粗糙集属性约简算法在热工系统中的应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 选题背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.2.1 离散化算法研究现状 | 第10页 |
| 1.2.2 粗糙集理论研究现状 | 第10-11页 |
| 1.3 粗糙集与神经网络的结合 | 第11页 |
| 1.4 本文研究内容及结构 | 第11-13页 |
| 第2章 粗糙集基本理论及其对数据的预处理 | 第13-25页 |
| 2.1 粗糙集基本概念 | 第13-17页 |
| 2.1.1 知识与不可分辨关系 | 第13-14页 |
| 2.1.2 知识表达系统 | 第14页 |
| 2.1.3 决策规则与相容度 | 第14-15页 |
| 2.1.4 信息熵与信息论观点 | 第15-17页 |
| 2.2 基于近似决策熵的属性约简 | 第17-22页 |
| 2.2.1 常见的属性约简算法 | 第17-18页 |
| 2.2.2 基于近似决策熵的属性约简 | 第18-22页 |
| 2.3 连续属性的离散化 | 第22-24页 |
| 2.3.1 标准k-means聚类算法存在的问题 | 第22页 |
| 2.3.2 改进k-means聚类算法 | 第22-23页 |
| 2.3.3 改进的惩罚参数确定方法 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 粗糙集与神经网络的结合 | 第25-31页 |
| 3.1 BP神经网络简介 | 第25-27页 |
| 3.2 粗糙集与神经网络的结合 | 第27-29页 |
| 3.2.1 粗糙集与神经网络结合的方式 | 第28页 |
| 3.2.2 粗糙集与神经网络结合的优点 | 第28-29页 |
| 3.3 粗糙集与神经网络结合步骤 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第4章 粗糙集属性约简算法在热工系统建模中的应用 | 第31-45页 |
| 4.1 引言 | 第31页 |
| 4.2 主汽温系统建模 | 第31-40页 |
| 4.2.1 数据选取 | 第31-32页 |
| 4.2.2 连续属性数据离散化 | 第32-35页 |
| 4.2.3 数据属性约简 | 第35-36页 |
| 4.2.4 构造BP网络结构 | 第36-37页 |
| 4.2.5 仿真实验 | 第37-40页 |
| 4.3 锅炉NO_x排放浓度建模 | 第40-44页 |
| 4.3.1 数据选取 | 第40-41页 |
| 4.3.2 连续属性数据离散化 | 第41-43页 |
| 4.3.3 粗糙集与神经网络的结合 | 第43页 |
| 4.3.4 仿真试验 | 第43-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 粗糙集属性约简在热工系统故障分类中的应用 | 第45-52页 |
| 5.1 引言 | 第45页 |
| 5.2 汽轮机振动故障信息系统介绍 | 第45-47页 |
| 5.3 基于粗糙集和神经网络的故障分类 | 第47-51页 |
| 5.3.1 连续属性数据离散化 | 第47页 |
| 5.3.2 样本数据属性约简 | 第47-48页 |
| 5.3.3 故障分类结果及分析 | 第48-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第6章 结论与展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 附录 锅炉NO_x排放浓度部分特性数据 | 第57-58页 |
| 攻读硕士学位期间发表的论文及科研工作 | 第58-59页 |
| 致谢 | 第59页 |
