一、基于Rough Set的综合评价方法研究（论文文献综述）
庞继芳,宋鹏,梁吉业[1]（2021）在《面向决策分析的多粒度计算模型与方法综述》文中研究说明作为粒计算研究方向的核心概念和关键技术,多粒度计算强调对现实世界问题多视角、多层次的理解和描述,可获得合理、满意的求解结果.为了深化多粒度计算与决策分析的有效融合,更好地满足人们的实际决策需求,文中首先介绍多粒度粗糙集、多尺度数据分析、序贯三支决策、分层分类学习四类多粒度计算模型,并阐述各自的主要特点及发展过程.进而从属性约简、规则提取、粒度选择、信息融合、群决策、多属性群决策、分类决策、动态决策等方面总结基于多粒度计算模型的决策分析方法研究现状.最后,对大数据时代智能决策领域中若干具有挑战性的研究方向进行展望,以期推动多粒度智能决策的不断发展与创新.
郭豆豆[2]（2021）在《粒计算视角下三支决策TAO模型及其治略度量研究》文中研究指明决策是人类生产和生活中的普遍行为,大到国家层面的治略方针制定,小到一台机器的操作,无处不在。例如,工业领域的操作优化和资源分配、商业领域的个性化服务和供应链管理、交通领域的车流控制和智能导航、医疗领域的疾病诊断和治疗策略等都属于决策范畴。近年来,针对数据资料进行智能决策的重要性也正与日俱增,从数据到知识,从知识到决策,也是当前大数据智能决策的新型计算范式。数据中蕴含丰富信息产生解决问题的新的可能性。将数据优势转化为决策优势,并由此发现其内在规律是智能数据决策研究的关键问题之一。为了系统的研究计算机科学、决策科学、管理学、认知科学等学科和领域中存在的认知计算范式,三支决策提出了一种基“3”思考的粒计算模型。长期的科学探索和实践应用证实,三支决策是一种契合人类认知的信息处理方式和有效的复杂问题求解策略,具有重要的理论意义和实用价值。本课题关注于数据驱动下的三支决策模型,分析三支决策与粒计算理论的历史关系和内在联系。针对实际中的具体问题,如分类、属性约简、图像识别,三支决策均取得了大量的成果。但对数据驱动下三支决策的优良性以及在观测空间的数据和知识发现后的智能决策之间的定量关系,尚难以直观进行分析。这一方面不利于对数据的内在规律的深入探索;一方面不利于对不同决策方案效果的直观比较。运用粗糙集、区间集、效用分析等理论工具,分别研究了粒计算三支决策模型、移动视角下的三支决策TAO模型、改变视角下的三支决策TAO模型以及粗糙集视角下的三支决策TAO模型。主要创新之处如下:（1）从移动视角开展数据驱动下的TAO模型和治略度量方法研究,本课题构建一种基于移动的三支决策TAO模型。首先,由一个医疗诊断的例子引入移动视角的三支决策问题,分析应用移动三支决策解决复杂问题的基本思路;其次,构建一种包含“分、治、效”层次结构的移动三支决策TAO框架模型,包括基于治略的移动策略、基于三分区结构的移动偏好以及基于经济性的移动过程;然后,针对一类移动视角下的三支决策TAO模型,提出比例效用函数度量方法,即将决策前后的对象变化量和最终状态量的比例值作为效用值,从粗粒度到细粒度讨论了基于移动的治略度量方法;最后,实验仿真结果和对比结果均验证了方法的有效性和实用性。（2）从改变视角开展认知背景下三支决策TAO框架研究,本课题提出一种基于改变的三支决策TAO模型。首先,分析其基本成分、解释和与其它三支决策模型的关系,构建一类基于改变的三支决策TAO模型;其次,讨论几种改变三支决策模型的构建形式,包括基于区间集表示的改变三支决策、基于量化的改变三支决策、基于评估的改变三支决策等;然后,提出一种针对改变三支决策模型的效用度量方法,将决策者的主观认知纳入有效性度量评估的考虑,并将其转化为可量化的单位进行效果评估,形成一种认知背景下改变三支决策模型的效用度量框架;最后,实例分析和实验结果表明了模型的有效性和实用性。（3）从粗糙集视角开展三支决策TAO模型的应用研究,本课题提出并建立一种粗糙集视角的改变三支决策模型。立足于信息系统,研究改变三支决策在基于粗糙集的知识发现方法中的作用。将信息系统的行-列视角作为切入点,对系统中数据直接进行分析与推理。首先,讨论了基于粗糙集的改变三支决策应用方法,将规则置信度作为治略对象,分别研究了定性和定量模式下的改变三支决策表示方法和语义解释;其次,从行视角提出一种基于改变三支决策的分类策略,将概率近似区域中的分类规则和分类对象进行重新决策,重新构建三支分类规则,并证明其方法的合理性和有效性;然后,从列视角研究基于属性的改变框架,并将其应用到属性约简方法,提出一种基于改变三支决策的属性约简方法;最后,在传统的全局约简条件和集成约简条件下分别进行实验验证,结果表明了方法在两种条件下,既能保准分类精度,又能有效的降低时间消耗。
祁晓博[3]（2021）在《区间型数据的表示及分类》文中提出区间型数据是一种常见的定量符号数据,它可以从全局把握数据对象的内在结构特征,对揭示隐含在数据内部的不确定性规律具有重要的科学意义.然而区间型数据结构的特殊性,使得计算机无法直接对其进行处理,所以区间型数据分析的前提是对它进行合理的数值表示.研究者提出的区间型数据表示方法在转化为数值表示时,常选用区间中值或区间上下界,这种数值表示要么仅考虑位置信息,要么仅考虑大小信息,缺乏区间型数据的整体结构特征信息.另外,这些表示方法也不考虑区间型数据特征值的内部分布,造成区间型数据的结构信息不够准确,进而影响区间型数据的分析结果,所以关于区间型数据的表示方法还有待进一步深入研究.本文从均匀分布和非均匀分布两种情况系统深入地研究适用于区间型数据的表示方法,然后将提出的表示框架用于区间型数据的分类任务.本文的主要研究工作如下:（1）提出一种统一框架下的区间型数据表示及分类方法URF＿SU.该方法构造一种融合位置信息与大小信息的区间型数据统一表示框架,通过调节因子均衡区间中值与区间半径之间的关系,并将已有的表示方法纳入其中.面向分类任务中的特征选择,在统一表示框架达到稳定后,采用均衡增益值对每一维特征与类别之间的相关程度进行量化,按量化后的相关程度对特征进行降序排列,选择相关程度大的特征迭代更新特征子集.由于统一表示框架下的区间型数据具有较为完整的结构信息且经过特征选择,所以提出的URF＿SU方法能够提高模型的分类性能.（2）针对区间型数据的属性值缺失问题,提出一种统一表示框架下的不完全区间型数据分类方法RKNN.首先利用区间型数据的特性,设计一种处理不完全区间型数据的组合规则.该规则不需要提前设置缺失项的删除比例,而是自动判断缺失样本的填补或删除.然后将每维特征中至少含一个缺失值的样本删除,同时对余下的样本在与之相同类别的完全区间型样本集中用近邻填补.最后将填补好的缺失样本加入到完全区间型样本集中,为之后的缺失样本提供可靠的填补保障.RKNN方法具有较高的填补率和积极的填补效果,且分类性能也很好,进而该方法能够用于解决高维和特殊分布数据集上的属性值缺失问题.（3）针对有明显聚集性的内部非平衡区间型数据,提出一种样本空间下的区间型数据表示及分类方法AGURF.由于内部非平衡区间型数据的结构信息已经发生改变,所以首先定义了区间型数据内部非平衡的三种形式,然后从样本空间角度重新衡量区间型数据的内部结构,提出一种样本空间下的自适应通用统一表示框架.该方法对同一类别的样本进行聚类,在每个样本聚类簇中,通过偏移方向和偏移距离确定每个样本的偏移中心,同时为不同类别的样本自动设置一个自适应因子以平衡偏移中心和半径之间的关系.最后在该框架下对内部非平衡区间型数据进行分类.AGURF方法在保持高分类精度的同时具有较好的运行效率.（4）针对高维或无明显聚集性的内部非平衡区间型数据,提出一种特征空间下的区间型数据表示及分类方法FAGURF.该方法构造一种特征空间下的自适应通用统一表示框架,对同一类样本的每一维特征进行聚类,在每维特征的不同聚类簇中,获得每个样本的偏移方向和偏移距离并确定它的特征偏移中心.此外,为同一类样本的不同特征自动设置一组特征自适应因子,以避免特征之间差异过大引起的误差.该框架同样用于内部非平衡区间型数据的分类.FAGURF方法在具有良好的分类精度和运行效率的基础上,比AGURF方法的适用范围更广.本文从均匀分布和非均匀分布两种情况下提出了相应的区间型数据表示框架并将其用于分类任务,提高了分类性能和效率,丰富了区间型数据的理论与应用范畴,为区间型数据的分析提供了一种新的研究思路,在决策支持中具有一定的理论意义和应用价值.
