论文部分内容阅读
摘要：现今数据分析邻域面临的大规模、多属性、混合型数据集较为普遍，对分析算法提出了较高的要求。粗糙集算法能在大量特征属性中筛选出重要属性，可以用于优化神经网络的输入数据，能够降低运算难度，提高算法性能。
关键词：粗糙集;神经网络;属性约简
在处理属性多、属性为混合型的数据时，要求选用的数据分析方法要有着能够筛选属性与处理混合型属性的优点，而1982年被Pawlak教授提出的粗糙集理论，在被深化研究发展后，已广泛的应用于属性约简、知识获得、分类器设计等方面，比较适合在繁杂的属性集之中筛选出影响决策的关键属性。但传统的粗糙集理论只能用来处理分类型数据，即数据本身为离散型的，对待连续的数值型数据，一般采用离散化的方法将数据转化为离散型，但转化过程中不可避免的损失数据信息，影响数据分析结果。为此研究人员引入邻域粗糙集某型来进行混合型属性的数据集的属性约简，邻域粗糙集的属性约简算法一般采用前向贪心搜索的策略，通过计算全局属性的重要度，测试属性加入候选集合对结果带来的影响，依次判断最优集合，这种算法能够大大降低邻域粗糙集属性约简的计算复杂度，使该方法的应用更广泛。
在航材专业内对于粗糙集方法的应用早有先例，例如利用超平面或超曲面的间接连续属性离散化的方法对数据进行离散化后进行属性约简，对飞机故障情况进行认定，设计自修复飞行控制效能评估系统与建立飞机备件需求量的相关研究 。如针对航材的混合型属性，提出采用Gower距离与PAM聚类算法对器材进行聚类，对每一类进行分析，用粗糙集对数据进行离散化从而建立的启发式航材订货模型使用粒子群优化算法求解不同区间的权重最优值，有着不依赖与保障人员主观经验、智能确定订购计划摆脱繁琐工作的优点。也有采用粗糙集对航材的混合属性集进行约简，筛选出影响航材储存品种的关键属性，从已有经验中提取规则，结果可以用来判断航材是否需要进行储备，有比较高的准确度，但相关属性较为抽象 。
粗糙集与神经网络相结合的方法在各领域中一直是专家学者研究的方向之一，也是近年来的热点问题。如在大型系统中的故障预警，如电信设备之中，用粗糙集对数据进行属性约简大幅度减少输入层神经元节点个数，优化算法结构，提高设备故障与经诊断的效率与准确率，通过算例与传统的BP神经网络计算结果进行对比，经粗糙集属性约简优化的神经网络在预测的准确性和运算速度方面都有着绝对的优势 。也可以采用遗传算法对粗糙集属性约简过程和神经网络模型计算过程进行优化，凭借遗传算法全局寻优的特点能够避免模型计算陷入局部极值点，提高运算的准确率 。相似的方法也可用于对大型医疗设备的故障预警之中，可以提前预测故障发生，为医护人员与维修工程师提供决策支持，降低不良影响 。在预测方面，通过层次分析法初步建立属性体系，再用粗糙集进行属性约简，将结果带入神经网络，能大大提高预测的准确程度，避免无关因素的干扰，在预测在途车辆运行风险 、宿舍楼内短期用电量 、大学生能否顺利完成学业 、短期风速预测 等方面都有着一定的应用。由于预测方面的需求，算法所处理的往往是动态数据，可以采用Elman神经网络，相比较于传统的静态前向反馈神经网络如BP神经网络，Elman神经网络多了一层关联层，有更强的动态处理能力，并更适合与时间序列相结合建立预测模型。粗糙集与神经网络相结合还能够用来进行评价，如对地铁施工风险建立评价模型 ，选用更加适用于小样本数据的REF神经网络，在系统集成中可以考虑与BP神经网络进行互补。在電信企业，可以用该方法对用户是否存在流失风险进行建模评级 。也可以用来对小麦品种进行分类 ，若数据集符合要求可以建立双隐含层的神经网络提高分类的准确率。在生产企业中，该方法可以为服务商的选择和安全库存量的确定提供依据 。在区域性的企业管理中也有一定的应用前景 ，如对区域内企业的绿色发展数据进行分析，对企业进行评级，便于管理。该方向同样也是国外学者的研究热点，今年成果如粗糙集优化的小波神经网络来评估室内空气质量 ，粗糙集优化的模糊神经网络预测大型离心压缩机叶片寿命 ，粗糙集优化神经网络用于提取分类规则 ，粗糙集优化神经网络对柴油机故障的预测 ，粗糙集优化的模糊小波神经网络对电力变压器故障诊断的研究等等。
参考文献：
[1]张宁.基于邻域粗糙集的属性约简算法研究[D].湖南大学，2017.
