1、第41卷第10期 计算机研究与发展2004年10月 JoURNAL 0F COMPUTER RESEARCH A ND DEVEUOPMENTVd41No10oct2004基于粗糙集神经网络的网络故障诊断新方法李千目 戚 j勇 张 宏 刘凤玉(南京理工大学计算机科学与技术系南京210094)(1iqiamu126com)摘要针对传统网络故障知识库冗余度高和稳定性难以两全的缺陷，综合运用神经网络方法和粗糙集理论，提出了RsNN算法，实现不一致情况下的规则获取和学习样本的净化处理该算法具有简化样本、适应性强、容错性高和不易陷入局部最小点等特点，能有效处理网络故障诊断中噪声或不相容的信息实验表明，利
2、用该方法实现的系统与同类的其他方法相比，提高了诊断准确率和诊断速度关键词粗糙集；神经网络；故障诊断中图法分类号TP393；TP311A New Network Fault Diagnosis Method Based on RS-Neural NetworkLI QianMu，QI Yong，ZHANG Hong，and LIU FengYu(D啦以删f 0厂伤优似衍&如撇口蒯T砒咖，巧i馏溉i锄郇妇盯Sf锄口以亿加魄y，巧i增，210094)Abstract In this paper，a design method for network fault diagnosis systems i
3、s put forward by proposir培RSNN algorithm，which tightlymbines neural network and rough setsReduced infomation table can beobtained，which implies that the number of evaluation criteria is reduced with no infomation loss throughrough Set approach And then， this reduced infOnnation is uSed to develop cl
4、assification rules and trainneural network to infer appropriate par锄etersThe rules developed by RSneural network amlysis showthe best prediction accurac多if a case does match any of the rules Its capable of overcoming severalshortcomings in existing diagnosis systems， such aS a dilemma between stabil
5、ity and redundancy Theexperiment system implemented by this method shows a goOd diagnostic abilityKey、vords rough sets；neural network；fault diagnosis1 引 言随着信息技术的飞速发展，网络已逐渐成为21世纪全球最重要的基础设施，网络故障诊断问题(netrorks fault diagnOsis，NFD)越来越成为人们关注的焦点，IETF还专门成立了IPPM工作组，提出了一系列网络性能检测的参数和方法网络故障诊断问题被定义为u J：当诊断对象发生某种
6、或某些故障时，其输出或系统的行为将与正常状态时不同或失调，诊断的任务就是要寻找引起收稿日期：200407一15基金项目：国家自然科学基金项目(60273137)这些异常征兆的可能原因统计假设检验是最早用于网络故障诊断的方法匕，其中，典型的有LR检验和SPI汀检验U之检验方法对于网络故障诊断具有显著的适用性和良好的统计性质，缺点是在有限样本的情况下，缺乏容错能力例如，当样本数据包含极端异常数据或单个因子p(y(川日o)印(y(“)I护1)接近于0或者时，似然比或对数似然比检验统计量会发生崩溃SPRT检验又称wald序贯概率比检验，Wald等人证明在所有有效SPRT族中一定存在一个一致最有效的贯序