唐荣[4]（2021）在《基于增量条件熵的不完备数据特征约简方法研究》文中研究表明随着新兴信息技术的高速发展,数据存储的规模表现出前所未有的增长速度。大数据环境下的数据不仅仅表现出数据规模急剧膨胀,同时也呈现出数据质量低下、价值密度稀疏的鲜明特征。此外,数据随时间的推移产生得快,变化得快,折旧得也快,数据流已成为大数据环境中一种主流的数据存在形式。因此,对大数据的采集及分析应是一个不断优化、持续更新的增量优化过程。海量高维、动态低质的数据导致数据挖掘与知识发现算法所需要的计算代价和存储资源呈指数级增长。特征约简作为一种重要的数据处理技术,其目的在于从高维数据提取能够反映原始数据特性的低维表示,已成为机器学习与模式识别等领域广泛关注的热点问题。大数据环境下数据所表现出的动态更新、质量低下等特性给特征约简问题带了新的挑战,成为了当前该领域中一项紧迫又重要的研究课题。粗糙集理论是一种能够有效的处理不一致、不精确信息的数据建模与知识获取工具,已被广泛应用于机器学习、数据挖掘等领域中。粗糙集理论能够更客观的处理问题,因为其只依据数据集中所携带的信息处理问题,而不需要数据集之外的任何先验信息。作为不确定信息的量化度量方式,信息熵可以有效度量特征的不确定性,此外还能对特征之间的相关或依赖程度进行准确刻画。因此,本文主要研究面向不完备数据的动态特征约简方法,粗糙集和信息熵理论为本文的研究提供了重要的理论支撑。本文以相容和邻域粗糙集模型作为特征约简的理论框架,以动态不完备数据的不同变化情形作为研究主线,将增量学习技术引入到动态不完备数据的特征约简问题中,提出不完备数据下最优特征子集的动态求解方法,发展了若干基于增量条件信息熵的高效特征约简算法,为动态不完备数据中的数据建模与分析挖掘提供了新的理论方法与处理技巧。本文在面向不完备数据的动态特征约简方法研究中主要取得以下的研究成果。（1）针对不完备数据中样本集动态增长情况,刻画了特征空间上相容类与标签空间上决策等价类的动态更新模式,建立了条件熵的增量计算机制,将该机制引入到启发式特征约简方法中特征重要度的迭代计算过程,并提出了不完备数据中面向样本集规模动态增长的增量特征约简算法。实验证明了提出的增量算法是一种可行且高效的特征约简方法。（2）针对不完备数据中特征值动态更新问题,刻画了不完备决策系统中论域上条件划分与决策分类的动态更新模式,分析了作为特征重要度评价准则的不完备相容条件熵的增量计算机制,并将该机制引入到启发式特征约简方法中特征重要度的迭代计算过程,进一步设计了不完备数据中基于动态特征值域的增量特征约简算法。实验结果表明算法能有效、高效的处理特征值动态更新问题。（3）针对同时含有名义型和数值型特征的不完备混合数据,刻画了样本集动态增长时特征空间上邻域容差类与标签空间上决策等价类的动态更新模式,建立了邻域容差信息熵、联合熵、以及条件熵的增量更新机制,并将该机制引入到启发式特征约简方法中特征重要度的迭代计算过程,进而设计了不完备混合数据中面向样本规模动态增长时的增量特征约简算法。实验结果证明了所提出算法的可行性、高效性。
乐彪华[5]（2021）在《基于粒子群算法的RS-SVM改进与空区危险程度智能判识研究》文中研究表明伴随着矿产资源的消耗使用,矿山生产活动愈来愈多,常年的开采给矿山带来了大量且范围较广的采空区,采空区对矿山的安全造成愈加严重的威胁,带来的岩层错动、裂缝变形等现象逐步危化,采空区的危险性给矿山安全带来了一定的安全隐患,成为评价矿山安全的重要因素。本文为克服采空区危险性具有的隐蔽性以及不确定性特点,通过改进信息熵的粗糙集知识与支持向量机理论,结合粒子群优化,构建了一种采空区危险性分级模型,并采用数值模拟法探究了隐患较大采空区的时空演化特征,得到的主要研究成果和结论如下:（1）在统计分析与实测资料的基础上,基于华东某铁矿采空区的实际情况,选取了采矿方式、空区开挖深度、采空区高度、空区最大暴露面积、暴露高度、最大暴露跨度、矿柱情形、空区体积、治理率这9个因素作为主要影响因素,基于粗糙集理论（RS）的属性约简,通过改进信息熵的属性约简法对训练样本进行属性约简,得出最终属性约简结果:采矿方式、最大暴露面积、最大暴露跨度、矿柱情形、最大暴露高度,此次约简结果在一定程度上能为采空区定向治理提供理论指导。（2）采用粒子群算法（PSO）进行参数优化,选取最优的支持向量机核参数以及惩罚参数,以Matlab编制了支持向量机模型,采用“一对一法”（one-against-one）构造二值分类器来实现采空区的多类分类算法,最终获得评价采空区的危险性等级的支持向量机模型,结果显示,基于该支持向量机模型的采空区危险性识别准确率达到94.0%,表明了支持向量机对采空区进行危险性评价的可行性与实用性。（3）引入3D激光扫描仪,对采空区进行轮廓扫描探测,基于三维激光探测结果采用3D mine对隐患大的采空区进行建模,导入FLAC3D实现对采空区的数值模拟分析,在支持向量机预测结果的基础上深入探究了隐患较大的采空区开采过程中的围岩内部的应力、位移、塑性区的分布与发展规律,为现实工程中矿山资源开采和灾害预防提供一定的参考依据,体现了本文研究内容的实用性。
王敬前[6]（2021）在《覆盖粗糙集与模糊粗糙集及其在化工过程故障诊断中的应用》文中认为化工过程反应复杂,具有高度非线性、连续性和时变性等特点,一旦发生故障,将会给经济和生命安全带来严重的损失。因此,如何从海量工业数据中挖掘出有用信息,进行化工过程的故障诊断成为当前研究的热点。随着当今人工智能的发展,故障诊断技术也进入了一个新的时代。但对于多故障诊断和不完备信息下的故障诊断等问题,还有待进一步探索。粗糙集理论和模糊集理论是人工智能领域两种处理信息系统中不完备和不确定性数据的重要工具。目前,模糊集理论在故障诊断领域已得到了较为广泛的应用,而粗糙集理论在该领域中的应用还处在刚刚起步的阶段。本文通过融合覆盖粗糙集与模糊粗糙集,针对田纳西伊斯曼（TE）化工过程、化工汽轮机组和聚合釜三类化工过程的故障诊断,研究了覆盖粗糙集模型与模糊覆盖粗糙集模型中的相关不确定性问题,建立了相关数据分析与挖掘的理论体系,为解决化工过程故障诊断提供了更加智能的方法。本文的主要工作与贡献如下:1)针对不完备信息条件下的故障诊断问题,利用覆盖粗糙集提出了从不完备信息故障特征中剔除冗余信息的方法,从而提高了传统故障诊断的准确率,并将其应用在化工汽轮机组的故障诊断中。首先,从矩阵的角度研究了覆盖粗糙集中有关最大、最小描述的相关问题,并利用机器学习库中的公开数据集与传统的计算方法做比较,实验结果表明基于矩阵的计算方法节省了计算时间。借助于上述最大描述的矩阵计算方法,提出了计算不完备信息系统中极大相容块的矩阵计算方法,很好得解决了数据维数过高时,计算耗时的问题。接着,通过极大相容块,将原不完备决策表转化为极大相容块最全描述决策表。在新的决策表基础上,提出了基于分辨矩阵的属性约简计算方法。最后,基于所提出的基于极大相容块的属性约简方法,建立了“极大相容块+智能分类器”的故障诊断方法,为解决不完备信息条件下的故障诊断问题提供一种新方法。并针对不完备信息条件下化工汽轮机组的故障诊断问题,进行了仿真实验。实验结果表明,若智能分类器分别选择支持向量机（SVM）、随机森林和决策树,则所提出的“极大相容块+智能分类器”故障诊断方法的准确率均为87.5%,而只使用上述智能分类器的故障诊断准确率最高只有75%,准确率至少提高了 12.5%。2)针对完备信息条件下的故障诊断问题,利用模糊覆盖粗糙集提出了从完备信息故障特征中剔除冗余信息的方法,从而提高了传统故障诊断的准确率,并将其应用在TE化工过程的故障诊断中。理论方面:首先,作为模糊β-覆盖近似空间中已有可约元和约简概念的补充,提出了I-可约元和I-约简的概念。