一、连续量信息表决策值的离散化方法（论文文献综述）
刘海晓[1]（2018）在《基于CAN-BUS数据和粗糙集的公交车辆关键故障信息研究》文中研究指明随着首都公交车数量和运营里程不断增加,公交车辆高负荷的运行导致故障问题频现,出现故障后会影响正常交通秩序,所以分析公交车辆关键故障信息,科学地监测公交车健康状态是十分必要的。但是公交运行数据具有多样性、容量大、形式复杂的特点,传统地数据分析方法不能有效地分析解决问题。当公交车出现故障时,CAN-BUS（控制器局域网总线技术中文名）系统中的参数状态会发生相应变化。从CAN-BUS系统的众多参数中找出发生故障时的关键信息,可以提高公交车辆维修保养效率,进而提升公交运营水平。本文首先对CAN-BUS系统数据进行处理,包括数据清洗、数据导入和故障时间点判断;其次分析各种常见离散化算法,并结合各个离散化算法的优缺点与本文所用数据特点,最终选择基于布尔逻辑算法的属性离散化方法对公交车的连续属性值进行离散化操作;再次针对启发式搜索等约简算法存在着计算复杂度高的问题,提出基于遗传算法的属性约简算法对属性进行约简,该算法是基于粗糙集的基本原理,将条件属性与决策属性间的依赖度设置为优化目标,设置编码方式,利用基于遗传算法属性约简算法筛选条件属性。最后针对基于遗传算法属性约简算法计算结果不稳定且有可能陷入局部最优的问题,提出了基于元胞遗传算法属性约简算法进行属性约简,运用所设计的算法对CAN-BUS系统的实际车辆数据进行约简,并从算法的效率、稳定性、收敛质量和规则匹配度几个方面对两种算法进行了比较。通过本文算法的属性约简,得出公交车辆的关键故障信息为仪表车速、机油压力、扭矩百分比、顺时发动机转速、冷却液温度。进一步研究发现:基于元胞遗传算法属性约简算法相比于基于遗传算法的属性约简算法在算法效率、稳定性、收敛质量方面的适用性更高。尽管基于遗传算法的属性约简算法在规则匹配度方面略优于基于元胞遗传算法的属性约简算法,但是在可以接受的匹配度范围内,基于元胞遗传算法的属性约简算法的挖掘信息的能力更强。最后,论文用Java语言结合百度Echarts插件进行了公交车辆关键故障信息的实时展示、不同时段均值的展示、以公交月、车型和线路为查询条件的均值实时展示。在公交车运营中可以通过重点监测这些参数的实时变化,快速发现和解决车辆故障问题。
苏跃斌[2]（2017）在《基于粗糙集理论的高速道岔损伤识别研究》文中研究指明高速铁路道岔是铁路轨道线路中的基本连接设备。与基本轨相比,道岔的种类繁多且结构复杂。在道岔的运行过程中,轮对通过轨道时产生的冲击作用以及其它各种外部因素的共同作用易使得道岔轨道产生诸如形变、剥落掉块、裂纹甚至断裂等损伤现象。这些损伤会对通过道岔的高速列车的稳定性产生不良影响,严重时甚至影响列车的安全运行。因此,开展高速铁路道岔的损伤监测研究对于及时、精准地维护与检修道岔,保障列车安全运行具有重要作用。列车过岔时,由轮轨相互作用所产生的振动响应信号包含了道岔当前运行状态的重要信息,利用传感器采集振动响应信号是道岔监测的重要手段。然而,列车过岔时所采集的振动响应信号通常是成分复杂的非平稳信号。经验模态分解虽然能够将非平稳的时变信号自适应的分解到时频平面上的不同频段上,展现信号在时域与频域上的特征,但由于高速道岔结构复杂,伤损机理、方式、位置变化多样,如何识别并精准判断高速道岔的损伤,仍然是各国专家不懈努力的热点问题。粗糙集理论是一种能够有效地从数据中分析并发掘隐含知识的数据分析理论,对优化结构损伤特征参量集,选取对损伤工况敏感的损伤特征参量集有着重要作用。神经网络是模式识别问题中一类重要的非线性建模工具,广泛应用于结构损伤识别问题的研究。但是粗糙集理论与神经网络仍然存在不足,例如经典粗糙集理论只能处理符号型数据,基于粗糙集属性约简的决策规则泛化能力不足,而神经网络部分参数设定困难。针对这些问题,本文在深入研究粗糙集理论的基础上,采用经验模态分解理论对道岔的随机响应信号进行分析处理,结合粗糙集理论和RBF神经网络的建模方法,研究基于振动信号的高速道岔的智能损伤识别。主要工作及成果包括:（1）提出了基于IMF能量奇异熵的高速道岔损伤特征提取方法。首先分析并对比了当前常用高速道岔钢轨无损检测方法的优点以及缺点,给出了基于振动响应信号的试验方法。基于EEMD理论,分析了IMF分量与模态响应之间关系,提取实测高速道岔振动信号的能量比特征、奇异熵特征以及能量奇异熵特征。对比计算表明基于IMF的能量奇异熵特征提取方法的与其它两种方法区分能力相差不大,但稳定性要高于前两者。通过对实测信号添加不同强度的高斯白噪声并提取相应特征参量,验证了该方法对噪声的鲁棒性。（2）提出了基于粗糙集的高速道岔损伤特征的离散化方法。针对粗糙集理论研究中连续属性离散化问题,论文分析了几种常见的离散化方法的特点。以改进的Naive Scale算法为基础,提出了一种基于正域的全局离散化方法。应用改进后的全局离散化方法对两种试验环境下高速道岔损伤特征进行了离散化。（3）提出了基于粗糙集属性约简理论的高速道岔损伤特征选择与优化方法。论文分析了两类常见粗糙集属性约简中存在的不足,提出了基于幂图的非一致性决策表的约简方法,解决了基于差别矩阵的属性约简方法不适用于非一致决策表的问题;利用正域概念提出了一个满足等价性的适应度函数,解决了基于随机优化算法的属性约简方法的适应度函数不满足等价性的问题;提出了一种解空间划分方法,解决了基于随机优化算法的属性约简问题中重复迭代的问题。在上述改进基础上,对高速道岔损伤试验中每个测点的离散化损伤决策表进行属性约简并提取了相应的极小属性约简集,依据每个测点的最小约简集组成一个大的决策表并进行属性约简,提取了相应决策规则。该方法不需要对结构进行动力学分析,直接依据振动信号建立损伤决策模型。（4）提出了一种基于粗糙集和RBF神经网络的高速道岔损伤识别方法。该方法首先对高速道岔的能量奇异熵特征进行了离散化处理,然后基于粗糙集属性约简进行了规则提取,获取了初始决策模式集,确立聚类算法的中心数量以及初始聚类中心位置,最后RBF神经网络隐层中心的初始位置由改进的粗糙k-均值算法确定,并且采用人工鱼群算法对RBF神经网络的权值进行了优化。该方法充分结合了粗糙集理论、粗糙k-聚类算法与RBF神经网络的优点,具有较强的自适应性。高速道岔的试验结果表明由该方法设计的RBF网络结构简洁,泛化性能良好,能够在一定程度上提高高速道岔损伤识别效率,为非平稳信号分类问题提供了一种较为通用的解决方案。