[2]安若铭，索明亮.邻域粗糙集在属性约简及权重计算中的应用[J].计算机工程与应用，2016，52（07）：160-165.
[3]何亚群.基于粗糙集的智能决策理论与应用研究[D].南京航空航天大学，2005.
[4]周家萱，徐常凯.基于粗糙集全局离散和粒子群算法的启发式航材订货模型[J].空军工程大学学报（自然科学版），2019，20（04）：33-38.
[5]韩俊骞，何亚群，李继军.基于混合属性值的航材库存品种确定方法[J].数学的实践与认识，2019，49（19）：139-144.
[6]韩玉，张作刚，张海军.基于粗糙集和神经网络的舰载直升机航材消耗预测研究[J].舰船电子工程，2017，37（09）：96-99.
[7]万玉成，王科，袁文君.基于粗糙集理论的航材可修件报废决策分析[J].战术导弹技术，2010（01）：63-66+103.
[8]徐立坤，李建路.基于粗糙集改进的BP神经网络设备故障预警研究[J].计算机与数字工程，2020，48（07）：1710-1714.
[9]陈艳，王琪，王佳庆，蒋佳旺，李林献.粗糙神经网络数据挖掘技术在大型医疗设备故障预警中的应用研究[J].
[10]吴佳懋，李艳，符一健.基于粗糙集-混沌时间序列Elman神经网络的短期用电量预测[J].电力系统保护与控制，2019，47（03）：23-30.
[11]王常红.基于Rough集的教学预警模型[D].武汉科技大学，2013.
[12]尹东阳，盛义发，蒋明洁，李永胜，谢曲天.基于粗糙集理论-主成分分析的Elman神经网络短期风速预测[J].电力系统保护与控制，2014，42（11）：46-51.
[13]孙斐，赵金先，孟玮，蒋克洁.粗糙集-RBF神经网络的青岛地铁施工风险评价模型研究[J].青岛理工大学学报，2020，41（04）：9-16.
作者简介：任宇轩;男;1996年10月;吉林白城;汉;本科;硕士研究生;控制科学与技术
关键词：粗糙集;神经网络;属性约简
在处理属性多、属性为混合型的数据时，要求选用的数据分析方法要有着能够筛选属性与处理混合型属性的优点，而1982年被Pawlak教授提出的粗糙集理论，在被深化研究发展后，已广泛的应用于属性约简、知识获得、分类器设计等方面，比较适合在繁杂的属性集之中筛选出影响决策的关键属性。但传统的粗糙集理论只能用来处理分类型数据，即数据本身为离散型的，对待连续的数值型数据，一般采用离散化的方法将数据转化为离散型，但转化过程中不可避免的损失数据信息，影响数据分析结果。为此研究人员引入邻域粗糙集某型来进行混合型属性的数据集的属性约简，邻域粗糙集的属性约简算法一般采用前向贪心搜索的策略，通过计算全局属性的重要度，测试属性加入候选集合对结果带来的影响，依次判断最优集合，这种算法能够大大降低邻域粗糙集属性约简的计算复杂度，使该方法的应用更广泛。
在航材专业内对于粗糙集方法的应用早有先例，例如利用超平面或超曲面的间接连续属性离散化的方法对数据进行离散化后进行属性约简，对飞机故障情况进行认定，设计自修复飞行控制效能评估系统与建立飞机备件需求量的相关研究 。如针对航材的混合型属性，提出采用Gower距离与PAM聚类算法对器材进行聚类，对每一类进行分析，用粗糙集对数据进行离散化从而建立的启发式航材订货模型使用粒子群优化算法求解不同区间的权重最优值，有着不依赖与保障人员主观经验、智能确定订购计划摆脱繁琐工作的优点。也有采用粗糙集对航材的混合属性集进行约简，筛选出影响航材储存品种的关键属性，从已有经验中提取规则，结果可以用来判断航材是否需要进行储备，有比较高的准确度，但相关属性较为抽象 。