在此基础上,研究了模糊β-最小描述与β-约简之间的等价刻画、模糊β-最大描述与β-核之间的等价刻画等问题。然后,将上述一个模糊β-覆盖近似空间中的概念推广到了两个模糊β-覆盖近似空间中,得到了新的概念及相关性质。在上述所有结果的基础上,一个模糊β-覆盖与其诱导的七个模糊β-覆盖之间关系,及这些模糊β-覆盖的格结构被研究。应用方面:基于以上模糊覆盖粗糙集模型,提出了一种基于模糊β-邻域的属性约简方法。并在此基础上,建立了“模糊覆盖粗糙集+SVM”的智能故障诊断方法。最终,以TE化工过程为背景,针对以下4种状态:正常、阶跃故障（由过程变量的阶跃变化引起的故障）、漂移故障（化工反应动力学的缓慢漂移引起的故障）和阀门粘滞故障,建立了模糊覆盖信息系统,通过所提出的基于模糊β-邻域的属性约简方法,从53个故障征兆属性中确定出23个作为故障特征,然后通过建立的“模糊覆盖粗糙集+SVM”方法进行了故障诊断仿真实验,其准确率为86.57%,而只使用SVM的方法得到的准确率为72.50%,准确率提高了 14.07%。3)在前两部分的基础上,为更有效地表达故障诊断中的各种不确定性信息,建立了若干广义模糊覆盖粗糙集模型及相关故障决策方法,并研究了其在聚合釜的故障诊断中的应用。首先,基于已有的直觉模糊β-覆盖近似空间和直觉模糊β-邻域的概念,以及第一型直觉模糊覆盖粗糙集模型,主要研究了它们的性质,并给出了一些新的概念和第二型直觉模糊覆盖粗糙集模型。在此基础上,提出了单值中智β-覆盖和单值中智β-邻域等概念,并建立了单值中智覆盖粗糙集模型。为了解决多属性群决策的问题,将单值中智β-覆盖和单值中智覆盖粗糙集模型推广到了多粒度的情况,建立了三类多粒度单值中智覆盖粗糙集模型。在故障信息条件下,提出了基于直觉模糊覆盖粗糙集的群决策方法和基于单值中智覆盖粗糙集的群决策方法。针对聚合釜故障诊断问题,分别建立了故障类型为:聚合釜电机出现故障、聚合釜减速机出现故障、聚合釜机封中轴故障、聚合釜组件故障和聚合釜正常运行,以及故障特征为:聚合釜减速机振动值、操作压力、拌转速和减速机温度的直觉模糊信息系统与单值中智信息系统。并将上述决策方法应用于聚合釜的故障诊断中,所提出的方法最终决策结果基本都是聚合釜电机出现故障。这与其他已有决策方法的结果一致。因此,所提出的基于聚合釜故障信息的广义模糊覆盖粗糙集的决策方法是有效的。综上所述,本文以化工过程为背景,采用理论研究与实验验证相结合的方法,进一步研究了覆盖粗糙集、模糊覆盖粗糙集和广义模糊覆盖粗糙集相关问题（覆盖约简问题、属性约简问题等）。在此基础上,分别考虑了不完备故障信息和完备故障信息两种情况,利用基于覆盖粗糙集（用于提高不完备信息故障诊断的准确率）和模糊覆盖粗糙集（用于提高完备信息故障诊断的准确率）的属性约简方法解决了故障诊断中的特征选择问题,并结合智能分类器提高了故障诊断的准确度。最后,利用所建立的广义模糊覆盖粗糙集模型,建立多属性群决策方法,将其应用于化工过程的故障诊断中,为多专家故障决策提供了一种简便的方案。这些都为化工过程的智能故障诊断方法提供了理论及技术参考。
刘克宇[7]（2020）在《多元信息粒化与属性选择方法研究》文中研究说明随着数据收集、传输及存储技术的迅猛发展,我们对某一对象的描述更为丰富,刻画更为全面,记录更为长久,因而产生的数据往往表现出一种高维的典型特征。作为一种处理高维数据有效的数据挖掘与知识发现技术,属性约简得到了广泛的推广与应用。然而,大数据时代发展至今,数据越趋呈现多样化的复杂特性,其不仅仅局限于数据的高维度,更体现在弱监督、多尺度等问题上。正因如此,如何针对诸如此类的数据复杂性进行高效精准的分析与挖掘成为了传统属性选择方法的发展瓶颈所在。针对实际应用问题中数据的高维度、弱标签、多尺度等复杂特性,本文借鉴人类思考与解决复杂问题的粒化及分层认知模式,以多元视角进行目标解析,并在监督式信息粒化与融合、半监督粗糙数据分析、多粒度属性选择等方面展开了系统而又深入的研究与探讨,主要包括:发展了面向复杂数据的多元信息粒化与融合,多元集成的不确定性数据挖掘分析技术,构建了一整套多粒度视角下的属性选择算法框架,最终达到了能够有效提升复杂数据驱动下学习器的性能以及其问题求解的时间效率等目的。具体而言,本文的研究内容与创新成果主要涵盖以下几点。一、提出了双半径下多重监督邻域信息粒化策略。从粒计算的研究现状来看,实现信息粒化的方法大多属于无监督学习范畴,忽视了已有强监督信息的重要作用,因而缺乏在监督学习任务中的泛化性能。鉴于此,通过引入成对约束,参考样本的标签信息,在类与类之间进行样本的分割,并进一步地设计了类内类外双半径机制,分别对分割样本的相似度进行区别性地调控,指导性地给出了多重邻域信息粒化的监督式策略,过滤了信息粒化过程中易残留的不精确或不一致信息,有效地提升了信息粒化在属性噪声环境下的抗干扰能力。二、提出了半监督式多元集成的粗糙不确定性分析方法。从粗糙不确定性分析的研究现状来看,很多方法都着眼于标签完备的决策系统,过度依赖属性与标签的交互结果,而在处理标签缺失数据时就显得尤为棘手。此外,现有的分析手段往往过于单一,不足以充分挖掘隐含的深层知识与规律。鉴于此,详细剖析了当前粗糙不确定性分析方法在半监督问题上的症结所在,并进一步地提出了半监督环境下集成粗糙不确定性分析的新策略,在局部多元视角下观测属性空间,既赋予了半监督属性选择合理的语义解释,又拓宽了粗糙集方法在该问题上的应用前景。三、提出了多粒度视角下属性选择框架。从属性约简的研究现状来看,很多工作都仅考虑单个粒度层面上的约简求解,其面向由数据扰动造成的粒度变换问题时收效甚微。鉴于此,首先揭示了属性约简在粒度意义下的构造流程,并明晰了信息粒化与属性约简之间的内在关联机理。在此基础上,从信息融合的角度提出了多粒度属性约简的概念,并设计了一大类求解多粒度约简的高效算法框架,从而有效地解决了属性约简在多粒度视角下的局限性,并显着提升了约简求解的时间效率。
胡亚楠[8]（2020）在《强碱三元复合驱储层结垢智能预测方法研究》文中进行了进一步梳理复合驱油技术是一种大幅提高采收率的手段,矿场试验表明,对比水驱,强碱三元复合驱的增油控水效果明显,与水驱相比可提高采收率20%以上。伴随着强碱三元复合驱替体系注入地层,其与地层流体以及岩石矿物发生物化反应,打破了原流体和岩石矿物间的物化平衡状态,使得地下流体中离子组成和含量发生变化,最终产生结垢现象,导致储层部分孔隙堵塞,影响了波及效率和驱替效率,降低了采收率;同时随着含垢地层流体的运移造成采出井举升设备生产运行中常发生螺杆泵杆断、泵漏失以及抽油泵频繁卡泵等故障,严重威胁原油开采的正常进行。因此,预测储层结垢类型与结垢趋势成为有效实施清防垢作业的保障。目前,基于物化模拟与智能预测的结垢预测方法应用推广效果不佳,主要原因一是预测涉及的不确定性因素太多、规律性差,采用传统或人工预测方法困难;二是部分采用智能预测方法训练过程复杂,对环境要求高,泛化能力弱,可移植性差,预测结果准确率较低。针对上述问题,本文选用杏树岗油田北部开发区为试验区,通过分析试验区储层地质特征、流体性质、油水渗流特征以及油田水离子变化趋势,为后续开展储层油田水结垢预测提供推理知识;研究解决关键科学问题的相关技术,设计适用于动态结垢预测的智能知识推理模型,有效解决现有方法预测准确率低、可移植性弱、动态更新能力差、缺少时序预警等问题。重点研究内容如下:1.构建了基于数据挖掘的结垢预测模型（SASP-DMSP）为了克服结垢预测知识库可移植性差、动态更新能力弱、缺少时序预测知识等不足,设计基于数据挖掘的结垢预测模型（SASP-DMSP）,作为解决智能预测问题的总体方案,提高结垢预测的准确率以及结垢预测知识库的推理能力。设计模型框架包括知识获取层、知识建模层与知识推理层三层。