侯婷[3]（2017）在《混凝土拱坝裂缝成因分析与规则提取算法研究》文中提出混凝土坝的病害其中最常见的就是裂缝,在国内外已经建设完成的或者正在建设的混凝土坝中,或多或少存在着各种类型的裂缝。为防控大坝裂缝的产生和发展,在坝体中埋设了大量的监测仪器,而每一类监测仪器有几十个或者上百个监测点,常常积累了海量的监测数据。若用传统的分析方法逐点的建模分析,工作量大、计算时间长,且无法全面分析和了解大量物理量之间的相互关系,难以达到海量数据处理的需求。数据挖掘方法可以从海量数据中高效地提取出有用的信息,自动挖掘隐藏于海量的、随机的、模糊的、有噪声的、不完全的数据中的有用知识,是大数据的时代的主要分析手段之一。随着信息技术的发展,数据挖掘技术在大坝监测资料分析中不断的得以应用。本文采用数据挖掘方法,结合某混凝土大坝的监测资料,通过粗集分析、模糊聚类、决策树技术,融合方法中的优点形成新的算法,对混凝土坝运行期间裂缝成因及规则提取的相关分析算法进行了深入研究,得到的主要研究成果和结论如下:（1）研究了有监督（基于属性重要性）和无监督（基于模糊C-均值聚类）的离散化算法,编制了相应的离散化程序,通过对监测资料序列进行离散化计算,对比分析两种算法的优劣和适应范围。实例分析表明,模糊C-均值聚类算法收敛速度快,能充分考虑条件属性之间以及条件属性与决策属性间的相关性,对海量数据处理效率更高,效果更好。（2）基于粗集一模糊C-均值聚类法,构造大坝病害信息表,建立了混凝土大坝结构裂缝病害挖掘模型,进行裂缝影响因素挖掘和提取,开发了 Matlab粗集分析计算程序。通过实例验证,对某混凝土坝裂缝影响因素进行分析,得到影响结构裂缝演变的主要影响因素,其计算结果与资料分析的结论一致。（3）对于规则提取,在属性约简集合的基础上引入粗糙集的可信度和支持度的概念生成决策树,提取规则,并引入决策规则评价中可信度、支持度和覆盖度的概念对提取的规则进行筛选,获得精简规则集,建立了基于粗集和决策树提取裂缝开度变化规律分析的新算法。通过实例分析,得到某大坝裂缝演变的精简规则集:低温低水位是裂缝开度变化的最不利组合,低温裂缝开度大,低水位裂缝开度大,影响因子温度对裂缝的影响最大,该与资料分析报告的结论相吻合,验证了规则提取新算法的有效性,且较其他算法具有高泛化能力、高推理效率、不受主观因素控制和算法精简的优越性。可用于大坝病害成因挖掘和规则提取。（4）创建了混凝土拱坝裂缝成因分析与规则提取生成系统,实现算法可视化,完成了系统的主体框架、主界面以及部分模块计算程序的设计。
赵雪莲[4]（2014）在《量化属性离散化算法研究》文中指出伴随着数据挖掘、机器学习算法及模式识别技术的广泛应用，连续数据离散化技术取得了突破性的进展。属性离散化算法有许多的分类，其中基于粗糙集理论的决策表离散化方法是离散化结果质量较高的方法之一。论文通过对决策表离散化的深入分析研究，针对现有的离散化算法中存在的缺陷及不足，提出了一种改进的决策表离散化算法。该离散化算法中有两大组成部分：一是候选断点选择策略；二是结果断点选择策略及基于该策略的属性离散化算法。其中候选断点选择策略，相比传统的无监督候选断点选取方式，提出了一种基于类属性以及属性重要度的新的候选断点选择策略。另外，针对离散化算法第二部分中的结果断点选择策略，提出了断点选择概率的概念来替代传统算法中断点重要性的计算。理论分析及实验结果表明，新的候选断点选择策略大大缩减了断点集的规模。另外，基于该候选断点集的改进的贪心算法产生了较好的离散化结果，有效地提高了分类器的预测精度。现有的离散化算法大部分都是针对单个连续属性。然而，单属性离散化中往往只把属性的分类错误数作为唯一的离散化评价标准。针对这一不足，论文中提出了基于MDLP的单属性离散化策略，充分反映了相邻区间对中的信息。另外，通过区间相对类属性的重要性这一概念来有效捕捉属性间的相互关系。基于单属性与多属性离散化标准的研究，总结出了一种新的相邻区间对合并标准的评价方法，并基于此方法提出了一种自底向上的属性离散化算法。该算法首先对整个数据集中所有的相邻区间对进行评价，然后再针对单个属性的相邻区间对进行评价，从而保证得到最合理的合并区间。实验结果表明，该算法产生了较好的离散化结果并显着提高了na ve贝叶斯及SVM分类器的预测精度。
尹林子[5]（2013）在《不一致决策表数据处理方法研究》文中认为摘要粗糙集是一种处理不确定性信息的数学工具,通过求核属性集、属性约简以及规则提取等步骤,从原始数据集中提取有效的知识。然而,在不一致决策表数据处理过程中,粗糙集处理方法面临着不一致决策表核属性集的不一致问题,不一致决策表的多种处理流程在实际应用中的选择问题,以及最小约简计算的NP难题等问题的困扰。为克服上述问题对处理性能的影响,本文研究相关的解决策略,以提供一套较为系统的不一致决策表数据处理方法。主要研究工作和创新性成果如下：1,针对不一致决策表中核属性集计算方法多且结论不一致所导致的难以判断全部有效核集的问题,提出基于信息粒划分的核属性集有效性判断方法,并计算所有有效的核属性集。首先,基于经典Pawlak模型分析不一致决策表信息粒的信息类型,并定义信息粒划分的概念描述不一致决策表中的有效信息,在此基础上,证实任一不一致决策表仅存在三类有效的信息粒划分。