简方法在高维数据越来越普遍的大数据时代具有重要意义。目前关于决策表的属性值泛化约简以及层次结构构造的研究大都是基于决策表的条件属性集,针对决策属性层次结构的研究较少,但仅考虑条件属性集的属性值泛化约简并不能完全挖掘决策表的泛化潜力。决策表中的每个对象都具备决策属性和条件属性两种属性,现实中很多对象的决策属性也具有层次结构,仅考虑条件属性集的层次结构会忽略决策属性可能存在的层次关系和泛化潜力。同时,目前对层次结构构造方法的研究大都局限于处理无序数据,对含有分层结构的有序数据很少涉及。基于上述背景,本文进行了以下研究:（1）为构造有效表达层次结构的属性值分类（AVT）,本文提出了VDM-AVT学习器和DAVT学习器及其实现算法,两种学习器分别可以依据决策表自动构造条件属性集和决策属性的AVT,且均能处理有序数据和无序数据。（2）针对属性值泛化约简问题,本文首先提出了多层次决策属性粗糙集模型,以此来研究决策属性AVT中分割间的关系,进而提出了多层次粗糙集模型来研究决策表全局分割间的关系。（3）在两种多层次模型基础上分别提出了决策泛化和双边属性值泛化约简的定义,并给出决策泛化的实现算法与双边属性值泛化约简的实现策略。（4）利用对比实验验证了双边属性值泛化约简的优越性。
陈亮[2]（2021）在《基于不完备多尺度信息的决策规则提取方法研究》文中认为随着大数据时代的到来,不同类型的数据往往具有多尺度结构,在不同尺度的属性信息下对数据进行分析和处理,已经成为一种处理不确定信息的重要方法。然而现有的多尺度数据分析模型大多是面向完备信息系统建立的,在不完备信息系统上所开展的最优尺度选择与规则提取方法也只是局限于某一固定的尺度,无法体现多尺度信息融合的思想特点。本文正是基于上述考虑,研究了基于不完备多尺度信息系统的决策规则提取方法。首先,将完备信息系统延伸到不完备信息系统,考虑不完备多尺度决策信息系统的整体泛化约简,通过引入粒度树和剪枝的概念,对整体泛化约简、最优尺度和k尺度属性约简进行了细致的比较研究。接着,从局部的角度研究了对象的泛化约简,通过该方法可以获得更一般的决策规则。其次,研究了不完备的广义多尺度决策信息系统与尺度组合,探讨不同尺度组合下的粗糙近似的定义与性质。然后,提出了协调的不完备广义多尺度决策信息系统的最优尺度组合选择方法,包括全局最优尺度组合和局部最优尺度组合的选择方法。最后,通过实例进行了说明,设计了相关算法,并进一步给出了属性约简与规则提取的实现方法与具体步骤。
徐现强[3]（2021）在《基于知识约简的航空发动机涡轮部件故障诊断专家系统设计》文中认为在航空燃气涡轮发动机中,涡轮部件承受了最大的机械负荷、空气动力负荷和热负荷,因此在发动机运行过程中最容易产生各种故障,甚至引起安全事故。本文为了解决航空发动机故障知识获取难、推理慢的问题,降低排除故障的代价,提高航空发动机的健康检测和故障诊断水平,设计了航空发动机涡轮部件故障诊断专家系统并进行了实现。首先,研究了故障知识获取。采用知识约简算法进行知识获取,利用分辨矩阵对离散化的专家知识数据进行属性约简和值约简,然后进行规则检测,得到用于判故的故障规则。其次,研究了专家系统知识库的构建。采用三种规则表示方法对专家系统的故障规则进行表示,以用于不同的规则使用场景。然后根据数据处理及推理机的需要,设计了四张关系型数据表,分别为样本属性表、决策属性表、故障规则表和判读结果表。再次,设计了航空发动机涡轮部件故障诊断专家系统推理机。首先研究了基于规则决策树深度优先遍历的精确推理算法,提高了推理机的推理效率;然后研究了产生式规则模糊推理,并利用熵权法确定各前提权重,提高了推理机处理条件不确定性事实的能力;最后,基于混合推理方法,提出精确推理与模糊推理相结合的综合推理算法,同时兼顾处理模糊问题的能力和推理效率。最后,研发了航空发动机知识获取和故障诊断软件。根据前文的理论研究,使用Visual Studio与SQL Server数据库实现了各功能模块,并使用航空发动机模型仿真数据与发动机现场试机数据对软件进行了测试,证明了该软件有着很高的实用价值。
王宏彬[4]（2021）在《基于模糊粗糙集和组合分类器的态势要素提取》文中研究说明当代计算机技术与网络迅猛发展,已经深入到各行各业。随着信息时代的到来,人们在享受网络所带来的方便、快捷的同时,也正在被各式各样的网络安全问题威胁和困扰。近几年,网络攻击日渐复杂且具有隐蔽性,致使传统的基于被动防御的网络安全产品和技术难以应对现阶段的网络安全问题,而基于主动防御的网络安全态势感知技术能够更好的解决此类问题。自20世纪末网络安全态势感知技术被提出以来,其被广泛应用于网络安全的各个领域中。广义的网络安全态势感知技术分为态势要素提取、态势理解和态势预测三个过程,而态势要素提取是整个过程的第一步也是最为关键的一步,其提取质量的优劣会直接影响态势理解和预测的准确性。广大学者依据各种理论提出了许多态势要素提取方法,这些方法在某些方面具有一定的优势,但也存在一定的局限性。针对现阶段态势要素提取方法的不足,本文对网络安全态势要素提取算法进行了深入的研究,提出了一种基于模糊粗糙集和组合分类器的态势要素提取模型,用来提升态势要素获取的准确度,以便为态势的理解和预测提供更好的数据基础。本文将模糊粗糙集和组合分类器理论引入到网络安全态势要素提取的过程中,利用模糊粗糙集理论实现了在不降低数据分类能力的前提下,对数据进行属性约简,降低了数据的复杂度;利用组合分类器理论和粒子群优化算法,搭建了一个态势要素提取框架,能够更准确的提取态势要素。主要研究工作如下:首先,提出了一种条件属性相似度度量方法,利用该方法求出条件属性相似度矩阵,然后采用直接聚类算法根据阈值对相似的条件属性进行聚类,再利用提出的最大相似性准则从每个相似属性集合中选出最具代表性的一个属性来代替该属性所在的属性集合,从而达到条件属性次级约简的目的。其次,为了降低样本被错误分类的概率,保证样本属于真实类别的隶属度最大,同时减少噪声样本的影响,本文对模糊集的上下近似算法进行了改进,提出了一种基于k阶距离加权平均的紧邻域上下近似计算方法,并应用于模糊粗糙集对次级条件属性进行启发式约减,从而得到最终的条件属性集合。再次,本文利用实验对15个常用的分类算法进行比较,然后根据分类算法的一些衡量指标从中选取了4个性能良好的分类算法构建了一种组合分类器。为了使组合分类结果能够更有效的融合,提出了一种基于粒子群优化的BP神经网络融合算法,利用改进的粒子群优化算法对BP神经网络进行融合训练,加快了模型的收敛速度且提取的态势要素更加准确。最后,对上述态势要素提取框架进行了代码实现并在网络安全数据集NSL—KDD上进行了实验,且与多种属性约简算法、态势要素提取算法进行了对比。从实验结果上可以看出本文所提出的网络安全态势要素提取框架能够在保证数据分类能力的前提下,有效的缩短态势要素的提取时间,提高态势要素获取的准确性,从而证明了本文提出的态势要素提取框架的有效性和可行性。