知识获取层为模型的基础层,主要实现结垢预测知识的获取与知识库的智能训练,同时加入训练学习模块,实现知识库的动态更新;知识建模层为模型的中间层,采用本体建模技术为结垢预测作业提供一套规范的领域公共本体与知识组织体系;知识推理层为模型的应用层,三层协作通过推理与表达最终完成结垢预测。2.实现了基于本体的结垢预测知识建模针对结垢预测模型语义表达能力弱、可移植性相对较差的问题,研究基于本体的结垢预测知识建模。通过对储层结垢预测领域系统、机理与专家经验知识的分析与抽象,建立储层结垢预测知识模型核心本体与知识的标准语义,为结垢预测知识库提供知识内容、组织结构以及表示方法。采用Protégé作为本体建模工具进行推理、诊断,验证所提方法的有效性。3.研究了基于数据挖掘的结垢预测知识库训练方法为了填补经验知识的漏失,基于油田积累的大量历史数据,利用智能挖掘技术训练储层结垢预测相关数据,将在学习训练中发现的新知识添加到结垢预测知识库中,实现知识库的动态更新。针对结垢预测规则描述不完整,阈值设定不精确、单一结垢预测模型在储层物性差异下导致预测准确率较低的问题,设计组合分类模式挖掘方法,主要包括物性分类与模式挖掘两部分。物性分类阶段主要生成独立训练样本子集;模式挖掘阶段通过训练样本子集获取分配只是并更新结垢预测知识库,实现油田不同储层物性条件下的结垢预测。在模式挖掘过程中为适应训练数据的模糊、混合、不完备特性,设计基于混合不完备邻域决策系统和离散粒子群（Discrete Particle Swarm Optimization Algorithm,简称DPSO）的特征选择方法,提高历史数据利用率与特征选择准确率。针对储层结垢预测缺少时间序列下趋势性预测知识,同时时间序列历史数据具有周期性与混沌性的问题,提出储层结垢时序趋势预测方法。以时序数据中具有代表性的六项离子化验数据为例,采用回声状态网络技术,设计基于目标空间分解的多目标粒子群（MPSO/D）,训练、获取时序预测知识,实现结垢趋势预警。4.设计并实现了用于验证结垢的预测系统以SASP-DMSP模型为理论指导,设计复合驱结垢预测系统,该系统由基于本体的结垢预测知识管理系统、结垢预测数据集成系统以及结垢预测与清防垢管理系统三个子系统组成,子系统间协同作业,实现储层智能结垢预测。将其应用于试验区,通过专家验证与运行结果数据测试,表明系统应用能够实时、有效的实现动态结垢预测。研究结果表明,基于数据挖掘的强碱三元复合驱储层结垢智能预测方法能够提高结垢预测准确率、结垢知识的更新能力与预测系统的可移植能力。同时,通过延展研究和分析,该方法为处理此类业务应用问题与知识推理问题提供了解决方案。
谭永奇[9]（2020）在《属性约简与加权方法的研究及其应用》文中认为现如今,随着海量数据的指数级增长,数据挖掘作为处理海量数据的技术,有着广泛的应用前景。在海量数据挖掘中,属性约简方法的研究是研究者们关注的热点话题,如何有效的且最大限度的从高维数据中筛选出重要属性,是进行数据分析的重中之重。在进行决策分析过程中,属性加权方法的研究也是不可避免的环节,如何合理的分配属性权重对最终决策的重要性大小,是提高决策准确性和水平的关键。本文着重研究属性约简算法和属性加权算法,分别对已有的不同算法进行改进,并将其应用于肝癌微血管侵犯的预测中。一是针对基于邻域粗糙集的属性约简算法中未考虑相关属性之间的相互影响问题,提出了一种基于卡方检验的邻域粗糙集属性约简算法。首先利用卡方检验方法计算各个属性间的相关性的大小,在属性约简时考虑相关属性之间的影响,即计算单个属性和其相关属性的重要度之和,使得筛选结果更加准确和有效。实验表明该算法表现出了较好的效果。二是针对基于层次分析法的属性加权算法在构造判断矩阵时过于主观的问题,提出了一种主客观相结合的属性加权算法。首先利用皮尔逊相关系数计算两两属性间的系数大小,然后根据系数大小构造出成对比较矩阵,计算属性的权重值,再与熵权客观分析法求出的权重值组合得到最终的属性权重值。相对于完全主观的矩阵构造,该方法在一定程度上避免不确定性,既能体现出主观的经验知识判断,又能挖掘出客观数据的潜在价值。将本文提出的属性约简算法和属性加权算法应用于肝癌微血管侵犯的预测中,首先利用本文提出的属性约简算法对肝癌微血管侵犯数据降维处理,然后用本文提出的属性加权算法计算降维后的各个属性的权重值,最后将其与梯度提升树分类模型进行结合,构造肝癌微血管侵犯预测模型。从预测模型的准确性、灵敏性、特异性和受试者操作曲线结果来看,本文提出的算法与分类模型的结合效果较好,各方面指标都达到了较优的效果。
梁伟[10]（2020）在《三支决策的聚类集成算法研究》文中指出聚类集成算法主要由两个步骤实现:通过基础聚类器产生基础聚类成员;通过共识函数（集成策略）集成基础聚类成员。在数据处理方面,聚类集成较传统聚类效果显着,因此聚类集成已经逐渐成为无监督学习领域的热点研究。目前对聚类集成的研究主要集中在集成策略上,而对基础聚类成员的度量和优化的研究较少。本研究基于信息熵理论,提出了一种基础聚类成员的质量度量方法。并在对基础聚类成员质量量化的基础上,提出了一种新型的聚类集成算法框架以及三种基础聚类成员过滤算法。具体研究工作包括:（1）基于信息熵理论,使用信息熵对基础聚类中各类簇进行不确定性度量。结合互信息理论得出基础聚类成员相对基础聚类集合（成员集合）的平均类簇不确定性,并定义为基础聚类成员质量权重,记作类簇平均熵。（2）扩展现有聚类集成的两步算法框架,引入基础聚类预处理步骤。分别结合两支决策（三支决策的一种特殊表达）、三支决策以及序贯三支策略进行基础聚类预处理（进一步筛选基础聚类）。（3）按照上述三步框架,构建基于两支决策的基础聚类过滤机制（2BIA）和基于三支决策的两种基础聚类过滤机制（BCF3WD、BCFS3WD）算法模型。具体来说,在2BIA中,若基砌聚类成员质量度量小于预设阈值ξ,则删除该成员,并添加新成员以保持成员集合基数不变。在BCF3WD中,若基础聚类成员质量度量小于预设阈值α,那么删除该成员;若成员质量度量大于预设阈值β,则保留该成员;若成员量度量大于α且小于>夕,则重新计算该成员质量。类似BCF3WD,在BCFS3WD中,首先进行三支决策。其次,改变阈值α夕重新三支决策。这三种机制都会重复执行,直至达到停止条件为止。（4）对比实验表明,三种过滤算法都能有效提高聚类集成性能。对于复杂数据集,三种算法过滤效果明显,且序贯三支方法较其余两种算法时间消耗更小。
二、基于Rough Set的综合评价方法研究（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、基于Rough Set的综合评价方法研究（论文提纲范文）
（1）面向决策分析的多粒度计算模型与方法综述（论文提纲范文）
| 1 多粒度计算模型 |
| 1.1 多粒度粗糙集模型 |
| 1.2 多尺度数据分析模型 |
| 1.3 序贯三支决策模型 |
| 1.4 分层分类学习模型 |
| 2 基于多粒度计算模型的决策分析方法 |
| 2.1 属性约简 |
| 2.2 规则提取 |
| 2.3 粒度选择 |
| 2.4 信息融合 |
| 2.5 群决策 |
| 2.6 多属性群决策 |
| 2.7 分类决策 |
| 2.8 动态决策 |
| 3 未来发展方向与研究展望 |
| 4 结 束 语 |
（2）粒计算视角下三支决策TAO模型及其治略度量研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 三支决策是不确定性问题解决的有效性方法之一 |
| 1.1.2 认知时代下的粒计算与三支决策 |
| 1.1.3 三支决策TAO模型及其有效性度量研究的重要意义 |