最后,针对三类信息粒划分提出基于可辨识矩阵的核属性集算法有效性判断方法,并计算所有有效的核属性集。2,针对不一致决策表多种处理流程共存,造成应用中难以正确选择处理流程的问题,基于信息粒划分构建不一致决策表数据处理框架,并提出一种直观的计算流程选择策略。首先,定义与三类信息粒划分对应的规则类型,建立信息粒划分、可辨识矩阵以及规则类型之间的映射关系,在此基础上,提出基于规则类型的不一致决策表数据计算流程选择策略,建立不一致决策表数据处理框架,确保计算结果中的核属性集、约简以及规则集均包含用户感兴趣的知识。3,针对启发式算法难以获得最小约简的问题,提出属性排斥矩阵,优化传统启发式属性约简算法的性能。首先,研究最小约简约束下属性之间的排斥特征,提出满足最小约简必要条件的属性排斥矩阵,设计对应的最小约简属性启发策略。在此基础上,分别结合典型加法类与减法类启发式约简算法,提出两种基于属性排斥矩阵的启发式属性约简算法。UCI标准数据集测试表明,属性排斥矩阵包含丰富的最小约简启发信息,能全面提高启发式属性约简算法的性能。4,提出基于属性关联的启发式最小约简计算算法。首先,在属性排斥特征研究的基础上,进一步分析最小约简集属性之间的吸引特征（与属性排斥特征一起统称为属性关联性质）,并定义基于属性关联的属性重要度计算指数。在此基础上,提出基于该重要度的启发式属性约简算法。该算法采取兼顾单个属性的辨识能力以及属性之间关联的约简策略,提高最小约简获得概率。5,针对现有启发策略难以估计启发有效性的问题,提出了可信度高且可信度可以估计的属性启发策略。首先,基于属性排斥特征,提出对应的启发策略,建立其可信度模型；在此基础上,提出属性互斥特征及其对应的启发策略,并建立对应的可信度模型。最后,以可信度为依据,提出综合的可信度高且可信度可以估计的最小约简启发策略,并给出了具体的算法。UCI标准数据集实验测试表明,可信度模型有效且该策略具有较高的最小约简可信度。6,针对传统粗糙集数据处理过程面临的最优离散化以及属性约简的NP难题,提出利用规则约简代替属性约简的规则分层约简算法。一方面,提出基于单个属性下近似的分层规则提取方法,研究与分层规则约简相关的聚类策略实现规则约简,直接获得简化分层规则集。另一方面,在规则约简的基础上,基于聚类约束,实现不同离散化区间的相同编码,形成等价决策表,优化了传统粗糙集数据处理方法的计算性能。
卢鹏,王锡淮,肖健梅[6]（2012）在《连续属性决策表离散化的图论方法》文中研究说明通过研究粗糙集与图论的关系,提出了以集合为权的加权多重完全多部图的概念,得到了加权完全多部图与连续属性决策表的映射关系,给出了断点重要性和断点效率的一种新的量化定义并得到了相关性质;提出了连续属性决策表信息系统的图论形式和连续属性决策表离散化的图论方法。编程实验结果证明,应用此方法可以确保在离散化后决策表相容的前提下得到无剩余属性值的较小的断点集合。
汤义强[7]（2011）在《结合粗集的数据分析方法及应用研究》文中研究指明上世纪80年代,Z.Pawlak提出了粗集这一不确定数据分析方法,进一步补充了概率论、证据理论、模糊集理论等不确定数据分析理论。经历近30年的发展,粗集模型已被广泛应用于许多领域。它的优点在于其能够评估数据之间的依赖关系,而无需任何的先验信息。目前,粗集理论已成为智能信息处理领域的重要数学工具之一。大量已发表的文献表明,数据约简与规则发现是粗集理论及应用研究中的重要内容。利用数据约简删除不相关或冗余数据有时会有助于数据分析效率的提高。近年来,随着粗集理论与应用研究的深入,结合粗集的多方法融合研究也逐渐引起了人们的重视。本文首先概述了粗集理论的背景以及粗集的理论基础。选择了数据分析中的连续属性的离散化、多属性决策中的权重确定以及支持向量机回归预测问题,在借鉴前人研究经验的基础上,将粗集理论方法结合运用于上述问题,主要完成以下工作：（1）分析了SOM神经网络聚类算法的流程。将自组织特征映射神经网络（SOM）与粗糙集理论中决策表不相容度的反馈信息结合,应用于信息系统或决策表中连续属性的离散化。给出一种基于动态SOM聚类的连续属性离散化方法。该算法不仅可以处理一致决策表还可以处理不一致决策表。数据实验表明：与其他已有的几种连续属性离散化方法相比,本文提出的方法具有一定的优点。（2）结合王国胤等提出的粗糙集模糊度的基础上,给出一种属性权重的定义。将其与TOPSIS方法融合,提出融合粗集属性约简和模糊度赋权的TOPSIS方法,并推广到多属性群决策方法中。算例说明了该方法的简便易行,有一定的应用价值。（3）将粗糙集理论与SVM融合,研究了结合粗糙集属性约简的支持向量回归机（RSSVR）在我国电力供应量回归分析和预测中的性能。实例研究表明：将粗糙集预处理作为SVR的前置模块,对原始数据有一定的精简作用,提取了部分主要属性,在一定程度上提高了SVR的预测精度。
高赟[8]（2011）在《连续量决策信息表的离散化问题研究》文中进行了进一步梳理在粗糙集理论中,知识是以表格的形式表达的。当用粗糙集算法从连续量决策信息表中提取规则时,首先要对其进行离散化处理。针对连续量决策信息表离散化过程中存在的问题,本文中提出了2个定理并进行了证明。定理表明:在考虑决策信息表中属性值之间不可分关系的条件下,若决策信息表的值发生变化,则离散化结果必然发生变化。所以由单一样本构成的连续量决策信息表所得到的离散化结果不能用于实际的连续量系统中。