史志尧[5]（2021）在《轴承故障知识发现的粗糙集属性约简方法研究》文中研究说明随着科技的进步,各类旋转机械正向着智能化、优质高效运行方向发展。对旋转机械进行全面的监测会采集到大量的振动信号,这推动故障诊断领域进入了大数据时代。但大量的数据中包含了许多无效冗余的信息,如何从中去除冗余信息,挖掘出最真实、最有价值的信息,帮助实现智能故障知识发现,成为当前急需解决的问题。粗糙集理论作为一种能够描述不确定性的数据分析工具被用于智能决策中,推动了人工智能的快速发展。粗糙集理论中研究的关键问题是知识获取方法和属性约简算法,因此该理论被广泛应用于机械故障诊断领域。本论文将粗糙集理论作为知识发现工具,对轴承故障特征集的属性约简进行了探讨,并结合智能分类器进行故障识别。主要研究内容与取得的研究成果如下:（1）针对邻域多粒度粗糙集模型属性约简时,没有考虑不同粒度权重对约简结果影响的问题,提出一种邻域加权多粒度粗糙集模型,对故障数据集进行属性约简。在决策信息系统中,该模型给每一个条件属性赋予一个权重,重新定义了该模型下的近似集、依赖度和重要度,并建立了基于邻域加权多粒度粗糙集的故障数据集属性约简算法;然后将约简后得到的敏感特征子集输入到KNN分类器中进行模式识别;最后利用轴承故障数据集验证了该方法的有效性。（2）针对决策粗糙集模型参数不确定和参数过多导致的应用困难问题,提出并构建邻域单参数决策粗糙集模型,同时设计了邻域单参数决策粗糙集模型和非朴素贝叶斯分类器结合的故障诊断方法。该方法运用邻域单参数决策粗糙集模型对轴承故障特征集进行属性约简,再将提取出的低维敏感特征子集输入非朴素贝叶斯分类器进行模式识别。设计的故障诊断方法集成了邻域单参数决策粗糙集在属性约简和非朴素贝叶斯分类器在模式识别的优势,通过构建轴承故障特征集,验证了该方法的有效性。（3）针对工业大数据智能决策技术发展中故障数据的科学管理问题,设计了一套旋转机械故障诊断系统。该系统由数据库模块和故障诊断功能模块组成,采用轴承故障数据集进行验证,应用情况表明,本系统可以有效地实现故障数据的存储并完成对故障数据的知识发现,从而验证了故障诊断系统的有效性。本论文以粗糙集理论为基础,将其应用于故障数据集的属性约简。在工业大数据的背景下,为剔除冗余信息、获取故障的敏感特征以及提高故障辨识精度提供了全新的思路,使智能故障决策技术有了更好的发展。
王敬前[6]（2021）在《覆盖粗糙集与模糊粗糙集及其在化工过程故障诊断中的应用》文中指出化工过程反应复杂,具有高度非线性、连续性和时变性等特点,一旦发生故障,将会给经济和生命安全带来严重的损失。因此,如何从海量工业数据中挖掘出有用信息,进行化工过程的故障诊断成为当前研究的热点。随着当今人工智能的发展,故障诊断技术也进入了一个新的时代。但对于多故障诊断和不完备信息下的故障诊断等问题,还有待进一步探索。粗糙集理论和模糊集理论是人工智能领域两种处理信息系统中不完备和不确定性数据的重要工具。目前,模糊集理论在故障诊断领域已得到了较为广泛的应用,而粗糙集理论在该领域中的应用还处在刚刚起步的阶段。本文通过融合覆盖粗糙集与模糊粗糙集,针对田纳西伊斯曼（TE）化工过程、化工汽轮机组和聚合釜三类化工过程的故障诊断,研究了覆盖粗糙集模型与模糊覆盖粗糙集模型中的相关不确定性问题,建立了相关数据分析与挖掘的理论体系,为解决化工过程故障诊断提供了更加智能的方法。本文的主要工作与贡献如下:1)针对不完备信息条件下的故障诊断问题,利用覆盖粗糙集提出了从不完备信息故障特征中剔除冗余信息的方法,从而提高了传统故障诊断的准确率,并将其应用在化工汽轮机组的故障诊断中。首先,从矩阵的角度研究了覆盖粗糙集中有关最大、最小描述的相关问题,并利用机器学习库中的公开数据集与传统的计算方法做比较,实验结果表明基于矩阵的计算方法节省了计算时间。借助于上述最大描述的矩阵计算方法,提出了计算不完备信息系统中极大相容块的矩阵计算方法,很好得解决了数据维数过高时,计算耗时的问题。接着,通过极大相容块,将原不完备决策表转化为极大相容块最全描述决策表。在新的决策表基础上,提出了基于分辨矩阵的属性约简计算方法。最后,基于所提出的基于极大相容块的属性约简方法,建立了“极大相容块+智能分类器”的故障诊断方法,为解决不完备信息条件下的故障诊断问题提供一种新方法。并针对不完备信息条件下化工汽轮机组的故障诊断问题,进行了仿真实验。实验结果表明,若智能分类器分别选择支持向量机（SVM）、随机森林和决策树,则所提出的“极大相容块+智能分类器”故障诊断方法的准确率均为87.5%,而只使用上述智能分类器的故障诊断准确率最高只有75%,准确率至少提高了 12.5%。2)针对完备信息条件下的故障诊断问题,利用模糊覆盖粗糙集提出了从完备信息故障特征中剔除冗余信息的方法,从而提高了传统故障诊断的准确率,并将其应用在TE化工过程的故障诊断中。理论方面:首先,作为模糊β-覆盖近似空间中已有可约元和约简概念的补充,提出了I-可约元和I-约简的概念。在此基础上,研究了模糊β-最小描述与β-约简之间的等价刻画、模糊β-最大描述与β-核之间的等价刻画等问题。然后,将上述一个模糊β-覆盖近似空间中的概念推广到了两个模糊β-覆盖近似空间中,得到了新的概念及相关性质。在上述所有结果的基础上,一个模糊β-覆盖与其诱导的七个模糊β-覆盖之间关系,及这些模糊β-覆盖的格结构被研究。应用方面:基于以上模糊覆盖粗糙集模型,提出了一种基于模糊β-邻域的属性约简方法。并在此基础上,建立了“模糊覆盖粗糙集+SVM”的智能故障诊断方法。最终,以TE化工过程为背景,针对以下4种状态:正常、阶跃故障（由过程变量的阶跃变化引起的故障）、漂移故障（化工反应动力学的缓慢漂移引起的故障）和阀门粘滞故障,建立了模糊覆盖信息系统,通过所提出的基于模糊β-邻域的属性约简方法,从53个故障征兆属性中确定出23个作为故障特征,然后通过建立的“模糊覆盖粗糙集+SVM”方法进行了故障诊断仿真实验,其准确率为86.57%,而只使用SVM的方法得到的准确率为72.50%,准确率提高了 14.07%。