| 1.2 国内外研究现状 |
| 1.2.1 粒计算的研究进展 |
| 1.2.2 三支决策的研究进展 |
| 1.2.3 粒计算与三支决策的发展脉络 |
| 1.2.4 基于粒计算与三支决策的智能数据分析研究 |
| 1.3 论文主要研究工作 |
| 1.4 论文组织结构 |
| 第2章 粒计算与三支决策理论 |
| 2.1 粒计算 |
| 2.2 粗糙集三支决策 |
| 2.3 三支决策TAO模型 |
| 2.3.1 三分 |
| 2.3.2 治略 |
| 2.3.3 成效 |
| 2.4 基于粒计算与三支决策的智能数据决策方法 |
| 2.4.1 粒计算三元论 |
| 2.4.2 三支决策及其智能数据分析 |
| 2.5 两类三支决策有效性度量框架 |
| 2.6 本章小结 |
| 第3章 移动视角下的三支决策TAO模型研究 |
| 3.1 移动视角的三支决策问题 |
| 3.1.1 一个医疗诊断的例子 |
| 3.1.2 移动模型的基本思想 |
| 3.2 基于移动的三支决策TAO模型 |
| 3.2.1 移动策略 |
| 3.2.2 基于三分区结构的移动 |
| 3.2.3 两种移动过程分析 |
| 3.3 一种面向移动三支决策的有效性度量方法 |
| 3.3.1 比例效用度量框架 |
| 3.3.2 移动三支决策的比例效用函数 |
| 3.3.3 粗粒度度量-基于三分区的有效性度量方法 |
| 3.3.4 细粒度度量-基于等价类的有效性度量方法 |
| 3.4 仿真实验与结果分析 |
| 3.4.1 实验分析 |
| 3.4.2 实验比较 |
| 3.5 本章小结 |
| 第4章 改变视角下的三支决策TAO模型研究 |
| 4.1 基于改变的三支决策TAO框架 |
| 4.1.1 改变策略 |
| 4.1.2 改变模型 |
| 4.1.3 基于区间集表示的改变 |
| 4.2 两个解释的例子 |
| 4.2.1 贝叶斯认证理论与改变三支决策模型 |
| 4.2.2 移动三支决策模型中与改变三支决策模型 |
| 4.3 基于量化的C-3WD模型 |
| 4.3.1 基于单量化的改变 |
| 4.3.2 基于双量化的改变 |
| 4.4 基于评估的C-3WD模型 |
| 4.4.1 带有一对偏序评估的改变 |
| 4.4.2 带有一个偏序评估的改变 |
| 4.4.3 带有一个全序集评估的改变 |
| 4.5 一种面向改变三支决策的有效性度量方法 |
| 4.5.1 一种效用度量方法 |
| 4.5.2 基于改变三支决策的双重期望效用度量方法 |
| 4.5.3 实例分析 |
| 4.6 仿真实验与结果分析 |
| 4.7 本章小结 |
| 第5章 粗糙集视角下的三支模决策TAO模型研究 |
| 5.1 基于粗糙集的改变三支决策模型 |
| 5.1.1 规则置信度的改变 |
| 5.1.2 定性改变与定量改变 |
| 5.2 一种基于对象改变的分类策略 |
| 5.2.1 基于RS-C3WD的分类策略 |
| 5.2.2 分类算法 |
| 5.2.3 实例分析 |
| 5.2.4 策略的有效性 |
| 5.3 一种基于属性改变的约简策略 |
| 5.3.1 基于RS-C3WD的约简策略 |
| 5.3.2 基于改变三支决策模型的属性约简算法 |
| 5.4 仿真实验与结果分析 |
| 5.4.1 约简时间对比 |
| 5.4.2 分类精度对比 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间所发表的学术论文 |
| 攻读硕士学位期间所获得的科研成果 |
| 致谢 |
（3）区间型数据的表示及分类（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 区间型数据的运算规则 |
| 1.2.2 区间值信息系统 |
| 1.2.3 区间型数据的研究方法 |
| 1.3 研究内容和组织结构 |
| 第二章 预备知识 |
| 2.1 区间型数据的定义及性质 |
| 2.1.1 二元区间数 |
| 2.1.2 三元区间数 |
| 2.2 不完全区间型数据的定义与处理 |
| 2.2.1 不完全区间型数据的定义 |
| 2.2.2 不完全区间型数据的改进填补方法 |
| 2.3 本章小结 |
| 第三章 统一框架下的区间型数据表示及分类 |
| 3.1 区间型数据的统一表示框架 |
| 3.1.1 统一表示框架的构造 |
| 3.1.2 统一表示框架的分析 |
| 3.2 融合特征选择的区间型数据分类 |
| 3.2.1 统一表示框架下的特征选择 |
| 3.2.2 URF_SU算法 |
| 3.3 实验结果与分析 |
| 3.3.1 实验数据集 |
| 3.3.2 对比方法 |
| 3.3.3 调节因子 α 的影响 |
| 3.3.4 特征选择的结果 |
| 3.3.5 性能测评 |
| 3.4 本章小结 |
| 第四章 统一表示框架下的不完全区间型数据分类 |
| 4.1 处理不完全区间型数据的组合规则 |
| 4.1.1 组合规则中的删除原则 |
| 4.1.2 组合规则中的填补原则 |
| 4.2 融合组合规则的不完全区间型数据分类 |
| 4.2.1 RKNN算法 |
| 4.2.2 示例分析 |
| 4.3 实验结果与分析 |
| 4.3.1 实验数据集与评价指标 |
| 4.3.2 组合规则的有效性 |
| 4.3.3 性能测评 |
| 4.3.4 真实数据集上的验证 |
| 4.4 本章小结 |
| 第五章 样本空间下的区间型数据表示及分类 |
| 5.1 非平衡区间型数据的相关概念 |
| 5.2 样本空间下的自适应通用统一表示框架 |
| 5.2.1 样本空间下自适应通用统一表示框架的构造 |
| 5.2.2 偏移中心的确定 |
| 5.2.3 自适应因子 α~d的设置 |
| 5.3 基于样本空间下自适应通用统一表示框架的区间型数据分类 |
| 5.3.1 GURF算法 |
| 5.3.2 AGURF算法 |
| 5.4 实验结果与分析 |
| 5.4.1 实验数据集与评价指标 |
| 5.4.2 参数k的设置 |
| 5.4.3 偏移中心与 α~d对分类结果的影响 |
| 5.4.4 与传统方法的比较 |
| 5.4.5 AGURF在不同分类器上的有效性 |
| 5.5 本章小结 |
| 第六章 特征空间下的区间型数据表示及分类 |
| 6.1 特征空间下的自适应通用统一表示框架 |
| 6.1.1 特征空间下自适应通用统一表示框架的构造 |
| 6.1.2 特征偏移中心的确定 |
| 6.1.3 特征自适应因子 α~(fd)的设置 |
| 6.2 基于特征空间下自适应通用统一表示框架的区间型数据分类 |
| 6.2.1 FGURF算法 |
| 6.2.2 FAGURF算法 |
| 6.3 实验结果与分析 |
| 6.3.1 实验数据集 |
| 6.3.2 评价指标 |
| 6.3.3 参数k的设置 |
| 6.3.4 FAGURF,FGURF,AGURF与GURF方法的比较 |
| 6.3.5 FAGURF在高维和特殊分布数据集上的有效性 |
| 6.3.6 FAGURF在不同分类器上的有效性 |
| 6.4 本章小结 |
| 结论及展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 个人简况及联系方式 |
（4）基于增量条件熵的不完备数据特征约简方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于粗糙集理论的特征约简方法研究现状 |
| 1.2.2 面向动态数据的增量特征约简方法研究现状 |