段堪丽[9]（2010）在《粗糙PID控制器的研究》文中提出PID控制是最早发展起来的控制策略之一,由于其算法简单、鲁棒性好、可靠性高等优点,至今仍广泛应用于工业过程控制中。但是,PID控制的缺点是不适用于有大滞后、时变、非线性的控制对象。粗糙集理论作为一种知识发现和数据分析的新方法,可以处理不精确、不一致与不完整等各种不完备的数据,利用它可以从数据中获取有用的知识。利用粗糙集理论可以从数据集中提取规则集,不需要先验信息等优点设计的粗糙控制器已经应用于工业控制中。然而,粗糙控制往往不够精细,影响了它的实际应用。针对以上问题的存在,本文将粗糙控制和PID控制的优点相结合研究一种基于粗糙集理论和PID控制的控制器,一方面可以改善粗糙集控制的缺陷,另一方面可以弥补PID控制对复杂对象控制的不足。本文介绍了智能PID控制和粗糙控制的概念、特点及其发展现状;接着介绍了基于粗糙集理论的知识获取方法、PID控制及其参数整定算法;基于上述知识,研究粗糙PID控制器的设计方法。设计关键是如何从PID控制行为的数据样本中提取相应的决策表（规则集）。具体设计思路为:应用外部测试信号激励系统来获取数据;应用粗糙集理论从输入输出数据中通过学习构建比例控制规则库和积分控制规则库并通过两个参数联系起来形成粗糙PID控制规则库;设计基于规则的控制器对被控对象进行控制。将PID控制、粗糙控制、粗糙PID控制通过EFPT型过程控制实验装置构建的单容水箱系统进行实际的液位控制实验,并用研华工控机IPC-610和PCL-812PG采集卡对系统通信和编程,实现对系统中的液位的自动控制。通过试验结果表明,与PID控制器和粗糙控制器相比,粗糙PID控制器获得了较好的运行效果。
栾爽[10]（2010）在《基于粗糙集理论的唐家山堰塞湖泄洪问题建模与分析》文中进行了进一步梳理本文对唐家山堰塞湖泄洪问题用粗糙集理论进行了建模与分析。唐家山堰塞湖泄洪问题的数据来源于当时每天的新闻报道,因此这些数据具有杂、乱、多的特性,需要对这些数据进行预处理。本文首先对这些数据进行了去噪声和离散化处理,然后用追溯算法将各数据间的时间联系去掉,使之由时态决策信息系统转换成了决策信息系统,且该决策信息系统随着每天数据的增加而更新。属性约简是粗糙集理论研究的核心内容之一,基于因对象增加而要更新的信息系统独有的特点,增量式属性约简算法应运而生。大部分增量式属性约简算法都是对辨识矩阵进行改进来提高约简效率;本文结合唐家山堰塞湖泄洪问题实际,分别给出单增量式属性约简算法和多增量式属性约简算法,这两种算法都是在原系统的划分辨识集上进行改进,从而能够更快更准确的找到新系统的划分辨识集;本文用唐家山堰塞湖泄洪问题为例,分别用这两种算法跟基于区分矩阵的约简算法进行对比,发现用区分矩阵约简需要操作98次才能够得到辨识矩阵,而用单增量属性约简只需要操作24次就能得到划分辨识集;同样,多增量式属性约简也能大大降低算法复杂度。经典的粗糙集理论是基于不可分辨关系的,用这种理论建立的模型缺乏对噪声数据的适应能力,而且对数据丢失问题也不能够很好的解决。本文在用经典的粗糙集理论对唐家山堰塞湖泄洪问题进行建模时,人为添加了几个合理约束条件才求出结果,这样求得的结果显然是没有太大说服力的;对此,本文将模型进行改进,给出基于相近—优势关系粗糙集理论,该理论是分别对相近关系粗糙集理论和优势关系粗糙集理论的改进。通过验证,用该理论解决唐家山堰塞湖泄洪问题时,得到的决策更加准确,决策规则对新添对象的覆盖度更高,且该理论不仅能够很好的应用于唐家山堰塞湖泄洪问题,而且能够应用于其他已知决策很少未知决策很多的相关问题。结论部分对本课题的研究作了总结,并对粗糙集理论在泄洪领域中的崭新应用提出展望。
二、连续量信息表决策值的离散化方法（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、连续量信息表决策值的离散化方法（论文提纲范文）
（1）基于CAN-BUS数据和粗糙集的公交车辆关键故障信息研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1. 绪论 |
| 1.1. 研究背景及研究意义 |
| 1.1.1. 研究背景 |
| 1.1.2. 研究意义 |
| 1.2. 文献综述 |
| 1.2.1. 国外研究粗糙集在故障分析中的应用现状 |
| 1.2.2. 国内研究粗糙集在故障分析中的应用现状 |
| 1.2.3. 国内外文献研究评述 |
| 1.3. 研究结构框架和创新点 |
| 1.3.1. 研究结构框架 |
| 1.3.2. 本文创新点 |
| 1.4. 研究方法和技术路线 |
| 2. 相关理论基础 |
| 2.1. 粗糙集理论 |
| 2.1.1. 粗糙集理论的特点 |
| 2.1.2. 决策表的构建 |
| 2.1.3. 条件属性与决策属性的灰色关联度 |
| 2.1.4. 属性约简结果的获取 |
| 2.2. 数据离散化 |
| 2.2.1. 数据离散化的意义 |
| 2.2.2. 数据离散化方法 |
| 2.3. 本章小结 |
| 3. 公交车辆关键故障信息模型构建 |
| 3.1. 公交车辆关键故障信息模型 |
| 3.1.1. 公交车辆关键故障信息模型描述 |
| 3.1.2. 公交车辆关键故障信息分析决策表 |
| 3.1.3. 公交车辆关键故障信息中的连续属性离散化 |
| 3.1.4. 属性约简与决策规则的提取 |
| 3.2. 公交车辆关键故障信息模型优化 |
| 3.2.1. 元胞自动机理论与CAN-BUS数据的结合 |
| 3.2.2. 基于元胞遗传算法的属性约简流程 |
| 3.3. 本章小结 |
| 4. 公交车辆关键故障信息应用实例 |
| 4.1. 数据预处理 |
| 4.1.1. 数据介绍 |
| 4.1.2. 故障点的选取 |
| 4.1.3. 模型所需数据获取 |
| 4.2. 决策表的构建和连续数据的离散 |
| 4.2.1. 决策表的构建 |
| 4.2.2. 连续属性的离散 |
| 4.3. 属性约简结果 |
| 4.3.1. 基于遗传算法的属性约简结果 |
| 4.3.2. 基于元胞遗传算法的属性约减结果 |
| 4.4. 遗传算法和元胞遗传算法属性约简的检验与比较 |
| 4.4.1. 两种算法的效率和稳定性比较 |