3)在前两部分的基础上,为更有效地表达故障诊断中的各种不确定性信息,建立了若干广义模糊覆盖粗糙集模型及相关故障决策方法,并研究了其在聚合釜的故障诊断中的应用。首先,基于已有的直觉模糊β-覆盖近似空间和直觉模糊β-邻域的概念,以及第一型直觉模糊覆盖粗糙集模型,主要研究了它们的性质,并给出了一些新的概念和第二型直觉模糊覆盖粗糙集模型。在此基础上,提出了单值中智β-覆盖和单值中智β-邻域等概念,并建立了单值中智覆盖粗糙集模型。为了解决多属性群决策的问题,将单值中智β-覆盖和单值中智覆盖粗糙集模型推广到了多粒度的情况,建立了三类多粒度单值中智覆盖粗糙集模型。在故障信息条件下,提出了基于直觉模糊覆盖粗糙集的群决策方法和基于单值中智覆盖粗糙集的群决策方法。针对聚合釜故障诊断问题,分别建立了故障类型为:聚合釜电机出现故障、聚合釜减速机出现故障、聚合釜机封中轴故障、聚合釜组件故障和聚合釜正常运行,以及故障特征为:聚合釜减速机振动值、操作压力、拌转速和减速机温度的直觉模糊信息系统与单值中智信息系统。并将上述决策方法应用于聚合釜的故障诊断中,所提出的方法最终决策结果基本都是聚合釜电机出现故障。这与其他已有决策方法的结果一致。因此,所提出的基于聚合釜故障信息的广义模糊覆盖粗糙集的决策方法是有效的。综上所述,本文以化工过程为背景,采用理论研究与实验验证相结合的方法,进一步研究了覆盖粗糙集、模糊覆盖粗糙集和广义模糊覆盖粗糙集相关问题（覆盖约简问题、属性约简问题等）。在此基础上,分别考虑了不完备故障信息和完备故障信息两种情况,利用基于覆盖粗糙集（用于提高不完备信息故障诊断的准确率）和模糊覆盖粗糙集（用于提高完备信息故障诊断的准确率）的属性约简方法解决了故障诊断中的特征选择问题,并结合智能分类器提高了故障诊断的准确度。最后,利用所建立的广义模糊覆盖粗糙集模型,建立多属性群决策方法,将其应用于化工过程的故障诊断中,为多专家故障决策提供了一种简便的方案。这些都为化工过程的智能故障诊断方法提供了理论及技术参考。
梅焘[7]（2020）在《基于粗糙集理论的网络文化安全快速预警方法研究》文中研究说明信息技术的发展与全球化进程的提速,使得文化的传播和交流愈发便捷。网络文化作为文化中的一种表现形式,对于人们生活尤其是精神层面的影响日益深远,网络文化安全预警机制的建立显得尤为关键。当前,网络文化方面的数据呈现出冗余性,并夹杂着数值型和非数值型的数据,监管部门难以全面科学地进行网络文化安全预警。本文利用粗糙集在处理混合数据方面有快捷高效的优势,从多属性视角综合探索网络文化风险识别因素这一复杂的决策问题,为我国的网络文化预警体系的构建提供一些决策依据。首先,从网络文化的发展现状出发,梳理总结网络文化风险的成因、特点和影响因素,遵循相关原则进行指标构建,并描述指标中表现较为显着的因素。其次,针对错综复杂且存在多重维度的网络文化数据,鉴于各属性集的差异性和监督机制能够进行标签分类的特性,构建了基于监督机制的多粒度粗糙决策分析方法,这对于处理含有噪声数据和多源分布的混合信息系统具有更好的适应性。在此前提下,生成条件属性集对应的约简方法,提取其决策规则,优化初始的信息决策表,从而形成了完整的粗糙集网络文化风险评估流程。最后,以若干网络文化安全事件的数据为例构建决策信息表,进行决策分析,生成关键的风险识别影响指标,得到相应的评估决策规则,简化风险识别流程,提高网络文化风险识别效率。改进后的粗糙集模型能够适用于网络文化风险识别系统中的实证分析,可以为网络监管部门提供有益的决策参考。
刘斓乾[8]（2020）在《多元线性回归和粗糙集聚类在疫情数据分析中的应用》文中进行了进一步梳理2020年,新型冠状病毒呈现并流行。自2020年1月至2020年3月,湖北省是全国最严重的疫情地区。新冠疫情对我国的教育行业产生了很大的影响,学生停课但不停学,开展网上教学。数据挖掘是指从大量的数据中通过算法搜索隐藏于其中信息的过程,包含有多种算法,例如聚类、预测等。本文使用到的数据挖掘算法有多元线性回归分析算法、粗糙集属性约简算法、主成分分析算法和K均值聚类分析算法等。本文的数据来源包括两部分,第一部分是湖北省卫健委官方网站统计数据,第二部分是通过某教育机构发放调查问卷,得到样本数据。学生层次覆盖全面,所研究的各个因素均有分布,因此数据研究具有可行性。本文主要涉及以下三种算法:（1）通过使用多元线性回归算法分析湖北省疫情数据;（2）通过使用粗糙集属性约简算法分析疫情期间学生学习的影响因素;（3）本文将主成分分析算法、粗糙集算法和K均值聚类分析算法相结合,使用一种综合性的聚类分析算法来对数据进行聚类。其中,第三种算法是本文提出的一种综合性算法,该算法将多种数据挖掘算法相结合,综合利用主成分降维和粗糙集能够解决不确定问题的优势,对数据进行聚类,并与传统的K均值聚类分析算法相对比,验证了该算法的优越性。本文实现了以下三个模型应用:一是建立多元线性回归模型。针对官方网站发布的湖北省疫情数据,具体从2020年1月20日至2020年5月31日的数据,通过建立多元线性回归算法进行研究累计确诊数据与其他数据之间的线性关系,尤其通过建立的线性回归模型分析累计确诊数据和累计治愈数据形成的线性关系,并分析原因。二是建立粗糙集属性约简算法模型。针对疫情期间的学生进行问卷调查,分析影响学生学习的因素。本文通过发放调查问卷,形成样本数据,建立粗糙集属性约简算法模型,来分析疫情期间学生学习的影响因素,本文还采用了因子分析算法进行数据对比分析,通过因子分析算法进一步验证了粗糙集属性约简算法的正确性。三是建立基于主成分分析的粗糙集聚类综合模型。针对疫情期间学生学习进行调查问卷,得到样本数据,从而将学生进行聚类。本文将主成分分析算法、粗糙集算法和K均值聚类分析算法相结合,提出一种基于主成分分析的粗糙集聚类综合算法,对样本进行粗糙集聚类分析,与传统的K均值聚类分析对比,验证了该算法的优越性,并对不同类学生提出对应的建议。