7、检验该方法的缺点是当系统历史上曾发生过突发性故障时，会严重影响系万方数据10期 李千目等：基于粗糙集神经网络的网络故障诊断新方法 1697统当前诊断任务的运行由于系统故障总是由系统某一或某些部件配置错误、损坏或性能降低引起的，这些都可以表现为某些物参的变化，物参变化必然引起模参变化，通过模参一物参关联方程就能诊断故障基于这种机理，Rolf ISerman提出基于参数估计的故障诊断方法3|，该方法的不足在于，网络故障引起系统模型结构和参数变化的形式是不确定的(可能是突变也可能是漂移变化，可能是参数变化也可能伴随结构变化)，对不确定时变、变结构变参数辨识问题，文献3的方法难以胜任Ta91iafer
8、riM J提出一种模糊神经网络的新方法，该方法的困难在于难以确定故障的模糊隶属度向量文献5提出一种基于专家系统的故障实时诊断方法，有一定的实际意义，但是该方法实现故障诊断的准确度依赖于知识库中专家知识的丰富程度，而且对于网络这种规模较大的系统，存在“冲突消解”和“组合爆炸”问题近年来，粗糙集理论成为机器学习的新热点，它能有效地分析和处理不精确、不完整、不一致数据，可以发现数据间隐藏的关系，提取有用信息，简化信息处理粗糙集理论的主要思想是在保持分类能力不变的前提下，通过对知识的约简，导出概念的分类规则其中知识被认为是一种对抽象或现实的对象进行分类的能力本文利用粗糙集理论，从网络状态信息中提取原始
9、规则，引入分层分散优化思想和基于误差的后向传播原理，提出一种新的基于粗糙集决策的神经网络算法(RsNN)，并设计相应的网络故障诊断模型，它可以在混合网络环境下通过提供单一的网络操作控制环境来管理所有子网和被管理设备，以集中的、统一的方式远程控制网络，合理有效地建立故障诊断知识库，以排除故障和重新配置网络设备，从而达到提高网络的质量、抗干扰和快速恢复能力的目的仿真实验证明了本方法的有效性2系统原理及实现RSNN的实质是根据获取的网络状态性能信息，定义网络局部特征属性，从所有的属性中筛选出能反映网络故障本质关系的重要属性，再基于这些属性建立最小原始规则，根据神经网络的特点，分层融合知识库，提高系统
10、性能，降低系统的误报率处理过程如图1所示其中，状态特征预处理模块负责在特定的时间间隔记录网络状态特征然后，离散化相应的特征属性，构建可辨识矩阵，结合粗糙集理论和分层分散优化的思想，将网络故障分类约简，剔除不一致(冲突)和重复的规则，每一类故障诊断系统含有多个子网络，通过粗糙集理论逐层分类，构成一个多级复合神经网络系统上述步骤循环往复，直到知识库包含足够的规则检测故障这是开展故障诊断的基础捕获网络状态信息状态特征l 故障监测与诊断预处理r、规则抽取学习i面；FJ故障知识库f 【黧竺r矗赢处理与报警图1 基于RsNN算法的网络故障诊断流程图21 网络故障诊断相关概念及其状态信息的获取定义1网络状态
11、S是一个二元组S(U，E)，U是非空有限对象集，称为被管对象空间，记做U=mi i=1，2，优是被管理的网络对象，E是网络实体各自的状态E=(Pl厂l，已2，P)，其中，Pi是状态的属性，疋是相应属性的参数定义2网络状态信息是指在网络运行时从网络实体的状态E中提取的行为信息定义3网络实体可以定义成一个三元组(A，E，G)，其中，G：AEE是系统迁移G是状态改变的映射函数，A是引起实体状态变化的事件集合网络局部状态能分成L个不相干的特征C=c】，f2，fI，(L由所在域的结点性质决定)网络故障是一种由正常状态c到异常状态c 7的转变网络状态信息通过信息采集结点(CA)获取CA以自治的方式驻留在检
12、测网段上，它是一个进程，并不与检测结点一一对应CA的独立性和自治性便于系统增加和撤销组件，具有良好的扩展潜力每个CA从指定被管对象集获得相应局部网络状态信息，并向它所在的诊断结点报告(如图2所示)，其中，安全管理器提供身份认证和基于角色的权限控制，数据管理器按照上文定义的格式对原始信息进行处理和存储(关于信息采集的详细原理和安全机制作者将另撰文详述)数据采集器基于SNMP(简单网络管理协议)定时轮询相关MIB(管理信息库)变量，获得当前网络的运行状况E数据管理器将E转置变换，转换成万方数据1698 计算机研究与发展 2004年网络的状态信息：N=(81厂l，已2厶，PZ)1为实体状态的属性参数
13、五(卢1，2，咒)设定了一个阈值Tl(Tl根据实体性能特点，可以取专家知识或者反复实验调整得到)，建立比较函数：f0，五T1，用艿(六)代替五，因此经过预处理后的状态信息就是N7=(Pl艿()，P2艿()，P。艿(厶)令zi=已i艿(六)，净1，2，72，得到：M=(z1，z2，zn)1这样，就用咒维向量表达了局部网络状态的特征图2信息采集结点体系结构图22故障规则提取的粗糙集理论框架【6j知识约简是网络故障诊断的核心问题知识库中描述知识的属性并不是同等重要的，甚至其中某些属性是冗余的，所谓知识约简，就是在保持网络知识库分类能力不变的条件下，删除其中不相关或不重要的属性约简后的属性被定义为决策