| 4.4.2. 规则匹配度的检验和比较 |
| 4.5. 本章小结 |
| 5. 公交车辆关键故障信息可视化 |
| 5.1. 关键故障信息可视化需求分析 |
| 5.1.1. 关键故障信息实时展示需求分析 |
| 5.1.2. 关键故障信息不同时段展示需求分析 |
| 5.1.3. 关键故障信息月均值展示需求分析 |
| 5.2. 数据库表设计 |
| 5.3. 关键故障信息可视化展示 |
| 5.3.1. 关键故障信息实时展示 |
| 5.3.2. 关键故障信息不同时段展示 |
| 5.3.3. 关键故障信息月均值展示 |
| 5.4. 本章小结 |
| 6. 结论与展望 |
| 6.1. 全文总结 |
| 6.2. 研究展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）基于粗糙集理论的高速道岔损伤识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高速道岔损伤监测技术 |
| 1.2.2 不确定条件下结构损伤识别方法研究现状 |
| 1.2.3 粗糙集特征选择研究进展 |
| 1.3 研究内容及研究目标 |
| 1.3.1 研究目标 |
| 1.3.2 主要内容 |
| 1.3.3 技术路线 |
| 1.4 论文结构安排 |
| 第2章 高速道岔损伤试验 |
| 2.1 高速道岔的结构特点 |
| 2.2 高速铁路道岔钢轨无损检测方法 |
| 2.3 高速道岔损伤试验方案 |
| 2.3.1 试验背景及数据来源 |
| 2.3.2 试验环境与方案 |
| 2.3.3 高速道岔振动信号时频域分析 |
| 本章小结 |
| 第3章 基于EEMD的高速道岔损伤特征量提取 |
| 3.1 基于EEMD的结构损伤识别原理 |
| 3.1.1 经验模态分解基本概念 |
| 3.1.2 聚合经验模态分解 |
| 3.1.3 IMF的完备性与正交性 |
| 3.1.4 结构模态参数与响应信号频谱分布 |
| 3.1.5 IMF分量与模态响应关系 |
| 3.2 基于EEMD的高速道岔信号分解 |
| 3.3 相关系数法与EEMD虚假分量分解剔除 |
| 3.4 高速道岔损伤特征提取 |
| 3.4.1 基于EEMD的能量比 |
| 3.4.2 基于EEMD的奇异熵 |
| 3.4.3 基于EEMD的能量奇异熵 |
| 3.5 损伤特征参量选择的衡量指标 |
| 3.6 能量奇异熵特征分析 |
| 本章小结 |
| 第4章 基于粗糙集的损伤特征离散化方法研究 |
| 4.1 粗糙集离散化方法基本概念 |
| 4.2 连续属性离散化方法 |
| 4.2.1 改进的NaiveScaler离散化方法 |
| 4.2.2 基于正域的全局监督离散化方法 |
| 4.3 高速道岔的损伤识别决策表 |
| 4.4 高速道岔损伤特征离散化 |
| 本章小结 |
| 第5章 基于粗糙集属性约简的高速道岔损伤特征选择 |
| 5.1 粗糙集属性约简基本概念 |
| 5.1.1 知识表达 |
| 5.1.2 属性约简 |
| 5.1.3 依赖度与属性重要性 |
| 5.2 基于差别矩阵的粗糙集属性约简 |
| 5.2.1 差别矩阵 |
| 5.2.2 基于幂图的属性约简 |
| 5.2.3 基于幂图的属性约简搜索算法 |
| 5.2.4 实验分析 |
| 5.3 基于人工鱼群算法的极小属性约简 |
| 5.3.1 人工鱼群算法 |
| 5.3.2 基于人工鱼群属性约简算法的适应度函数 |
| 5.3.3 极小属性约简的解空间划分策略 |
| 5.4 基于粗糙集属性约简的高速道岔损伤特征选择 |
| 5.4.1 高速道岔损伤特征选择 |
| 5.4.2 基于粗糙集的高速道岔损伤决策规则提取 |
| 本章小结 |
| 第6章 基于粗糙集与RBF神经网络的高速道岔损伤识别模型 |
| 6.1 基本概念 |
| 6.1.1 k-均值聚类算法 |
| 6.1.2 RBF神经网络基本概念 |
| 6.2 基于均匀分布改进的粗糙k-均值算法 |
| 6.2.1 边界对象的权重 |
| 6.2.2 边界对象权重的计算 |
| 6.2.3 算法描述 |
| 6.2.4 复杂度分析 |
| 6.2.5 仿真实验分析 |
| 6.3 粗糙集意义下的RBF神经网络设计 |
| 6.3.1 粗糙集意义下的RBF神经网络的结构 |
| 6.3.2 RBF神经网络学习算法 |
| 6.4 基于粗糙集与RBF神经网络的高速道岔损伤识别模型 |
| 6.4.1 模型构建 |
| 6.4.2 试验仿真分析 |
| 本章小结 |
| 结论与展望 |
| 1 论文工作总结 |
| 2 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的论文及科研成果 |
（3）混凝土拱坝裂缝成因分析与规则提取算法研究（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 |
| 1.2.1 国内外混凝土坝裂缝成因分析方法的研究现状 |
| 1.2.2 国内外数据挖掘技术在大坝监测中的研究现状 |
| 1.3 主要研究内容及研究路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究技术路线 |
| 第二章 数据挖掘理论与技术 |
| 2.1 数据挖掘 |
| 2.2 粗糙集理论的基本原理 |
| 2.2.1 知识表达系统 |
| 2.2.2 不可分辨关系与上、下近似集合 |
| 2.2.3 知识的依赖性 |
| 2.2.4 数据离散化 |
| 2.2.5 属性约简 |
| 2.2.6 决策规则 |
| 2.3 模糊聚类的基本知识 |
| 2.3.1 模糊数学理论 |