蔺苗苗[9]（2020）在《基于粗糙集和图论的ZPW-2000A无绝缘轨道电路故障诊断方法研究》文中研究说明ZPW-2000A无绝缘轨道电路是列车运行的安全保障和铁路运输设备的重要组成部分。若ZPW-2000A无绝缘轨道电路在列车运行时出现故障,很有可能使得列车发生事故,不仅会造成经济损失,甚至会伤及生命健康。为了提高铁路的运输效率,并保证列车安全运行,对ZPW-2000A无绝缘轨道电路的维护是至关重要的。迄今为止,人工测试分析方式是ZPW-2000A无绝缘轨道电路的主要判别监测方式。该监测方式存在判别难度大、时间长、效率低等缺陷。本文对ZPW-2000A无绝缘轨道电路历史故障数据进行分析,将粗糙集和图论理论相融合,对ZPW-2000A无绝缘轨道电路进行故障诊断,尽可能的弥补上述缺陷。本文所做研究如下所示:首先,分析ZPW-2000A无绝缘轨道电路的结构及其工作原理,并对铁路信号集中监测系统中的监测类型和监测原理进行分析。在一般故障诊断方法的基础上,本文提出ZPW-2000A轨道电路故障诊断方法。其次,以ZPW-2000A无绝缘轨道电路的微机监测记录数据为基础,通过分析该轨道电路的历史故障数据及现场应用情况,提取发送电源、轨出1、轨出2、主轨道输入电压、小轨道输入电压、XGJ电压、XG电压、GJ电压以及发送功出等设备电压状况作为特征属性。根据历史故障数据和专家经验构建故障诊断信息系统,建立故障诊断决策表并构造其加权多部决策表图和邻接矩阵,完成属性约简,获得约简属性,得到最简属性约简表。再次,对决策规则的分级、故障信息覆盖度以及Rete算法的规则网络结构图进行介绍。依照故障信息覆盖度和置信度的大小,从核属性开始对故障规则进行提取。提出基于Rete算法的规则匹配算法。最后,利用Labview和Matlab完成了ZPW-2000A无绝缘轨道电路诊断系统的设计及实现。根据现场测试数据对本文故障诊断系统进行测试,由测试结果可知,本文的故障诊断系统误判个数相较于基于模糊认知图的轨道电路故障诊断方法有所改善,其误判率明显低于基于模糊认知图的误判率。
贾志成[10]（2020）在《基于改进型RS-SVM相结合的配电网故障诊断技术研究》文中进行了进一步梳理配电网作为电力系统中的一个重要组成部分,直接面向用户,是保证供电服务质量与用户服务质量、提高电力系统运行效率的关键环节。在配电网自动化快速发展的过程中,保证配电网安全、稳定运行和供电可靠性始终是电网建设运行的重中之重。一方面,配电网自动化系统为配电网故障诊断提供了丰富的数据信息,蕴含着丰富的潜在价值;另一方面,配电网中大量智能化设备的增加和使用导致配电网的数据采集与监视控制系统（Supervisory Control And Data Acquisition,SCADA）等信息采集系统收集到大量无用的冗余故障信息,并且其中夹杂着不完备故障信号,对配电网的故障诊断工作造成困扰。配电网的复杂结构也使得多重故障的出现频率增加,加大诊断难度。因此,快速、准确的配电网故障诊断方法对于配电网的安全、稳定、经济运行具有重要意义。针对配电网故障信息不完备和故障信息冗余的特点,本文提出一种基于改进型粗糙集理论（Rough Set,RS）与支持向量机（Support Vector Machine,SVM）相结合的故障诊断方法。将故障信息中各断路器、保护器动作信息作为故障诊断模型的输入量,对故障所处的线路或区域进行定位诊断。本文的主要内容如下:首先,提出利用粗糙集理论进行故障信息预处理。充分考虑故障信息冗余、不完备的特点,以二进制可辨矩阵约简算法为基础,提出一种改进的基于广义二进制可辨矩阵的属性约简算法。根据配电网拓扑结构关系建立原始决策表,利用改进后的约简算法对原始决策表进行属性约简,求取约简后的最小决策表与决策规则,在保证约简后数据有效性和诊断精确度的前提下缩减了故障信息数据量。结合一个简单的配电网算例进行验证分析,为接下来的故障诊断奠定了基础。然后,建立改进型RS-SVM相结合的配电网故障诊断模型。在构建支持向量机分类模型的过程中,采用基于非线性惯重权值递减和异步线性变化学习因子两种策略改进的粒子群算法（Particle Swarm Optimization,PSO）优化支持向量机核函数参数g与惩罚参数C,以改善传统支持向量机易陷入循环寻优的缺点。将得到的最优解用于支持向量机的训练学习,将约简后的测试样本决策数据用于故障诊断。最后,以某区域实际10kV配电三端口环网为算例进行实验分析。按照单次故障和多重故障两种情况,与单一的SVM和RS-SVM算法进行对比分析,并且结合多种评价指标,验证了本文方法应用于配电网故障诊断工作的可行性和精确性。
二、基于粗糙集属性约简的过程控制规则提取（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、基于粗糙集属性约简的过程控制规则提取（论文提纲范文）
（1）多层次粗糙集模型中双边属性值泛化约简方法的研究（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 |
| 1.3 论文研究内容及挑战 |
| 1.4 论文组织结构 |
| 第二章 多层次粗糙集模型泛化约简相关理论基础 |
| 2.1 粗糙集基础理论 |
| 2.2 决策表的层次结构 |
| 2.3 属性值泛化约简 |
| 第三章 条件属性AVT的构造方法 |
| 3.1 VDM-AVT学习器实现方法 |
| 3.2 VDM-AVT学习器的评估 |
| 3.2.1 VDM-AVT-AGR模型 |
| 3.2.2 仿真实验过程与结果分析 |
| 第四章 决策属性AVT的构建方法 |
| 4.1 DAVT学习器原理概述 |
| 4.2 决策属性值所对应样本聚类簇的簇间相似度计算 |
| 4.2.1 单个样本对象与聚类簇的相似度 |
| 4.2.2 簇间相似度 |
| 第五章 基于AVT的多层次粗糙集模型 |
| 5.1 基于AVT的多层次决策属性粗糙集模型 |
| 5.2 基于AVT的多层次粗糙集模型 |
| 第六章 双边属性值泛化约简 |
| 6.1 基于正域的决策属性值泛化算法 |
| 6.2 基于正域的双边属性值泛化约简 |
| 6.2.1 基于正域的双边属性值泛化约简定义 |
| 6.2.2 基于DAVG-PR与 GRPR的双边泛化约简策略 |
| 第七章 实验过程及结果分析 |
| 7.1 数据集及预处理 |
| 7.2 实验方法 |
| 7.3 实验结果与分析 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间参加科研情况及获得的学术成果 |
（2）基于不完备多尺度信息的决策规则提取方法研究（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 |
| 1.3 研究内容 |
| 1.4 本文结构 |
| 1.5 本章小结 |
| 第二章 理论基础 |
| 2.1 信息系统与粗糙近似 |
| 2.2 决策系统和决策规则 |