14、属性，引入决策属性的信息系统称为决策系统定义4一个相容知识表达系统S，对决策规则以有zczD如果协C，有zC正zD，则r是蟊的核值属性，r为以中不可省略的；如果zCEzD，则r不是也的核值属性，r为d，中可省略的引理1假设S是一个相容知识表达系统，S=(【，C，D，V，厂)，那么以属性以为核值属性的决策规则集合为愆(口)=以I z(UPOSC。(D)当两个样本发生冲突时，即所有的条件属性取值相同而决策属性取值不同时，他们所对应的可辨识矩阵元素的取值为空集23 RsNN算法的推导与实现诊断问题的实质是一种映射，我们用神经网络来逼近这种映射关系，实现对故障的分类系统的学习样本由属性集(故障条件属性
15、子集与故障决策子集)组成，格式如表1所示：表l学习样本训练样本集虽然是领域专家所给出的知识(包括用故障条件属性所形成的知识)，但是不可避免存在不相容的情况，会产生冗余样本将这类样本进行训练，不但不会提高决策的正确性，反而会降低神经网络的学习效率；另一方面故障征兆子集中每一个属性对决策的贡献度不一样，系统需要在学习过程中反映不同属性的重要程度以提高学习效率；第3，由于网络故障信息是海量的，如果用一个三层神经网络结构来描述，神经元和连接权的数目将会很多，这也会导致学习算法效率低下；第4，由于用于获取决策表的样本是有限的，决策标志只包含所有样本全集中的一部分，这就会导致待识样本和决策表的样本冲突针对
16、这些问题，我们提出RSNN算法，利用Samet H算法(见附录)将原始规则库转化为神经网络结构(例如，已知规则z3 n z4一C，z。nzsC，、z】nz2一G，Gn Cy，规则的层次结构如图3(a)所示；转化为神经网络结构如图3(b)所示)神经元的每一层定义一个性能指标，第i层的优化指标为。望一厂i=芝j(芝j(夕gyg)2)，卢=l ，式中，鲐表示第p个样本输入时，第i层第歹个结点的加权和期望输出；yg表示第p个样本输入时，第i层第i个结点的实际加权和输出通过该指标的优化确定网络的权值，从而把神经元网络的调整问题转化为以神经元的层为单位的分层分散子优化问题决策方案的修正是通过神经网络学习和
17、粗糙集学习之间的交换改进的，直到粗糙集学习选出最少属性构成的决策规则能全部正确划分所有的训练集万方数据10期 李千目等：基于粗糙集神经网络的网络故障诊断新方法 1699样本为止G C，1爪J1 工2 工3 X4 工5(a)规则层次图 (b)规则厍转化成神经网络图3 由规则库到神经网络的转化图RSNN算法步骤如下：步骤1简化网络故障信息样本系统R是故障属性集如果对于R，j属性集D如果PoSR(D)=PQsR一。(D)，那么删除n步骤2根据定义5，计算信息表的可辨识矩阵Cb步骤3对于可辨识矩阵中的所有取值为非空集合的元素C玎(Cii0，Ci，)，建立相应的析取逻辑表达式LLi，=U盘i将所有的析取
18、逻辑表。 。 哪翰达式L进行合取运算，得到合取范式L，L= f 1一。 q刹，妇L小将L转换为析取范式的形式，得L 7=ULi，其中，每个合取项中包含的属性组成约简后的条件属性集合，得到降低冗余后的知识系统K步骤4遍历不同类别知识系统的条件属性，如果有重复记录则删除(标记为A)；如果删除某列后产生冲突纪录，则保留原属性值；对于其他纪录，先标记为n，如果通过其余属性值可以判断出决策，则删除该值，否则保持原值得到知识系统K 7步骤5如果K 7中两条纪录仅有一个条件属性值不同，且其中一条纪录的该属性已被删除，那么当该记录可由未被标记的属性值判断出决策，则删除另外一条纪录；否则，删除本纪录步骤6经过以
19、上处理后得到新信息表(原始知识库)，所有属性值均为该表的值核，所有记录均对应为一条决策规则利用Samet H算法将知识库转化为神经网络，对于每一个输入输出对，做如下处理：(1)输入信号前向传播：nf ly巧=叫辨z(H)，嘞=厂(y巧)=l(2)输出误差信号后向传播：输出层：由互巧=厂(如)，得到：弛=厂1(圣巧)，所以有：屯=厂。1(圣L，)一此卜隐层：类似BP算法，将输出层的误差沿代价函数的负阶梯方向逐层后向传播：=厂7(z嵇)占()(U()旬(3)计算：由y毋=叫铲(i一1)女可得到：y巧=西T_l岛，其中，垂T_l=z(i1)l，z(i1)2，z(i一1)。一1，岛2 l叫巧1，叫巧2