| 1.3 研究目的与实施方案 |
| 1.3.1 研究思路 |
| 1.3.2 研究内容和组织结构 |
| 第2章 基本概念 |
| 2.1 粗糙集理论基本概念 |
| 2.2 启发式特征约简框架 |
| 2.3 不完备数据中基于条件熵的启发式特征约简算法 |
| 2.4 特征约简的决策性能评价标准 |
| 第3章 不完备数据中基于动态样本集的增量特征约简方法 |
| 3.1 引言 |
| 3.2 基于动态样本集的条件熵增量计算机制 |
| 3.3 基于动态样本集的增量特征约简算法 |
| 3.4 实验分析 |
| 3.4.1 分类精度 |
| 3.4.2 决策性能 |
| 3.4.3 计算效率 |
| 3.5 本章小结 |
| 第4章 不完备数据中基于动态特征值域的增量特征约简方法 |
| 4.1 引言 |
| 4.2 基于动态特征值域的条件熵增量计算机制 |
| 4.3 基于动态特征值域的增量特征约简算法 |
| 4.4 实验分析 |
| 4.4.1 分类精度 |
| 4.4.2 决策性能 |
| 4.4.3 计算效率 |
| 4.5 本章小结 |
| 第5章 不完备混合数据中基于动态样本集的增量特征约简方法 |
| 5.1 引言 |
| 5.2 基于动态样本集的邻域条件熵增量计算机制 |
| 5.3 基于动态样本集的增量特征约简算法 |
| 5.4 实验分析 |
| 5.4.1 分类精度 |
| 5.4.2 计算效率 |
| 5.4.3 邻域参数 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 研究工作总结 |
| 6.2 进一步研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（5）基于粒子群算法的RS-SVM改进与空区危险程度智能判识研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 粗糙集理论属性约简研究现状 |
| 1.2.2 支持向量机研究现状 |
| 1.2.3 采空区危险性研究现状 |
| 1.3 本文研究内容与思路 |
| 1.3.1 研究的主要内容 |
| 1.3.2 研究思路 |
| 第二章 基于改进信息熵的粗糙集约简理论研究 |
| 2.1 引言 |
| 2.2 粗糙集理论概述 |
| 2.2.1 论域的基本内容分析 |
| 2.2.2 核与属性约简 |
| 2.3 基于改进的信息熵的属性约简算法分析 |
| 2.3.1 属性约简的算法 |
| 2.3.2 基于改进的信息熵算法原理及步骤 |
| 2.3.3 属性约简算例分析 |
| 2.4 本章小结 |
| 第三章 支持向量机与粒子群参数优化研究 |
| 3.1 引言 |
| 3.2 统计学习理论的风险分析 |
| 3.2.1 机器学习的原理及一般问题 |
| 3.2.2 VC维理论和结构风险最小化原则 |
| 3.3 支持向量机的最优分类原理 |
| 3.3.1 最优分类超平面 |
| 3.3.2 支持向量机的二分类函数构建 |
| 3.4 基于粒子群算法的参数优化 |
| 3.5 本章小结 |
| 第四章 基于改进的RS-SVM的采空区危险程度评价 |
| 4.1 引言 |
| 4.2 工程概况 |
| 4.3 采空区危险程度判识与分析 |
| 4.3.1 安全稳定性评判指标的确定 |
| 4.3.2 样本数据选择与处理 |
| 4.3.3 采空区危险程度判识模型的构建 |
| 4.3.4 危险性预测分析 |
| 4.4 本章小结 |
| 第五章 潜在安全隐患较大空区稳定性数值模拟分析 |
| 5.1 引言 |
| 5.2 计算模型与方案设计 |
| 5.2.1 基于3D激光扫描的空区轮廓扫描 |
| 5.2.2 计算模型与参数 |
| 5.2.3 计算方案设计 |
| 5.3 采空区稳定性分析 |
| 5.3.1 主应力场分布特征 |
| 5.3.2 变形与位移分布特征 |
| 5.3.3 塑性区分布特征 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（6）覆盖粗糙集与模糊粗糙集及其在化工过程故障诊断中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状分析 |
| 1.2.1 化工过程故障诊断 |
| 1.2.2 基于数据的化工过程故障诊断 |
| 1.2.3 粗糙集理论及属性约简 |
| 1.2.4 (模糊)覆盖粗糙集及其在故障诊断中应用 |
| 1.3 主要研究内容与组织结构 |
| 2 覆盖粗糙集最大、最小描述若干问题研究 |
| 2.1 引言 |
| 2.2 覆盖粗糙集理论预备知识 |
| 2.3 基于矩阵的最小、最大描述计算方法 |
| 2.4 基于最小、最大描述的覆盖近似空间约简方法 |
| 2.5 基于最小、最大描述的覆盖信息系统约简方法 |
| 2.5.1 基于最小描述的覆盖信息系统约简方法 |
| 2.5.2 基于最大描述的覆盖信息系统约简方法 |
| 2.6 本章小结 |
| 3 覆盖粗糙集的故障诊断方法及其在化工汽轮机组故障诊断中的应用 |
| 3.1 引言 |
| 3.2 预备知识 |
| 3.2.1 化工汽轮机组及常见故障类型 |
| 3.2.2 不完备决策表与极大相容块 |
| 3.3 极大相容块的矩阵计算方法 |
| 3.3.1 基于最大描述的极大相容块计算方法 |
| 3.3.2 基于容差类的极大相容块的矩阵计算方法 |
| 3.4 基于极大相容块的不完备信息系统属性约简方法 |
| 3.5 基于“极大相容块+智能分类器”的不完备信息故障诊断方法 |
| 3.6 不完备信息下化工汽轮机组的故障诊断应用 |
| 3.6.1 化工汽轮机组故障不完备决策信息系统 |
| 3.6.2 决策信息表预处理 |
| 3.6.3 化工汽轮机组的“极大相容块+智能分类器”故障诊断模型建立 |
| 3.6.4 化工汽轮机组故障样本诊断 |
| 3.7 本章小结 |
| 4 基于β-覆盖的模糊覆盖粗糙集 |
| 4.1 引言 |
| 4.2 预备知识 |
| 4.3 模糊β-覆盖近似空间中概念之间的关系 |
| 4.3.1 模糊β-最小描述与各类约简之间的关系 |
| 4.3.2 模糊β-最大描述与β-核、I-约简之间的关系 |
| 4.4 模糊β-覆盖近似空间之间的关系 |
| 4.4.1 生成的模糊β-覆盖近似空间 |
| 4.4.2 I-生成的模糊β-覆盖近似空间 |
| 4.5 七个诱导的模糊β-覆盖近似空间和相应的格结构 |
| 4.5.1 七个诱导的模糊β-覆盖的一些新的性质 |
| 4.5.2 一些导出模糊β-覆盖的格结构 |
| 4.6 本章小结 |
| 5 模糊覆盖粗糙集的故障诊断方法及其在TE化工过程故障诊断中的应用 |
| 5.1 引言 |
| 5.2 TE化工过程 |
| 5.3 基于模糊β-邻域的模糊覆盖信息系统属性约简方法 |
| 5.4 “模糊覆盖粗糙集+智能分类器”的故障诊断方法 |
| 5.5 基于“模糊覆盖粗糙集+SVM”的TE化工过程故障诊断实验 |
| 5.5.1 获取并初始化数据 |
| 5.5.2 基于模糊β-邻域的TE化工过程故障数据集的属性约简 |
| 5.5.3 基于TE化工过程的“模糊覆盖粗糙集+SVM”故障诊断模型建立 |
| 5.5.4 基于TE化工过程的“模糊覆盖粗糙集+SVM”故障诊断 |
| 5.6 本章小结 |
| 6 广义模糊覆盖粗糙集 |
| 6.1 引言 |
| 6.2 预备知识 |
| 6.2.1 直觉模糊集 |
| 6.2.2 单值中智集 |