| 2.3 多尺度信息系统 |
| 2.4 属性约简 |
| 2.5 置信结构与置信函数 |
| 2.6 本章小结 |
| 第三章 不完备多尺度信息系统的粗糙集模型研究 |
| 3.1 不完备多尺度信息系统 |
| 3.2 不完备多尺度信息系统中的粒度树 |
| 3.3 不完备多尺度决策信息系统的整体泛化约简 |
| 3.4 对象的泛化约简 |
| 3.5 本章小结 |
| 第四章 协调的不完备广义多尺度决策信息系统的规则提取 |
| 4.1 不完备广义多尺度决策信息系统与尺度组合 |
| 4.2 协调的不完备广义多尺度决策信息系统模型 |
| 4.3 协调的不完备广义多尺度决策信息系统的规则提取算法 |
| 4.3.1 协调的不完备广义多尺度决策信息系统中的全局最优尺度算法 |
| 4.3.2 协调的不完备广义多尺度决策信息系统中的局部最优规则提取算法 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间参加科研情况及获得的学术成果 |
（3）基于知识约简的航空发动机涡轮部件故障诊断专家系统设计（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 航空发动机涡轮等气路部件故障诊断研究现状 |
| 1.2.2 知识约简理论应用及研究现状 |
| 1.3 本文的主要工作和全文组织 |
| 2 专家系统的知识获取 |
| 2.1 知识约简理论概况 |
| 2.1.1 知识约简的研究对象 |
| 2.1.2 知识约简理论的特点 |
| 2.2 知识约简理论的基础知识 |
| 2.2.1 信息系统中的定义 |
| 2.2.2 数学表示 |
| 2.3 约简过程及算法改进 |
| 2.3.1 属性约简 |
| 2.3.2 值约简 |
| 2.4 规则检测算法 |
| 2.5 知识的表示 |
| 2.5.1 知识表示的原则 |
| 2.5.2 规则语言表现形式 |
| 2.6 专家知识库的设计 |
| 2.7 本章小结 |
| 3 专家系统推理机的设计 |
| 3.1 基于深度优先遍历的精确推理算法 |
| 3.1.1 规则决策树的存储结构 |
| 3.1.2 基于深度优先遍历的精确推理算法 |
| 3.1.3 算法时间复杂度和空间复杂度 |
| 3.2 产生式规则模糊推理算法 |
| 3.2.1 产生式模糊推理概况 |
| 3.2.2 熵权法确定权系数 |
| 3.2.3 可信度的初始化与动态修改策略 |
| 3.2.4 冲突消解策略 |
| 3.3 专家系统的推理机制 |
| 3.3.1 推理方法 |
| 3.3.2 规则匹配方向 |
| 3.3.3 推理机匹配算法设计 |
| 3.4 本章小结 |
| 4 某型航空发动机的试验数据算法验证 |
| 4.1 数据来源及属性介绍 |
| 4.2 数据预处理 |
| 4.3 两种故障的约简结果 |
| 4.4 规则决策树及专家知识库 |
| 4.5 试验数据诊断结果 |
| 4.6 本章小结 |
| 5 航空发动机故障诊断专家系统软件平台 |
| 5.1 软件概述 |
| 5.2 功能介绍 |
| 5.3 实现过程 |
| 5.3.1 故障数据表的导入/删除 |
| 5.3.2 数据预处理 |
| 5.3.3 分级限值数据生成 |
| 5.3.4 属性约简和值约简 |
| 5.3.5 规则检测和提取 |
| 5.3.6 推理机与结果展示 |
| 5.3.7 其它功能 |
| 5.4 软件性能 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（4）基于模糊粗糙集和组合分类器的态势要素提取（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题的背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 网络安全领域的态势感知技术研究现状 |
| 1.3.2 模糊粗糙集研究现状 |
| 1.3.3 组合分类器研究现状 |
| 1.4 主要工作和创新点 |
| 1.5 论文的组织结构 |
| 2 基础理论 |
| 2.1 网络安全态势要素提取理论 |
| 2.1.1 相关概念 |
| 2.1.2 提取模型 |
| 2.2 模糊粗糙集合相关知识 |
| 2.2.1 传统粗糙集合理论 |
| 2.2.2 模糊粗糙集合理论 |
| 2.3 粒子群优化算法 |
| 2.4 BP神经网络 |
| 2.5 组合分类器 |
| 2.6 本章小结 |
| 3 基于条件属性相似度和改进模糊粗糙集合的属性选择方法 |
| 3.1 属性约简算法分析 |
| 3.1.1 启发式属性约简机制 |
| 3.1.2 两种常用的属性选择方法 |
| 3.2 基于条件属性相似度和最大相似准则的属性次级约简 |
| 3.2.1 条件属性相似度 |
| 3.2.2 基于最大相似准则的属性循环次级约简 |
| 3.3 基于改进的模糊粗糙集的属性最终约简 |
| 3.4 属性选择算法描述 |
| 3.5 本章小结 |
| 4 组合分类器态势要素提取模型的设计 |
| 4.1 模型中分类器组的设计 |
| 4.2 模型中融合层的设计 |
| 4.3 基于组合分类器的态势要素提取流程 |
| 4.4 小结 |
| 5 实验和分析 |
| 5.1 实验相关环境和数据 |
| 5.2 实验的前期准备和所用参数的设定 |
| 5.3 实验结果与分析 |
| 5.4 小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的科研成果清单 |
（5）轴承故障知识发现的粗糙集属性约简方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 故障诊断研究的主要内容 |
| 1.2.1 机械故障诊断的基本流程 |
| 1.2.2 基于数据驱动的故障诊断方法 |
| 1.3 粗糙集理论的研究现状 |
| 1.3.1 粗糙集发展情况 |
| 1.3.2 属性约简问题的研究现状分析 |
| 1.4 知识发现的概念 |
| 1.4.1 知识的定义 |
| 1.4.2 知识发现的涵义 |
| 1.5 归纳与分析 |
| 1.6 主要内容及安排 |
| 第2章 粗糙集理论的基本概念简介 |
| 2.1 引言 |
| 2.2 信息系统的基本概念 |