20、，咖：1 j将上式带入=(粥一蟠)2)，得到：一=l ，=(粥一西T_1岛)2)(4)更新权值：设误差能量函数E=E(臼ii)，其中，臼巧=叫巧l，巧2，枷。一1VE(臼“走)表示梯度设K(pij(纠)=di昭(P一掣l，Pl掣，Pl掣I)，(P l。l l，P I。2，P I删飒1 1)，得到：臼巧(忌+1)=臼巧(尼)一卢(E(尼)17G(臼i(忌)，其中，G(幺i(愚)是E(口ij(忌)的单位梯度向量步骤7重复步骤6，直至收敛或学习步数达到规定值步骤8如果训练成功，冻结权值，用于回想，重新迭代3实验测试31算法的性能测试与比较命题1RSNN算法模型超过2层时，迭代序列汜i(愚)是收敛的证
21、明根据RSNN算法，显然可以得到E(谚i(忌)单调下降，即E(日打()E(臼ii(愚+1)又因为E(晚i(忌)有下界，所以得到E(谚i(忌)存在极限并且E(日“忌)关于w是一致连续的，所以，必存在臼7，使得lim口打(=臼7，即由臼i(愚)产生的迭代序列，(尼)是收敛的，命题得证为了客观地评价本文算法的性能，选择异或问题来进行算法测试进行100次随机选取初值的重复学习，取平均值，并与BPN，HNN【6，INMs引，SA(最速下降算法)比较结果，得到表2(取相同误差指标001，最大学习步数为4000步)结果表明本文算法的优越性万方数据1700 计算机研究与发展 2004年采用训练函数i”NN来检
22、验本文算法的拟合函数能力，当输入样本为X=104398，05230，09271，11771，12105，11600，09609，07336，06687，05656，07400，08370，10988，11072，10449，09816，74688，0551l，03982表2算法性能比较欲拟合的函数如图4所示，实线为拟合结果图5为训练5步的误差曲线，显然误差曲线是单调下降的，仅训练5步，误差就达到了10-15，效果明显15趔1O0)，则在W(，)处发生震荡当学习进入w(02)，Il a VE(臼打(忌)lI趋向于0，学习速度急速减慢对于SA算法，虽然优化了口，即minE(氏(志)一d(忌)(谚i
23、(尼)，避免了震荡问题，但是在学习过程中，前后两次的搜索方向正交，尤其在学习到最后时，VE(幺i(走)趋向于0，会出现拉锯现象，影响收敛速度本文RSNN算法结合粗糙集理论和分层分散优化的思想，将网络分类，每一类含有多个子网络，通过逐层分类，构成一个多级复合神经网络系统，同时，口(”)满足：当E(w)斜率较大时，I口(w)II较小；当E(w)斜率较小时，II口(w)|J较大(1) (72)图6 E(训)的剖面图32仿真实验及讨论为检验本系统及其算法的有效性，利用挪威科技大学与波兰华沙大学数学研究所联合提供的RoSetta环境(兀widintnunoaleksrosette)进行实验考虑到文章的篇
24、幅，选取ISDN无连接故障的部分子集作为检测对象，除去布线、供电系统、BER和用户号码等直接可以判断的问题，取网络组件属性(P)、ISDN接口状况(T)、终端处理(Q)、TEI属性(G)作为条件属性，决策属性C取值为0表示ISDN连通无故障，取值1表示无连接故障样本实例库R量化后如表3所示消除关系R中的多余属性，得到简化的知识系统，如表4所示表3量化处理后ISDN无连接故障信息样本8 0 l 0 0 017238456万方数据10期 李千目等：基于粗糙集神经网络的网络故障诊断新方法 1701对表4进行归约得到P，T，P，G构造每个决策类的决策矩阵如表5和表6所示，并根据决策矩阵计算最小决策规则
25、由决策类C为0的决策矩阵得到0最小决策规则为(P=0)n(T=1)一(C=0)；(P=0)n(G=0)一(C=0)；(P=1)一(C=0同理，得到决策类C为1的最小决策规则为(T=2)一(C=1)；(G=1)一(C=1)；(P=2)一(C=1)根据归约结果和决策规则，得到最小知识库其中，“PT”知识库用规则表示为(P=0)n(丁=1)一(C=0)，(P=1)一(C=0)，(T=2)一(C=1)，(P=2)一(C=1)“PG”知识库用规则表示为(P=0)n(G=0)一(C=0)，(P=1)一(C=0)，(G=1)一(C=1)，(P=2)一(C=1)表5 O决策矩阵1，7 (丁，2)(G，1)2
