新型粗糙神经网络的模式识别与故障诊断方法的研究

论文题目: 新型粗糙神经网络的模式识别与故障诊断方法的研究

论文类型: 博士论文

论文专业: 控制理论与控制工程

作者: 肖迪

导师: 胡寿松

关键词: 神经网络,粗糙集理论,故障诊断,模式识别,自组织映射,椭球基函数,神经网络集成

文献来源: 南京航空航天大学

发表年度: 2005

论文摘要: 论文运用粗糙集理论与神经网络方法进行了模式识别和故障诊断方面的研究,对在噪声下和实数领域的粗糙集模型进行了扩展,研究了粗糙集与神经网络的多种集成应用方法,全文的主要内容如下:首先,论文针对经典粗糙集理论中的不可分辨关系对连续属性值中噪声数据缺乏容错性的情况,提出一种相近关系代替不可分辨关系,并用不同的δ值调节相近关系中可接受的相近程度,限制了可冗余的范围。另外定义了在相近关系下的粗糙集的一些基本概念,并提出了相应的知识属性约简的方法。本文在相近关系的基础上,提出了衡量粗糙隶属度的方法,研究了该函数的性质,利用隶属度函数作为粗糙因子设计了粗糙因子神经网络,可减小噪声污染的影响,并使网络的收敛速度得到提高。其次,针对神经网络故障模式识别中的一些问题做了如下的研究。根据支持向量机可以解决小样本学习问题的优势,再结合粗糙集理论对不确定性问题分析的特点,本文提出一种支持向量机的粗糙神经网络的构造方法。该方法引入多个类似于支持向量机的子神经网络,并将网络中的隐含层单元设计成由多组粗糙神经元构成的网络单元。这种新型神经网络具有结构确定,可解释性好,计算简单,收敛速度快等特点。本文改进了一种椭球单元神经网络,它与经典椭球网络的结构不同,而与RBF神经网络结构类似:它的隐层节点采用椭球单元函数,代替了RBF网络的高斯基函数,并且用粗糙K-均值方法求取椭球基函数的中心,给出了确定初始阈值的方法。这种改进方法可以使输入空间的划分是局部作用的,而且是封闭有界的。因此改进的网络具有较好的函数逼近能力和模式识别能力。本文提出采用菱形邻域代替一般的方形邻域,可以减少待修正权重的数目;并利用实数粗糙空间的下、上近似集的精确概念划分自组织映射的输出结果,使得改进后的映射结果中各类样本点之间有明显的间隔,易于进行分类识别。接着,论文针对经典粗糙集理论只能研究量化数据的局限性建立了实域粗糙集理论。在广义近邻关系下定义了实域粗糙集的基本概念,研究了相应的性质,并提出了一种基于Beam搜索的实域粗糙集的属性约简方法。另外,本文根据实域粗糙集理论划分空间得到的全部划分子集的下、上近似集合了确定两类聚类

论文目录:

第一章 绪论

1.1 研究目的和意义

1.2 研究背景与现状

1.3 本文的主要研究内容

1.4 本文的主要创新点

第二章 经典粗糙集理论的基本概念及扩展粗糙集方法

2.1 引言

2.2 知识及知识系统

2.3 粗糙集理论的基本思想

2.4 粗糙集理论的基本概念

2.5 扩展的粗糙集模型

2.6 粗糙集理论的应用

2.7 本章小结

第三章 基于相近关系的扩展粗糙集理论及其应用

3.1 引言

3.2 基于相近关系的粗糙集扩展模型及其属性约简

3.3 基于相近关系的粗糙因子神经网络及其模式识别方法

3.4 本章小结

第四章 基于支持向量机的粗糙前馈神经网络

4.1 引言

4.2 支持向量机的概念

4.3 基于支持向量机的粗糙神经网络的原理和构造

4.4 仿真验证

4.5 本章小结

第五章 基于粗糙K-均值的椭球基函数神经网络及其模式识别应用

5.1 引言

5.2 粗糙K-均值方法选取椭球中心的改进椭球单元神经网络

5.3 应用实例

5.4 本章小结

第六章 基于实数粗糙集空间的自组织映射方法

6.1 引言

6.2 实数粗糙空间的概念

6.3 自组织映射方法的改进

6.4 基于歼击机的故障识别仿真

6.5 本章小结

第七章 实域粗糙集理论及实域粗糙中心的基函数神经网络集成方法研究

7.1 引言

7.2 实域粗糙集理论及基于BEAM 搜索的属性约简方法

7.3 实域粗糙中心的RBF 神经网络集成的方法研究

7.4 本章小结

第八章 歼击机操纵面的故障诊断仿真应用

8.1 引言

8.2 歼击机的动力学模型及故障模型描述

8.3 歼击机操纵面的故障诊断仿真研究

8.4 本章小结

第九章 总结与展望

参考文献

致谢

在学期间的研究成果及发表的学术论文

发布时间: 2006-09-05

参考文献

• [1].基于神经网络的非线性系统辨识方法研究[D]. 李鸿鹏.东北林业大学2018
• [2].基于卷积神经网络的生物医学信号分类与重构[D]. 焦志成.西安电子科技大学2018
• [3].基于神经网络和支持向量机的麦蚜发生动态预测研究[D]. 靳然.山西农业大学2017
• [4].基于忆阻的神经网络的动力学分析及应用[D]. 李若霞.东南大学2017
• [5].基于卷积神经网络的心电信号检测和分类研究[D]. 项延德.浙江大学2018
• [6].面向图像目标识别和检测的深度神经网络关键技术研究[D]. 李扬.北京邮电大学2018
• [7].基于深度学习的交互式问答技术研究[D]. 周小强.哈尔滨工业大学2017
• [8].终态神经网络及其相关应用[D]. 孔颖.浙江工业大学2017
• [9].深度模型简化：存储压缩和计算加速[D]. 李皈颖.中国科学技术大学2018
• [10].基于脉冲神经网络的纹理图像识别研究[D]. 张振敏.福建师范大学2016

相关论文

• [1].基于模式识别的柴油机故障诊断技术研究[D]. 王志华.武汉理工大学2004
• [2].基于人工神经网络的故障诊断方法在电站中的应用研究[D]. 董学育.东南大学2001
• [3].模拟电路神经网络故障诊断方法的研究[D]. 陈晓娟.吉林大学2006
• [4].小波和神经网络在模拟电路故障诊断中的应用研究[D]. 张维强.西安电子科技大学2006
• [5].基于小波和神经网络的电缆故障诊断方法研究[D]. 汪梅.西安科技大学2006
• [6].复杂非线性系统的智能故障诊断与容错控制[D]. 刘春生.南京航空航天大学2006
• [7].基于粗糙集理论的旋转机械故障诊断技术[D]. 皮骏.西北工业大学2007

标签：神经网络论文;  粗糙集理论论文;  故障诊断论文;  模式识别论文;  自组织映射论文;  椭球基函数论文;  神经网络集成论文;