| 2.3 粗糙集理论的基本概念 |
| 2.3.1 近似集的定义 |
| 2.3.2 近似精度的定义 |
| 2.3.3 属性重要度的定义 |
| 2.4 邻域粗糙集的基本概念 |
| 2.4.1 邻域粒化概念 |
| 2.4.2 邻域粗糙集近似集 |
| 2.4.3 邻域决策信息系统 |
| 2.5 决策粗糙集的基本概念 |
| 2.5.1 概率粗糙集模型 |
| 2.5.2 三支决策 |
| 2.5.3 决策粗糙集约简理论 |
| 2.6 本章小结 |
| 第3章 基于邻域加权多粒度粗糙集的轴承故障知识获取方法 |
| 3.1 引言 |
| 3.2 相关原理简介 |
| 3.2.1 邻域多粒度粗糙集模型 |
| 3.2.1.1 一类邻域多粒度粗糙集模型 |
| 3.2.1.2 二类邻域多粒度粗糙集模型 |
| 3.2.2 基于双重粒化准则的邻域多粒度粗糙集模型 |
| 3.2.3 基于双重粒化准则的邻域多粒度粗糙集属性约简算法 |
| 3.3 提出的邻域加权多粒度粗糙集模型 |
| 3.3.1 基本思想 |
| 3.3.2 基于邻域加权多粒度粗糙集的属性约简算法 |
| 3.4 设计的轴承故障诊断方法 |
| 3.5 实验验证情况 |
| 3.5.1 轴承故障模拟实验 |
| 3.5.2 实验结果 |
| 3.5.3 高维数据约简前后可视化结果对比 |
| 3.5.4 故障分类的效果 |
| 3.6 本章小结 |
| 第4章 基于邻域单参数决策粗糙集的轴承故障知识获取方法 |
| 4.1 引言 |
| 4.2 相关原理简介 |
| 4.2.1 决策粗糙集的参数确定 |
| 4.2.2 邻域单参数决策粗糙集模型 |
| 4.2.3 非朴素贝叶斯分类器 |
| 4.3 建立的轴承故障辨识方法 |
| 4.3.1 基于邻域单参数决策粗糙集的属性约简 |
| 4.3.2 基于NNBC的故障识别 |
| 4.4 实验验证情况 |
| 4.4.1 实验设备 |
| 4.4.2 实验结果 |
| 4.4.3 对比与分析 |
| 4.5 本章小结 |
| 第5章基于C#平台的轴承故障诊断系统开发 |
| 5.1 引言 |
| 5.2 故障诊断系统开发 |
| 5.2.1 设计的数据库模块 |
| 5.2.1.1 数据库技术 |
| 5.2.1.2 数据库模块设计 |
| 5.2.2 故障诊断功能模块设计 |
| 5.2.2.1 预处理功能模块 |
| 5.2.2.2 特征提取功能模块 |
| 5.2.2.3 维数约简功能模块 |
| 5.2.2.4 模式识别功能模块 |
| 5.3 实验验证情况 |
| 5.3.1 实验方案 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 总结 |
| 研究展望 |
| 参考文献 |
| 致谢 |
（6）覆盖粗糙集与模糊粗糙集及其在化工过程故障诊断中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状分析 |
| 1.2.1 化工过程故障诊断 |
| 1.2.2 基于数据的化工过程故障诊断 |
| 1.2.3 粗糙集理论及属性约简 |
| 1.2.4 (模糊)覆盖粗糙集及其在故障诊断中应用 |
| 1.3 主要研究内容与组织结构 |
| 2 覆盖粗糙集最大、最小描述若干问题研究 |
| 2.1 引言 |
| 2.2 覆盖粗糙集理论预备知识 |
| 2.3 基于矩阵的最小、最大描述计算方法 |
| 2.4 基于最小、最大描述的覆盖近似空间约简方法 |
| 2.5 基于最小、最大描述的覆盖信息系统约简方法 |
| 2.5.1 基于最小描述的覆盖信息系统约简方法 |
| 2.5.2 基于最大描述的覆盖信息系统约简方法 |
| 2.6 本章小结 |
| 3 覆盖粗糙集的故障诊断方法及其在化工汽轮机组故障诊断中的应用 |
| 3.1 引言 |
| 3.2 预备知识 |
| 3.2.1 化工汽轮机组及常见故障类型 |
| 3.2.2 不完备决策表与极大相容块 |
| 3.3 极大相容块的矩阵计算方法 |
| 3.3.1 基于最大描述的极大相容块计算方法 |
| 3.3.2 基于容差类的极大相容块的矩阵计算方法 |
| 3.4 基于极大相容块的不完备信息系统属性约简方法 |
| 3.5 基于“极大相容块+智能分类器”的不完备信息故障诊断方法 |
| 3.6 不完备信息下化工汽轮机组的故障诊断应用 |
| 3.6.1 化工汽轮机组故障不完备决策信息系统 |
| 3.6.2 决策信息表预处理 |
| 3.6.3 化工汽轮机组的“极大相容块+智能分类器”故障诊断模型建立 |
| 3.6.4 化工汽轮机组故障样本诊断 |
| 3.7 本章小结 |
| 4 基于β-覆盖的模糊覆盖粗糙集 |
| 4.1 引言 |
| 4.2 预备知识 |
| 4.3 模糊β-覆盖近似空间中概念之间的关系 |
| 4.3.1 模糊β-最小描述与各类约简之间的关系 |
| 4.3.2 模糊β-最大描述与β-核、I-约简之间的关系 |
| 4.4 模糊β-覆盖近似空间之间的关系 |
| 4.4.1 生成的模糊β-覆盖近似空间 |
| 4.4.2 I-生成的模糊β-覆盖近似空间 |
| 4.5 七个诱导的模糊β-覆盖近似空间和相应的格结构 |
| 4.5.1 七个诱导的模糊β-覆盖的一些新的性质 |
| 4.5.2 一些导出模糊β-覆盖的格结构 |
| 4.6 本章小结 |
| 5 模糊覆盖粗糙集的故障诊断方法及其在TE化工过程故障诊断中的应用 |
| 5.1 引言 |
| 5.2 TE化工过程 |
| 5.3 基于模糊β-邻域的模糊覆盖信息系统属性约简方法 |
| 5.4 “模糊覆盖粗糙集+智能分类器”的故障诊断方法 |
| 5.5 基于“模糊覆盖粗糙集+SVM”的TE化工过程故障诊断实验 |
| 5.5.1 获取并初始化数据 |
| 5.5.2 基于模糊β-邻域的TE化工过程故障数据集的属性约简 |
| 5.5.3 基于TE化工过程的“模糊覆盖粗糙集+SVM”故障诊断模型建立 |
| 5.5.4 基于TE化工过程的“模糊覆盖粗糙集+SVM”故障诊断 |
| 5.6 本章小结 |
| 6 广义模糊覆盖粗糙集 |
| 6.1 引言 |
| 6.2 预备知识 |
| 6.2.1 直觉模糊集 |
| 6.2.2 单值中智集 |
| 6.3 两类直觉模糊覆盖粗糙集模型 |