26、(P，2)(T，2)(G，0)4 (P，2)5 (P，2)(G，1)对实验中的两个知识库进行融合，同时对故障属性进行编码分类，得到完整的故障知识库，如表7所示以故障现象编码作为输入，以故障编码作为输出，输入层结点数取为14，隐层结点数取为21，输出层结点数取为4，用RSNN算法进行训练不失一般陛，以测试编码1210为例图7表示模式11输入下输出层结点2输出(期望值为1)随训练步数变化关系曲线学习模式11在第4步就收敛到满意的进度，实验得到故障编码结果为(0000010，0990038，0000010，0000010)表7实验故障编码表故障属性序号故障编码P T Q G测丑察瓣匿剜露U ZU 4
27、U训练步数图7模式11输入下输出层结点2输出随训练步数的变化实验表明，RSNN算法由于净化了样本，剔除了冗余属性，具有比较快的学习速度和比较高的学习精度，适合网络故障诊断快速、准确的要求4结 论由于网络及其各种设备运行过程中的动态信号携带了丰富的状态信息，这些信息存在着不确定性、冗余性的特点，从而导致网络系统复杂性越高，精确性越低，冗余性越强，未确知性越多，造成故障诊断的困难旧J本文设计了一种基于粗糙集神经网络的网络故障诊断新方法，具有简化样本、适应性强、知识约简、容错性高和不易陷入局部最小点等特点，能有效处理网络故障诊断中噪声或不相容的信息通过与其他算法的比较和测试表明，本文RSNN算法具有
28、较好的故障诊断能力、较高的学习精度等优点，提高了诊断效率，有着广阔的应用前景1OOOOO000O)、J【l，GG(1221，ETG、，O222，PPPPVvV(万方数据1702 计算机研究与发展 2004年123467参考文献D Gavalas，D Gfeenw。0d，M Ghanbari，甜“Adv趴ced networkmonito“ng applications based on rnobileintdligent agenttechnOlogyComputer C()mmunications，2002，23(8)：720730BaSS嘶IIe M，NikiforDv I VDetect
29、ion of Abrupt ChangesTheory and ApplicationNew JerSey：PrenticeHall EIl91ew00dCliffS1993R01f Isemlan ProceSs fault detection based on rnodding andeStimation methodA surveyA_utomatica，1999，29(4)：815835R Tagliaferri，A E1euteri，M Meneganti，甜“F、lzzy IIljn粼neural network： Fr啪 classification to regression
30、So“Computing，2001，5(1)：6976Phillip Bullell，叻ve In呦nAn eXpert Systerll forthe a越ysis offaults in an dectricity supply network： ProblerIls andachievementsC锄puter in Industry，1998，37(5)：113123张文修，米据生，等不协调目标信息系统的知识约简计算机学报，2003，26(1)：1218(Zhang WenXiu，Mi Jusheng，甜“Krlowledge reductions ininoonsistent inf
31、orrmtion systemsChinese Joumal of Computers(in ChineSe)，2003，26(1)：1218)Raghunathan Rengasw锄y，Venkat VenkatasubraHmi龇A fasttraining neu词 netw矾( and its updating for indpient faultdetection and di碰弘10sis(hlputer a11d Ch“cal Er培ineering，200024(2)：4314378 E N Sl【oundrianos，S G TzafestasFhult diagrlosis
32、 via local neuralnet、科ksMatherllatjcs and C()mputerS in SimLdation，2002，60(35)：169180李千目男，1979年生，博士，讲师，主要研究方向为故障诊断、网络性能戚灞男，1970年生，博士，副教授，主要研究方向为数据挖掘张宏男，1962年生，教授，博士生导师，主要研究方向为数据挖掘与机器学习刘凤玉女，1943年生，教授，博士生导师，主要研究方向为网络性能保持和信息安全附录1 Samet H算法对于合取规则，在与肯定条件相对应的网络连接权w设置为f，在与否定条件相对应的网络连接权设置为一，在于结论相对应的神经元的阈值设为
