论文部分内容阅读
分类是模式识别与人工智能等领域中的主要研究内容之一。随着分类问题的复杂化，如何提高分类系统的精度和效率已成为当前研究的热点。而粗糙集、神经网络与进化算法等软计算方法有机融合在一起的技术是当前智能系统研究的重要方向，同时也是解决分类问题的重要途径之一。本文主要研究了粗糙集与神经网络以及粗糙集与进化算法的结合技术，所做的研究工作和成果主要体现在以下几个方面：
1．提出了一种基于粗糙集和神经网络的分类方法RN。该方法采用神经网络作为基本的分类模型，利用基于粗糙集的属性选择方法对神经网络的输入数据进行预处理，通过摒弃对分类影响较小的属性来降低数据维数，从而减少了神经网络输入结点的个数；另一方面，RN方法采用多个神经网络组成神经网络集成进行分类，每个网络只负责识别部分类别的数据，从而减少了各个网络输出结点的个数。实验表明RN方法大大简化了神经网络的结构复杂性并加快了网络的收敛速度，从而提高了整个系统的分类性能。
2．提出了一种基于粗糙集和进化算法的分类方法RE。RE采用进化算法对数据同时进行离散化和属性约简操作，所使用的适应值度量是基于重新定义的信息熵和条件熵的一种不确定性度量。之后再对其进行值约简得到相应的分类规则。实验表明，RE方法具有较好的分类效果。
3．本文将RN和RE方法分别应用于人脸识别系统和智能变压器诊断系统，取得了良好的应用效果。