| 6.3.1 直觉模糊β-邻域、直觉模糊β-邻域系统和β-邻域 |
| 6.3.2 两类直觉模糊覆盖粗糙集模型 |
| 6.3.3 直觉模糊覆盖粗糙集模型和其他粗糙集模型之间的关系 |
| 6.4 单值中智覆盖粗糙集模型 |
| 6.4.1 单值中智覆盖近似空间 |
| 6.4.2 三类单值中智覆盖粗糙集模型 |
| 6.5 多粒度单值中智覆盖粗糙集模型 |
| 6.5.1 多粒度单值中智β-覆盖近似空间 |
| 6.5.2 三类多粒度单值中智覆盖粗糙集模型 |
| 6.5.3 不同中智β-覆盖产生相同的多粒度单值中智覆盖近似算子的条件 |
| 6.6 本章小结 |
| 7 广义模糊粗糙集的决策方法及其在聚合釜故障诊断中的应用 |
| 7.1 引言 |
| 7.2 聚合釜反应过程与常见故障 |
| 7.3 基于直觉模糊覆盖粗糙集的群决策方法及其在故障诊断中的应用 |
| 7.3.1 乐观多粒度直觉模糊覆盖粗糙集模型 |
| 7.3.2 基于直觉模糊故障信息的多属性群决策问题 |
| 7.3.3 基于乐观多粒度直觉模糊覆盖粗糙集的故障信息群决策方法 |
| 7.3.4 直觉模糊决策方法在聚合釜故障诊断中的应用 |
| 7.4 基于多粒度单值中智覆盖粗糙集的群决策方法及故障诊断应用 |
| 7.4.1 基于单值中智故障信息的多属性群决策问题 |
| 7.4.2 基于多粒度单值中智覆盖粗糙集的故障信息群决策方法 |
| 7.4.3 单值中智决策方法在聚合釜故障诊断中的应用 |
| 7.4.4 对比分析 |
| 7.5 本章小结 |
| 8 总结与展望 |
| 8.1 全文工作总结 |
| 8.2 研究工作创新点 |
| 8.3 未来工作展望 |
| 致谢 |
| 参考文献 |
| 附录A: 最小、最大描述的集合计算Matlab程序（第二章） |
| 附录B: 最小、最大描述的矩阵计算Matlab程序（第二章） |
| 附录C: 本文应用的化工汽轮机组故障诊断数据（第三章） |
| 附录D: 基于不可分辨矩阵的不完备信息属性约简Matlab程序（第三章） |
| 附录E: SVM故障诊断Matlab程序（第三章） |
| 附录F: 基于模糊β-邻域的约简计算Matlab程序（第五章） |
| 附录G: TE化工过程部分数据（第五章） |
| 附录H: 单值中智覆盖粗糙集上、下近似计算Matlab程序（第七章） |
| 攻读博士学位期间发表的科研成果目录 |
（7）基于粗糙集理论的网络文化安全快速预警方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目标 |
| 1.3 国内外研究现状 |
| 1.3.1 网络文化风险识别研究方法综述 |
| 1.3.2 粗糙集研究综述 |
| 1.4 研究思路 |
| 1.5 研究内容 |
| 第二章 粗糙集理论概述 |
| 2.1 基本概念 |
| 2.1.1 信息系统与不可分辨关系 |
| 2.1.2 粗糙集近似 |
| 2.1.3 近似精度与分类质量 |
| 2.1.4 属性约简与决策规则的获取 |
| 2.2 概率粗糙模型及其扩展 |
| 2.3 多粒度粗糙模型及其扩展 |
| 2.3.1 经典多粒度粗糙集 |
| 2.3.2 多粒度决策粗糙集 |
| 2.4 本章小结 |
| 第三章 基于监督机制的多粒度粗糙决策分析方法 |
| 3.1 基于监督机制的多粒度决策粗糙集 |
| 3.2 属性约简 |
| 3.3 决策规则获取 |
| 3.4 应用实例 |
| 3.5 本章小结 |
| 第四章 网络文化风险识别因素指标体系构建 |
| 4.1 识别因素指标选择原则 |
| 4.2 识别因素指标体系构建思路 |
| 4.2.1 网络文化风险识别因素的理论概述 |
| 4.2.2 网络文化风险识别因素指标体系构建思路阐释 |
| 4.3 网络文化风险识别因素指标的选择 |
| 4.4 基于粗糙集的网络文化安全快速预警方法研究流程 |
| 4.5 本章小结 |
| 第五章 基于粗糙集的网络文化安全快速预警研究实例分析 |
| 5.1 决策信息表 |
| 5.2 获取粗糙近似 |
| 5.3 属性约简 |
| 5.4 提取决策规则 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要创新点 |
| 6.2 研究展望 |
| 参考文献 |
| 附录1 文化产业安全评价研究调查问卷 |
| 附录2 攻读硕士学位期间撰写的论文 |
| 附录3 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（8）多元线性回归和粗糙集聚类在疫情数据分析中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 疫情期间发展形势 |
| 1.3 数据挖掘 |
| 1.4 数据来源 |
| 1.5 本文的主要工作和目的 |
| 1.6 本文的主体结构 |
| 1.7 本章小结 |
| 第2章 基本理论部分介绍 |
| 2.1 数据挖掘 |
| 2.2 多元线性回归 |
| 2.3 粗糙集属性约简算法 |
| 2.4 因子分析 |
| 2.5 本章小结 |
| 第3章 使用多元线性回归算法分析湖北省疫情数据 |
| 3.1 湖北省疫情数据 |
| 3.2 建立多元线性回归模型 |
| 3.3 分析湖北省疫情数据特点 |
| 3.4 累计确诊数据和累计治愈数据正相关 |
| 3.5 本章小结 |
| 第4章 使用粗糙集属性约简分析影响学生成绩因素 |
| 4.1 疫情给教育行业带来影响 |
| 4.2 调查问卷来源 |
| 4.3 调查问卷研究可行性 |
| 4.4 建立粗糙集属性约简算法模型 |
| 4.5 建立因子分析模型得到影响因素 |
| 4.6 分析影响学生成绩因素 |
| 4.7 本章小结 |
| 第5章 基于主成分分析的粗糙集聚类综合算法 |
| 5.1 K均值聚类分析算法 |
| 5.2 主成分分析算法 |
| 5.3 粗糙集理论 |
| 5.4 基于主成分分析的粗糙集聚类综合算法 |
| 5.5 基于主成分分析的粗糙集聚类综合算法研究意义 |
| 5.6 本章小结 |
| 第6章 基于主成分分析的粗糙集聚类综合算法应用 |
| 6.1 调查问卷分析数据 |
| 6.2 将数据进行K均值聚类分析 |
| 6.3 将数据进行主成分分析 |
| 6.4 将主成分数据进行粗糙集聚类 |