| 6.3 两类直觉模糊覆盖粗糙集模型 |
| 6.3.1 直觉模糊β-邻域、直觉模糊β-邻域系统和β-邻域 |
| 6.3.2 两类直觉模糊覆盖粗糙集模型 |
| 6.3.3 直觉模糊覆盖粗糙集模型和其他粗糙集模型之间的关系 |
| 6.4 单值中智覆盖粗糙集模型 |
| 6.4.1 单值中智覆盖近似空间 |
| 6.4.2 三类单值中智覆盖粗糙集模型 |
| 6.5 多粒度单值中智覆盖粗糙集模型 |
| 6.5.1 多粒度单值中智β-覆盖近似空间 |
| 6.5.2 三类多粒度单值中智覆盖粗糙集模型 |
| 6.5.3 不同中智β-覆盖产生相同的多粒度单值中智覆盖近似算子的条件 |
| 6.6 本章小结 |
| 7 广义模糊粗糙集的决策方法及其在聚合釜故障诊断中的应用 |
| 7.1 引言 |
| 7.2 聚合釜反应过程与常见故障 |
| 7.3 基于直觉模糊覆盖粗糙集的群决策方法及其在故障诊断中的应用 |
| 7.3.1 乐观多粒度直觉模糊覆盖粗糙集模型 |
| 7.3.2 基于直觉模糊故障信息的多属性群决策问题 |
| 7.3.3 基于乐观多粒度直觉模糊覆盖粗糙集的故障信息群决策方法 |
| 7.3.4 直觉模糊决策方法在聚合釜故障诊断中的应用 |
| 7.4 基于多粒度单值中智覆盖粗糙集的群决策方法及故障诊断应用 |
| 7.4.1 基于单值中智故障信息的多属性群决策问题 |
| 7.4.2 基于多粒度单值中智覆盖粗糙集的故障信息群决策方法 |
| 7.4.3 单值中智决策方法在聚合釜故障诊断中的应用 |
| 7.4.4 对比分析 |
| 7.5 本章小结 |
| 8 总结与展望 |
| 8.1 全文工作总结 |
| 8.2 研究工作创新点 |
| 8.3 未来工作展望 |
| 致谢 |
| 参考文献 |
| 附录A: 最小、最大描述的集合计算Matlab程序（第二章） |
| 附录B: 最小、最大描述的矩阵计算Matlab程序（第二章） |
| 附录C: 本文应用的化工汽轮机组故障诊断数据（第三章） |
| 附录D: 基于不可分辨矩阵的不完备信息属性约简Matlab程序（第三章） |
| 附录E: SVM故障诊断Matlab程序（第三章） |
| 附录F: 基于模糊β-邻域的约简计算Matlab程序（第五章） |
| 附录G: TE化工过程部分数据（第五章） |
| 附录H: 单值中智覆盖粗糙集上、下近似计算Matlab程序（第七章） |
| 攻读博士学位期间发表的科研成果目录 |
（7）多元信息粒化与属性选择方法研究（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.关键方法与技术 |
| 1.2.1.信息粒化 |
| 1.2.2.属性约简 |
| 1.3.存在问题与挑战 |
| 1.4.本文工作与贡献 |
| 第2章 监督信息粒化下的属性约简 |
| 2.1.问题描述 |
| 2.2.相关知识 |
| 2.3.本章工作 |
| 2.3.1.类内外双半径监督信息粒化 |
| 2.3.2.监督粒化的属性评价与选择 |
| 2.4.实验分析 |
| 2.4.1 实验数据 |
| 2.4.2 实验设置 |
| 2.4.3 实验结果 |
| 2.5.本章小结 |
| 第3章 半监督决策系统下的属性约简 |
| 3.1.问题描述 |
| 3.2.相关知识 |
| 3.3.本章工作 |
| 3.3.1.局部邻域决策错误率 |
| 3.3.2.半监督集成属性选择 |
| 3.4.实验分析 |
| 3.4.1.实验数据 |
| 3.4.2.实验设置 |
| 3.4.3.实验结果 |
| 3.5.本章小结 |
| 第4章 多粒度问题下的属性约简 |
| 4.1.问题描述 |
| 4.2.相关知识 |
| 4.3.本章工作 |
| 4.3.1.多粒度属性约简的定义 |
| 4.3.2.多粒度属性选择加速器 |
| 4.4.实验分析 |
| 4.4.1.实验数据 |
| 4.4.2.实验设置 |
| 4.4.3.实验结果 |
| 4.5.本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 攻读硕士学位期间主持与参与的科研项目 |
| 致谢 |
（8）强碱三元复合驱储层结垢智能预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第一章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外结垢预测方法研究现状 |
| 1.2.1 基于化学机理知识的结垢预测方法研究现状 |
| 1.2.2 基于机器学习的结垢预测方法研究现状 |
| 1.2.3 结垢预测方法存在的实际问题 |
| 1.3 结垢预测研究待解决的关键科学问题 |
| 1.4 智能预测相关技术分析 |
| 1.4.1 智能诊断方法的研究现状 |
| 1.4.2 解决智能诊断问题的科学范式分析 |
| 1.4.3 解决关键科学问题的技术研究 |
| 1.5 论文研究内容与组织安排 |
| 1.5.1 论文主要研究内容 |
| 1.5.2 论文组织安排 |
| 第二章 试验区结垢机理分析与储层结垢智能预测模型设计 |
| 2.1 引言 |
| 2.2 结垢预测试验区地质特征分析 |
| 2.2.1 试验区选择的必要性 |
| 2.2.2 试验区储层地质特征分析 |
| 2.2.3 储层流体性质分析 |
| 2.2.4 储层油水渗流特征分析 |
| 2.3 试验区结垢机理与垢样组成分析 |
| 2.3.1 SASP体系溶液与储层矿物及地层流体的作用机理 |
| 2.3.2 试验区垢样类型 |
| 2.3.3 结垢对储层及举升设备产生的影响 |
| 2.4 试验区结垢特征与规律研究 |
| 2.4.1 三元复合驱结垢特征 |
| 2.4.2 采出井井筒结垢规律 |
| 2.4.3 采出液离子变化规律 |
| 2.5 强碱三元复合驱结垢预测流程分析 |
| 2.5.1 真实场景下结垢预测工作流程分析 |
| 2.5.2 结垢预测工作流程存在的问题 |
| 2.6 基于数据挖掘的SASP结垢预测模型设计 |
| 2.6.1 结垢预测智能化的必要性 |
| 2.6.2 结垢智能预测流程设计 |
| 2.6.3 结垢预测模型的框架设计 |
| 2.6.4 基于数据挖掘的SASP结垢预测模型优势与特点 |
| 2.7 模型可行性分析与重点研究内容 |
| 2.7.1 模型的可行性分析 |
| 2.7.2 模型重点研究内容分析 |
| 2.8 本章小结 |
| 第三章 基于本体的结垢预测知识推理模型设计 |
| 3.1 引言 |
| 3.2 结垢预测知识分析 |
| 3.2.1 结垢预测领域知识分析 |
| 3.2.2 结垢预测过程形式化表示 |
| 3.3 基于本体的SASP储层结垢预测知识推理模型设计 |
| 3.3.1 本体技术分析 |
| 3.3.2 知识推理模型设计思路 |
| 3.3.3 ONSP-KRM模型框架设计 |
| 3.3.4 ONSP-KRM模型组成 |
| 3.4 结垢预测本体知识的形式化表示 |
| 3.4.1 储层结垢预测本体层次结构 |
| 3.4.2 结垢预测本体知识概念表示 |
| 3.4.3 结垢预测本体知识关系表示 |
| 3.4.4 结垢预测本体知识公理表示 |
| 3.4.5 基于SWDL的结垢预测规则表示 |
| 3.5 储层结垢预测知识库的构建 |
| 3.6 SASP储层结垢预测知识推理效果分析 |
| 3.6.1 SASP结垢预测知识本体实例与预测效果分析 |
| 3.6.2 ONSP-KRM模型分析 |
| 3.7 本章小结 |