| 2.3.2 隶属函数 |
| 2.3.3 模糊C-均值聚类 |
| 2.4 本章小结 |
| 第三章 裂缝演变主控因素挖掘的算法研究 |
| 3.1 连续数据离散化方法 |
| 3.1.1 基于属性重要性的离散化方法 |
| 3.1.2 基于模糊聚类的离散化方法 |
| 3.2 混凝土拱坝裂缝影响因素挖掘算法 |
| 3.2.1 初始信息表的建立 |
| 3.2.2 数据预处理 |
| 3.2.3 决策表属性约简 |
| 3.2.4 Matlab程序代码模块 |
| 3.3 实例分析 |
| 3.3.1 工程背景 |
| 3.3.2 初始信息表 |
| 3.3.3 数据预处理 |
| 3.3.4 决策表属性约简 |
| 3.3.5 结果分析 |
| 3.4 算法评价与论证比较 |
| 3.5 本章小结 |
| 第四章 裂缝演变规则提取的算法研究 |
| 4.1 决策树 |
| 4.2 决策规则评价 |
| 4.3 规则提取算法 |
| 4.4 裂缝成因与规则提取可视化设计 |
| 4.4.1 系统框架设计 |
| 4.4.2 系统主界面设计 |
| 4.5 实例分析 |
| 4.6 算法评价与论证比较 |
| 4.7 本章小结 |
| 第五章 结论与展望 |
| 5.1 主要结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录A (攻读学位期间所发表的学术论文) |
| 附录B (攻读学位期间参与课题目录) |
（4）量化属性离散化算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 数据挖掘的产生背景及理论概述 |
| 1.1.2 属性离散化产生的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数据挖掘技术国内外发展现状 |
| 1.2.2 连续属性离散化方法分类 |
| 1.2.3 属性离散化方法的国内外发展现状 |
| 1.3 论文的组织结构 |
| 第二章 连续属性离散化原理 |
| 2.1 离散化相关理论研究 |
| 2.1.1 离散化问题描述 |
| 2.1.2 候选断点的确定及结果断点评价标准 |
| 2.2 典型离散化核心流程 |
| 2.3 离散化相关评估标准 |
| 2.4 几种典型的属性离散化算法分析研究 |
| 2.4.1 基于贪心策略的属性离散化算法 |
| 2.4.2 基于属性重要性的离散化方法分析 |
| 2.4.3 基于粗糙集理论的连续属性离散化算法分析 |
| 2.4.4 基于统计独立性的连续属性离散化算法分析 |
| 2.4.5 基于全局聚类的多属性离散化算法分析 |
| 2.5 本章小结 |
| 第三章 决策表离散化中改进的贪心算法 |
| 3.1 引言 |
| 3.2 基于属性重要性的候选断点选择策略 |
| 3.2.1 相关定义 |
| 3.2.2 候选断点选择算法描述 |
| 3.3 基于断点选择概率的贪心算法 |
| 3.3.1 相关定义 |
| 3.3.2 基于断点选择概率的贪心算法描述 |
| 3.4 理论分析与实验验证 |
| 3.4.1 算法复杂度分析 |
| 3.4.2 实验设计及结果对比 |
| 3.5 本章小结 |
| 第四章 单属性与多属性相结合的自底向上离散化算法 |
| 4.1 引言 |
| 4.2 离散化标准相关定义及假设 |
| 4.2.1 多属性离散化标准相关定义 |
| 4.2.2 单属性离散化标准定义及 MDLP |
| 4.3 单属性与多属性相结合的连续属性离散化算法 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 结论 |
| 5.1 本文总结 |
| 5.2 未来工作的展望 |
| 参考文献 |
| 致谢 |
（5）不一致决策表数据处理方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 粗糙集国内外研究现状 |
| 1.2.1 离散化方法研究现状 |
| 1.2.2 核属性集计算研究现状 |
| 1.2.3 属性约简研究现状 |
| 1.2.4 规则提取研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 2 粗糙集理论的基本概念 |
| 2.1 粗糙集理论的基本概念 |
| 2.1.1 信息系统 |
| 2.1.2 辨识与不可辨识 |
| 2.1.3 近似、域以及粗糙集 |
| 2.2 粗糙集理论与数据处理有关的基本概念 |
| 2.2.1 约简与核 |
| 2.2.2 规则 |
| 2.3 粗糙集理论与其它智能理论 |
| 2.3.1 粗糙集与模糊集 |
| 2.3.2 粗糙集与神经网络、遗传算法等智能算法 |
| 2.4 粗糙集的研究方向与应用领域 |
| 2.5 本章小结 |
| 3 不一致决策表核属性集研究 |
| 3.1 引言 |
| 3.2 问题分析 |
| 3.3 不一致决策表核属性集计算的不一致现象 |
| 3.4 基于信息粒划分的有效核集计算 |
| 3.4.1 信息粒划分 |
| 3.4.2 不一致决策表有效核集计算 |
| 3.5 基于规则的不一致决策表核集计算方法选择策略 |
| 3.5.1 不一致决策表信息与规则 |
| 3.5.2 不一致决策表信息粒划分与规则 |
| 3.5.3 基于规则的不一致决策表核集选择策略 |
| 3.6 不一致决策表数据处理框架 |
| 3.7 实验验证 |
| 3.8 本章小结 |
| 4 基于属性排斥矩阵的属性约简算法 |
| 4.1 问题分析 |
| 4.2 约简与约简超集 |
| 4.3 属性排斥矩阵 |
| 4.3.1 属性吸收特征 |
| 4.3.2 属性排斥特征 |