粗糙集与神经网络相结合的方法在各领域中一直是专家学者研究的方向之一，也是近年来的热点问题。如在大型系统中的故障预警，如电信设备之中，用粗糙集对数据进行属性约简大幅度减少输入层神经元节点个数，优化算法结构，提高设备故障与经诊断的效率与准确率，通过算例与传统的BP神经网络计算结果进行对比，经粗糙集属性约简优化的神经网络在预测的准确性和运算速度方面都有着绝对的优势 。也可以采用遗传算法对粗糙集属性约简过程和神经网络模型计算过程进行优化，凭借遗传算法全局寻优的特点能够避免模型计算陷入局部极值点，提高运算的准确率 。相似的方法也可用于对大型医疗设备的故障预警之中，可以提前预测故障发生，为医护人员与维修工程师提供决策支持，降低不良影响 。在预测方面，通过层次分析法初步建立属性体系，再用粗糙集进行属性约简，将结果带入神经网络，能大大提高预测的准确程度，避免无关因素的干扰，在预测在途车辆运行风险 、宿舍楼内短期用电量 、大学生能否顺利完成学业 、短期风速预测 等方面都有着一定的应用。由于预测方面的需求，算法所处理的往往是动态数据，可以采用Elman神经网络，相比较于传统的静态前向反馈神经网络如BP神经网络，Elman神经网络多了一层关联层，有更强的动态处理能力，并更适合与时间序列相结合建立预测模型。粗糙集与神经网络相结合还能够用来进行评价，如对地铁施工风险建立评价模型 ，选用更加适用于小样本数据的REF神经网络，在系统集成中可以考虑与BP神经网络进行互补。在電信企业，可以用该方法对用户是否存在流失风险进行建模评级 。也可以用来对小麦品种进行分类 ，若数据集符合要求可以建立双隐含层的神经网络提高分类的准确率。在生产企业中，该方法可以为服务商的选择和安全库存量的确定提供依据 。在区域性的企业管理中也有一定的应用前景 ，如对区域内企业的绿色发展数据进行分析，对企业进行评级，便于管理。该方向同样也是国外学者的研究热点，今年成果如粗糙集优化的小波神经网络来评估室内空气质量 ，粗糙集优化的模糊神经网络预测大型离心压缩机叶片寿命 ，粗糙集优化神经网络用于提取分类规则 ，粗糙集优化神经网络对柴油机故障的预测 ，粗糙集优化的模糊小波神经网络对电力变压器故障诊断的研究等等。
参考文献：
[1]张宁.基于邻域粗糙集的属性约简算法研究[D].湖南大学，2017.
[2]安若铭，索明亮.邻域粗糙集在属性约简及权重计算中的应用[J].计算机工程与应用，2016，52（07）：160-165.
[3]何亚群.基于粗糙集的智能决策理论与应用研究[D].南京航空航天大学，2005.
[4]周家萱，徐常凯.基于粗糙集全局离散和粒子群算法的启发式航材订货模型[J].空军工程大学学报（自然科学版），2019，20（04）：33-38.
[5]韩俊骞，何亚群，李继军.基于混合属性值的航材库存品种确定方法[J].数学的实践与认识，2019，49（19）：139-144.
[6]韩玉，张作刚，张海军.基于粗糙集和神经网络的舰载直升机航材消耗预测研究[J].舰船电子工程，2017，37（09）：96-99.
[7]万玉成，王科，袁文君.基于粗糙集理论的航材可修件报废决策分析[J].战术导弹技术，2010（01）：63-66+103.
[8]徐立坤，李建路.基于粗糙集改进的BP神经网络设备故障预警研究[J].计算机与数字工程，2020，48（07）：1710-1714.
[9]陈艳，王琪，王佳庆，蒋佳旺，李林献.粗糙神经网络数据挖掘技术在大型医疗设备故障预警中的应用研究[J].
[10]吴佳懋，李艳，符一健.基于粗糙集-混沌时间序列Elman神经网络的短期用电量预测[J].电力系统保护与控制，2019，47（03）：23-30.
[11]王常红.基于Rough集的教学预警模型[D].武汉科技大学，2013.
[12]尹东阳，盛义发，蒋明洁，李永胜，谢曲天.基于粗糙集理论-主成分分析的Elman神经网络短期风速预测[J].电力系统保护与控制，2014，42（11）：46-51.
[13]孙斐，赵金先，孟玮，蒋克洁.粗糙集-RBF神经网络的青岛地铁施工风险评价模型研究[J].青岛理工大学学报，2020，41（04）：9-16.
作者简介：任宇轩;男;1996年10月;吉林白城;汉;本科;硕士研究生;控制科学与技术