| 6.5 两种聚类分析算法对比 |
| 6.6 根据粗糙集聚类结果对不同类学生提出建议 |
| 6.7 本章小结 |
| 第7章 总结及展望 |
| 7.1 全文总结 |
| 7.2 展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（9）基于粗糙集和图论的ZPW-2000A无绝缘轨道电路故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文的选题背景和研究意义 |
| 1.2 ZPW-2000A无绝缘轨道电路故障诊断研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文的主要研究内容与章节安排 |
| 2 ZPW-2000A无绝缘轨道电路及故障诊断 |
| 2.1 ZPW-2000A无绝缘轨道电路的结构和工作原理 |
| 2.1.1 系统结构 |
| 2.1.2 工作原理 |
| 2.2 ZPW-2000A无绝缘轨道电路监测维护系统 |
| 2.2.1 信息采集设备 |
| 2.2.2 信息采集原理 |
| 2.2.3 信息采集种类 |
| 2.2.4 信息采集种类判断标准 |
| 2.3 ZPW-2000A无绝缘轨道电路的诊断分析 |
| 2.3.1 常见故障诊断方法 |
| 2.3.2 ZPW-2000A轨道电路故障诊断方法 |
| 2.4 本章小结 |
| 3 粗糙集理论与图论概述 |
| 3.1 粗糙集基本理论 |
| 3.1.1 信息系统 |
| 3.1.2 等价与不可区分关系 |
| 3.1.3 粗糙近似与域 |
| 3.1.4 差别矩阵 |
| 3.1.5 属性依赖度、重要性与信息熵 |
| 3.2 属性约简 |
| 3.2.1 基于信息熵的属性约简方法 |
| 3.2.2 基于主分量启发式的属性约简方法 |
| 3.2.3 基于属性重要度的属性约简方法 |
| 3.3 图论 |
| 3.3.1 图论的基本概念 |
| 3.3.2 图的矩阵表示 |
| 3.4 Rete算法 |
| 3.5 本章小结 |
| 4 基于粗糙集和图论的故障诊断方法 |
| 4.1 属性约简 |
| 4.1.1 属性约简基本概念 |
| 4.1.2 利用加权多部决策表图判断核属性 |
| 4.1.3 基于邻接矩阵的属性约简 |
| 4.1.4 属性约简的复杂度分析 |
| 4.1.5 ZPW-2000A无绝缘轨道电路特征电压属性约简 |
| 4.2 决策规则的分级与故障信息覆盖度 |
| 4.2.1 决策规则的分级 |
| 4.2.2 故障信息覆盖度 |
| 4.2.3 故障信息覆盖度的计算 |
| 4.2.4 ZPW-2000A无绝缘轨道电路规则提取 |
| 4.3 基于Rete算法的规则匹配 |
| 4.4 本章小结 |
| 5 基于粗糙集和图论的轨道电路故障系统 |
| 5.1 ZPW-2000A轨道电路故障诊断系统设计 |
| 5.2 ZPW-2000A轨道电路故障诊断系统实现 |
| 5.3 系统测试 |
| 5.4 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（10）基于改进型RS-SVM相结合的配电网故障诊断技术研究（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 |
| 1.2.1 粗糙集研究现状 |
| 1.2.2 支持向量机研究现状 |
| 1.2.3 配电网故障诊断研究现状 |
| 1.3 主要研究内容 |
| 第二章 粗糙集理论与属性约简算法的改进 |
| 2.1 粗糙集理论 |
| 2.1.1 二元与不可分辨关系 |
| 2.1.2 知识表达系统 |
| 2.1.3 上、下近似与边界域 |
| 2.1.4 决策表的约简与核值计算 |
| 2.2 粗糙集的属性约简算法 |
| 2.3 基于二进制可辨矩阵的改进型属性约简算法 |
| 2.3.1 算法原理 |
| 2.3.2 算法步骤 |
| 2.3.3 算例分析 |
| 2.4 本章小结 |
| 第三章 支持向量机理论与参数优化 |
| 3.1 支持向量机理论 |
| 3.1.1 最优分类超平面 |
| 3.1.2 核函数 |
| 3.2 支持向量机的数学推导 |
| 3.2.1 线性支持向量机 |
| 3.2.2 非线性支持向量机 |
| 3.3 支持向量机的参数优化 |
| 3.3.1 支持向量机的参数选取 |
| 3.3.2 支持向量机的参数优化流程 |
| 3.4 本章小结 |
| 第四章 基于改进型RS-SVM的配电网故障诊断方法 |
| 4.1 基于改进型RS-SVM的故障诊断方法 |
| 4.2 基于改进型RS-SVM的故障诊断流程 |
| 4.3 算例实验与分析 |
| 4.3.1 单次故障诊断分析 |
| 4.3.2 多重故障诊断分析 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
四、基于粗糙集属性约简的过程控制规则提取（论文参考文献）
- [1]多层次粗糙集模型中双边属性值泛化约简方法的研究[D]. 钱卓昊. 西安石油大学, 2021(09)
- [2]基于不完备多尺度信息的决策规则提取方法研究[D]. 陈亮. 西安石油大学, 2021(09)
- [3]基于知识约简的航空发动机涡轮部件故障诊断专家系统设计[D]. 徐现强. 大连理工大学, 2021(01)
- [4]基于模糊粗糙集和组合分类器的态势要素提取[D]. 王宏彬. 河北师范大学, 2021(09)
- [5]轴承故障知识发现的粗糙集属性约简方法研究[D]. 史志尧. 兰州理工大学, 2021(01)
- [6]覆盖粗糙集与模糊粗糙集及其在化工过程故障诊断中的应用[D]. 王敬前. 陕西科技大学, 2021(01)
- [7]基于粗糙集理论的网络文化安全快速预警方法研究[D]. 梅焘. 南京邮电大学, 2020(04)
- [8]多元线性回归和粗糙集聚类在疫情数据分析中的应用[D]. 刘斓乾. 吉林大学, 2020(03)
- [9]基于粗糙集和图论的ZPW-2000A无绝缘轨道电路故障诊断方法研究[D]. 蔺苗苗. 兰州交通大学, 2020(01)
- [10]基于改进型RS-SVM相结合的配电网故障诊断技术研究[D]. 贾志成. 青岛大学, 2020(01)