| 4.3.3 属性排斥矩阵 |
| 4.4 基于属性排斥矩阵的启发式属性约简算法 |
| 4.5 实验验证 |
| 4.6 本章小结 |
| 5 基于属性关联的启发式约简算法 |
| 5.1 问题分析 |
| 5.2 属性关联分析 |
| 5.2.1 属性排斥集 |
| 5.2.2 属性吸引集 |
| 5.2.3 基于属性关联的属性启发策略 |
| 5.3 基于属性关联的约简算法 |
| 5.4 实验验证 |
| 5.5 本章小结 |
| 6 高可信度最小约简启发策略 |
| 6.1 问题分析 |
| 6.2 最小约简启发策略及其可信度模型 |
| 6.2.1 属性吸收特征及其可信度模型 |
| 6.2.2 属性排斥特征及其可信度模型 |
| 6.2.3 二元互斥及其可信度模型 |
| 6.2.4 属性多元互斥特征及其可信度模型 |
| 6.3 高可信度最小约简启发策略与算法 |
| 6.3.1 综合启发策略 |
| 6.3.2 启发式高可信度最小约简算法 |
| 6.4 实验验证 |
| 6.6 本章小结 |
| 7 规则分层约简算法 |
| 7.1 问题分析 |
| 7.2 HRR算法 |
| 7.2.1 基于下近似的规则分层提取 |
| 7.2.2 规则约简性质与聚类策略 |
| 7.3 基于HRR的数据处理流程 |
| 7.4 HRR算法与其他算法的性能比较 |
| 7.4.1 与分层递阶属性约简算法的比较 |
| 7.4.2 与属性重要性离散算法的比较 |
| 7.5 本章小结 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 参考文献 |
| 攻读学位期间主要的研究成果目录 |
| 致谢 |
（6）连续属性决策表离散化的图论方法（论文提纲范文）
| 1 引言 |
| 2 离散化问题描述和现有方法 |
| 2.1 离散化问题描述 |
| 2.2 离散化的现有方法 |
| 3 基于图论的连续属性离散化方法 |
| 3.1 连续属性决策表对应的决策表图 |
| 3.1.1 依据样本之间的属性关系构造经典多重完全图 |
| 3.1.2 依据决策属性值构造经典多重完全多部图 |
| 3.1.3 构造权为区间的加权完全多部图 |
| 3.1.4 权为区间的加权完全多部图与连续属性决策表离散化后无冲突之间的关系 |
| 3.2 基于决策表图的离散化方法 |
| 3.2.1 断点区间的概念 |
| 3.2.2 断点区间信息表与断点区间逻辑形式信息表 |
| 3.2.3 断点效率与断点重要性及其关系 |
| 3.2.4 离散化算法 |
| 4 算法应用实例 |
| 5 结论 |
（7）结合粗集的数据分析方法及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 粗集理论背景概述 |
| 1.2 结合粗集的集成应用研究概况 |
| 1.3 本文的主要工作 |
| 第二章 粗糙集基本理论 |
| 2.1 知识与知识库 |
| 2.2 信息系统与决策表 |
| 2.3 决策表属性约简 |
| 2.4 粗集应用软件系统简介 |
| 第三章 基于动态SOM聚类的连续属性离散化算法 |
| 3.1 SOM神经网络模型 |
| 3.1.1 模型简介 |
| 3.1.2 算法流程 |
| 3.2 基于动态SOM聚类的离散化算法 |
| 3.2.1 决策表的不相容度 |
| 3.2.2 算法步骤 |
| 3.3 数据试验 |
| 3.3.1 实验的目的 |
| 3.3.2 数据的选取和来源 |
| 3.3.3 算法的程序实现 |
| 3.3.4 实验与结果分析 |
| 3.4 本章小结 |
| 第四章 融合粗集属性约简和模糊度赋权的TOPSIS模型 |
| 4.1 基本概念 |
| 4.1.1 多属性决策的方案排序问题 |
| 4.1.2 TOPSIS模型 |
| 4.1.3 基于改进信息熵的粗糙集模糊度 |
| 4.2 融合粗集属性约简和模糊度赋权的TOPSIS模型 |
| 4.2.1 属性的权重确定 |
| 4.2.2 融合粗集属性约简和模糊度赋权的TOPSIS模型 |
| 4.2.3 算例分析:汽车品牌方案选择 |
| 4.3 模型的扩展 |
| 4.3.1 多属性群决策的TOPSIS模型 |
| 4.3.2 算例分析:ERP系统选择 |
| 4.4 本章小结 |
| 第五章 融合粗集属性约简的SVM回归预测模型 |
| 5.1 支持向量机回归基本原理 |
| 5.2 融合粗糙集属性约简的SVR模型 |
| 5.3 实例分析—我国电力供应量回归分析和预测 |
| 5.3.1 数据准备与预处理 |
| 5.3.2 支持向量机回归结果与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文的工作总结 |
| 6.2 进一步研究的展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读学位期间发表论文目录 |
（8）连续量决策信息表的离散化问题研究（论文提纲范文）
| 1 离散化问题的描述 |
| 2 离散化问题的2个定理 |
| 3 例 子 |
| 4 结 论 |
（9）粗糙PID控制器的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题的背景及研究意义 |
| 1.1.1 课题背景 |
| 1.1.2 课题研究意义 |
| 1.2 本课题国内外研究动态及发展趋势 |
| 1.2.1 智能PID 控制的国内外研究动态 |
| 1.2.2 粗糙集控制的国内外研究动态 |
| 1.3 本文主要内容 |
| 2 粗糙集基本概念及知识获取方法 |
| 2.1 粗糙集的理论基础 |
| 2.1.1 知识和知识库 |