| 第四章 基于邻域约简与DPSO的结垢预测分类模式挖掘方法研究 |
| 4.1 引言 |
| 4.2 结垢预测领域数据分析与处理 |
| 4.2.1 结垢预测领域数据描述 |
| 4.2.2 结垢预测领域数据特点分析 |
| 4.2.3 结垢预测领域离群值分析 |
| 4.2.4 结垢预测影响因子的粗粒度筛选 |
| 4.3 结垢预测分类模式挖掘方法设计 |
| 4.3.1 方法设计思想 |
| 4.3.2 结垢预测分类模式挖掘方法设计 |
| 4.4 模糊混合不完备邻域粗糙模型设计 |
| 4.4.1 模糊混合不完备邻域决策系统 |
| 4.4.2 模糊混合不完备邻域粗糙模型 |
| 4.4.3 邻域阈值自适应方法设计 |
| 4.5 基于邻域约简和DPSO的混合不完备特征选择 |
| 4.5.1 粒子编码方式设计 |
| 4.5.2 粒子群优化目标分析 |
| 4.5.3 DPSO参数设置 |
| 4.5.4 算法描述 |
| 4.6 结垢预测分类器设计 |
| 4.7 实验效果分析 |
| 4.7.1 数据准备 |
| 4.7.2 实验环境与参数设置 |
| 4.7.3 基于不同邻域阈值取值方法的NRDPSO对比实验 |
| 4.7.4 基于不同启发式算法的可变阈值IFDS特征选择对比实验 |
| 4.7.5 不同权重系数对最优特征子集的影响实验 |
| 4.7.6 不同特征选择算法的评价指标对比实验 |
| 4.8 本章小结 |
| 第五章 基于MPSO/D-ESN的储层结垢时序预测方法研究 |
| 5.1 引言 |
| 5.2 结垢预测领域数据时序趋势分析 |
| 5.2.1 结垢预测领域数据时序趋势分析 |
| 5.2.2 结垢预测领域时序趋势特点分析 |
| 5.3 基于回声状态网络的混沌时间序列预测模型设计 |
| 5.3.1 ESN基本原理 |
| 5.3.2 储备池参数分析 |
| 5.4 基于MPSO/D的 ESN储备池参数优化算法 |
| 5.4.1 多目标优化问题分析 |
| 5.4.2 目标空间分解与解分类 |
| 5.4.3 种群分类更新策略 |
| 5.4.4 基于MPSO/D算法的ESN储备池参数优化 |
| 5.5 实验效果分析 |
| 5.5.1 MPSO/D算法性能对比实验 |
| 5.5.2 MPSO/D-ESN模型预测性能对比实验 |
| 5.6 本章小结 |
| 第六章 系统设计与应用效果分析 |
| 6.1 引言 |
| 6.2 系统概述 |
| 6.2.1 业务现状分析 |
| 6.2.2 业务数据模型设计 |
| 6.2.3 系统总体结构设计 |
| 6.2.4 智能化结垢预测工作流程分析 |
| 6.2.5 系统开发与运行环境配置 |
| 6.3 系统详细设计 |
| 6.3.1 基于本体的结垢预测知识管理系统设计 |
| 6.3.2 结垢预测数据集成系统设计 |
| 6.3.3 结垢预测与清防垢管理系统设计 |
| 6.4 真实应用案例分析 |
| 6.4.1 实验样本与实验方法选取 |
| 6.4.2 特征选择与分类模型构造效果分析 |
| 6.4.3 时序预测效果分析 |
| 6.5 本章小结 |
| 结论与展望 |
| 文中涉及的附表 |
| 附表1 样本属性描述 |
| 附表2 结垢预测测试报告 |
| 参考文献 |
| 在读期间研究成果 |
| 致谢 |
（9）属性约简与加权方法的研究及其应用（论文提纲范文）
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文章节安排 |
| 2 相关理论与方法 |
| 2.1 粗糙集相关理论 |
| 2.2 属性约简算法 |
| 2.3 属性加权算法 |
| 2.4 本章小结 |
| 3 基于卡方检验的邻域粗糙集属性约简算法 |
| 3.1 相关性检验方法 |
| 3.2 ChiS-NRS算法 |
| 3.3 实验验证分析 |
| 3.4 本章小结 |
| 4 基于主客观加权法和梯度提升树的肝癌微血管侵犯预测模型 |
| 4.1 主客观加权法 |
| 4.2 肝癌微血管侵犯预测模型 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 论文的工作总结 |
| 5.2 未来的工作展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（10）三支决策的聚类集成算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 聚类集成研究现状 |
| 1.2.2 三支决策研究现状 |
| 1.3 本文研究思路和主要贡献 |
| 1.4 论文结构安排 |
| 第2章 相关理论介绍 |
| 2.1 聚类集成 |
| 2.1.1 聚类集成定义 |
| 2.1.2 基础聚类生成 |
| 2.1.3 基础聚类集成 |
| 2.2 聚类集成评估标准 |
| 2.3 三支决策 |
| 2.3.1 三支决策定义 |
| 2.3.2 三支决策算法模型 |
| 2.4 本章小结 |
| 第3章 基于二支增量决策的聚类集成算法研究 |
| 3.1 概述 |
| 3.2 基于信息熵的基础聚类的质量度量 |
| 3.3 基于二支增量的基础聚类过滤算法 |
| 3.4 定性实验分析 |
| 3.4.1 实验准备 |
| 3.4.2 实验设计 |
| 3.4.3 实验分析 |
| 3.5 本章小结 |
| 第4章 基于三支决策的聚类集成算法研究 |
| 4.1 概述 |
| 4.2 基于三支决策的基础聚类过滤优化算法 |
| 4.3 基于序贯三支决策的聚类集成研究 |
| 4.4 定性实验分析 |
| 4.3.1 实验准备 |
| 4.3.2 实验设计 |
| 4.3.3 实验分析 |
| 4.5 本章小结 |
| 第5章 综合实验与分析 |
| 5.1 概述 |
| 5.2 实验准备 |
| 5.3 实验设计 |
| 5.4 实验分析 |
| 5.4.1 过滤算法横向对比 |
| 5.4.2 聚类集成算法对比 |
| 5.4.3 时间消耗 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 进一步工作的方向 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
四、基于Rough Set的综合评价方法研究（论文参考文献）
- [1]面向决策分析的多粒度计算模型与方法综述[J]. 庞继芳,宋鹏,梁吉业. 模式识别与人工智能, 2021(12)
- [2]粒计算视角下三支决策TAO模型及其治略度量研究[D]. 郭豆豆. 哈尔滨师范大学, 2021(08)
- [3]区间型数据的表示及分类[D]. 祁晓博. 山西大学, 2021(01)
- [4]基于增量条件熵的不完备数据特征约简方法研究[D]. 唐荣. 四川大学, 2021(02)
- [5]基于粒子群算法的RS-SVM改进与空区危险程度智能判识研究[D]. 乐彪华. 合肥工业大学, 2021(02)
- [6]覆盖粗糙集与模糊粗糙集及其在化工过程故障诊断中的应用[D]. 王敬前. 陕西科技大学, 2021(01)
- [7]多元信息粒化与属性选择方法研究[D]. 刘克宇. 江苏科技大学, 2020(03)
- [8]强碱三元复合驱储层结垢智能预测方法研究[D]. 胡亚楠. 东北石油大学, 2020(03)
- [9]属性约简与加权方法的研究及其应用[D]. 谭永奇. 山东科技大学, 2020(06)
- [10]三支决策的聚类集成算法研究[D]. 梁伟. 南昌大学, 2020(01)