| 2.1.2 知识的表示方法 |
| 2.1.3 粗糙集的定义 |
| 2.1.4 决策信息表 |
| 2.2 决策表约简 |
| 2.2.1 属性正域 |
| 2.2.2 属性依赖度 |
| 2.2.3 属性的重要性 |
| 2.2.4 决策表属性约简 |
| 2.2.5 提取决策规则 |
| 2.3 决策表连续量属性值的离散化算法介绍 |
| 2.4 小结 |
| 3 PID 控制及其参数整定 |
| 3.1 PID 控制原理 |
| 3.1.1 模拟PID 控制 |
| 3.1.2 数字PID 控制 |
| 3.2 PID 参数的整定 |
| 3.2.1 PID 控制器参数对系统性能的影响 |
| 3.2.2 PID 控制器参数的整定 |
| 3.2.3 一种改进的PID 参数整定法 |
| 3.3 PID 控制的MATLAB 仿真 |
| 3.4 小结 |
| 4 粗糙PID 控制器的设计 |
| 4.1 粗糙PID 控制系统的组成 |
| 4.2 粗糙PID 控制系统的设计 |
| 4.2.1 建立原始的决策信息表 |
| 4.2.2 原始的决策信息表S 的离散化 |
| 4.2.3 决策信息表的约简 |
| 4.2.4 获取粗糙PID 控制规则库 |
| 4.3 小结 |
| 5 粗糙PID 控制器在实际系统中的应用 |
| 5.1 EFPT 型过程控制实验装置 |
| 5.2 工控机与采集卡 |
| 5.2.1 采集卡硬件调试 |
| 5.2.2 数据通信 |
| 5.3 各种控制算法的应用实例 |
| 5.3.1 PID 控制 |
| 5.3.2 粗糙控制 |
| 5.3.3 粗糙PID 控制 |
| 5.4 各控制算法的控制性能分析评价 |
| 5.5 小结 |
| 6 结论 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）基于粗糙集理论的唐家山堰塞湖泄洪问题建模与分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 选题背景及意义 |
| 1.2.1 问题来源及背景 |
| 1.2.2 研究内容及意义 |
| 1.3 问题研究现状 |
| 1.3.1 泄洪问题研究现状 |
| 1.3.2 粗糙集理论的研究现状 |
| 1.4 本文的结构和创新点 |
| 1.4.1 论文结构 |
| 1.4.2 创新点 |
| 本章小结 |
| 第二章 粗糙集理论综述 |
| 2.1 经典集与等价关系 |
| 2.2 粗糙集及其近似 |
| 2.3 协调近似空间 |
| 2.4 粗糙集理论的主要特点 |
| 本章小结 |
| 第三章 唐家山堰塞湖泄洪问题准备与分析 |
| 3.1 数据整理 |
| 3.1.1 数据收集 |
| 3.1.2 去除数据噪声 |
| 3.2 数据预处理 |
| 3.2.1 粗糙集中的离散化方法 |
| 3.2.2 数据的离散化处理 |
| 3.2.3 离散化数据分析 |
| 3.2.4 信息系统 |
| 3.2.5 时态决策信息系统转换为信息系统 |
| 3.3 方法分析 |
| 本章小结 |
| 第四章 唐家山堰塞湖泄洪问题建模 |
| 4.1 模型的建立与求解 |
| 4.1.1 属性约简 |
| 4.1.2 决策规则 |
| 4.2 唐家山堰塞湖泄洪问题推广 |
| 4.2.1 单增量式属性约简算法 |
| 4.2.2 唐家山堰塞湖泄洪问题单增量约简 |
| 4.2.3 多增量式属性约简算法 |
| 4.2.4 唐家山堰塞湖泄洪问题多增量约简 |
| 本章小结 |
| 第五章 唐家山堰塞湖泄洪问题模型改进 |
| 5.1 基于优势关系的粗糙集 |
| 5.1.1 基于偏好关系的优势属性集 |
| 5.1.2 分类质量与近似约简 |
| 5.1.3 决策规则的获取 |
| 5.1.4 基于优势粗糙集的方案排序 |
| 5.2 基于相近关系的粗糙集 |
| 5.2.1 相近关系 |
| 5.2.2 相近度 |
| 5.2.3 基于相近关系的相近粗糙集 |
| 5.2.4 隶属函数与属性约简 |
| 5.3 相近-优势关系粗糙集 |
| 5.3.1 相近—优势关系 |
| 5.3.2 覆盖度与近似约简 |
| 5.3.3 决策规则的获取 |
| 5.4 基于相近—优势关系的唐家山堰塞湖泄洪问题 |
| 5.4.1 问题分析 |
| 5.4.2 模型的建立与求解 |
| 5.4.3 模型推广与评价 |
| 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
四、连续量信息表决策值的离散化方法（论文参考文献）
- [1]基于CAN-BUS数据和粗糙集的公交车辆关键故障信息研究[D]. 刘海晓. 北京交通大学, 2018(01)
- [2]基于粗糙集理论的高速道岔损伤识别研究[D]. 苏跃斌. 西南交通大学, 2017(10)
- [3]混凝土拱坝裂缝成因分析与规则提取算法研究[D]. 侯婷. 长沙理工大学, 2017(01)
- [4]量化属性离散化算法研究[D]. 赵雪莲. 河北工业大学, 2014(03)
- [5]不一致决策表数据处理方法研究[D]. 尹林子. 中南大学, 2013(02)
- [6]连续属性决策表离散化的图论方法[J]. 卢鹏,王锡淮,肖健梅. 计算机工程与应用, 2012(06)
- [7]结合粗集的数据分析方法及应用研究[D]. 汤义强. 安徽大学, 2011(04)
- [8]连续量决策信息表的离散化问题研究[J]. 高赟. 西安科技大学学报, 2011(02)
- [9]粗糙PID控制器的研究[D]. 段堪丽. 西安科技大学, 2010(05)
- [10]基于粗糙集理论的唐家山堰塞湖泄洪问题建模与分析[D]. 栾爽. 大连交通大学, 2010(08)