33、(2P+1)2，其中，P是肯定条件个数万方数据基于粗糙集神经网络的网络故障诊断新方法作者： 李千目， 戚湧， 张宏， 刘凤玉作者单位： 南京理工大学计算机科学与技术系,南京,210094刊名： 计算机研究与发展英文刊名： JOURNAL OF COMPUTER RESEARCH AND DEVELOPMENT年，卷(期)： 2004，41(10)被引用次数： 25次参考文献(8条)1.D Gavalas.D Greenwood.M Ghanbari Advanced network monitoring applications based onmobile/intelligent agent
34、 technology 20022.Basseville M.Nikiforov I V Detection of Abrupt ChangesTheory and Application 19933.Rolf Iserman Process fault detection based on modeling and estimation method-A survey 1999(04)4.R Tagliaferri.A Eleuteri.M Meneganti Fuzzy min-max neural network: From classification toregression 200
35、1(01)5.Phillip Bullell.Dave Inman An expert system for the analysis of faults in an electricity supplynetwork: Problems and achievements 19986.张文修.米据生 不协调目标信息系统的知识约简期刊论文-计算机学报 2003(01)7.Raghunathan Rengaswamy.Venkat Venkatasubramanian A fast training neural network and its updatingfor incipient faul
36、t detection and diagnosis 20008.E N Skoundrianos.S G Tzafestas Fault diagnosis via local neural networks 2002(3-5)相似文献(10条)1.期刊论文 吴冰.魏建.刘艳昌.李慧.WU Bing.WEI Jian.LIU Yan-chang.LI Hui 粗糙集神经网络在图像分割中的应用 -河南理工大学学报(自然科学版)2007,26(5)提出了粗糙集神经网络用于图像分割的方法.该方法利用粗糙集约简理论对分割后的图像区域特征进行约简,以降低特征向量维数,抽取出规则,然后根据这些规则构造神经
37、网络隐含层的神经元个数,从而确定粗糙集神经网络的结构.粗糙集神经网络中每个神经单元的输入为区域值,输出为决策分类值,此时权值预设为各规则粗糙隶属度值,然后用BP算法迭代,最终实现图像的分割.试验证明,该方法大大缩短了训练时间,提高了精度,并且得到优于常规的分割图像以及满足图像处理的实时性要求.2.学位论文 侯静 基于粗糙集和遗传算法的神经网络模型研究 2004该文主要研究基于遗传算法和粗糙集软计算方法的神经网络模型的构建方法,研究了遗传算法和粗糙集软计算方法的特点,研究了二者结合的优势,进而研究了神经网络模型参数的确定方法,提出改进神经网络模型参数及优化方法.仿真实验证明,这种改进方法取得了较
38、好的结果.该文的研究工作主要有以下几个方面:首先,对遗传算法的基本操作进行了讨论,并基于遗传算法的基本操作对一个全局寻优问题进行了仿真实验,验证了遗传算法的有效性.第二,讨论了粗糙集处理数据的基本原理和方法,通过仿真实验证明了粗糙集理论在数据预处理应用方面的有效性.第三,对粗糙集规则提取方法进行了研究,提出了基于遗传算法和粗糙集理论的规则约简方法,即应用遗传算法对粗糙集简化形成的知识表进行全局寻优,获得知识的最小决策规则.该算法既具有粗糙集处理不一致训练数据的能力,又具有遗传算法有效搜索决策规则的能力.仿真实验表明,相对仅用粗糙集理论产生的规则而言,加入遗传搜索器的粗糙集产生的规则具有简化、实
39、用的特点,缩短了计算时间,因此,将两种算法结合具有可行性.第四,研究了BP神经网络模型的构成及特点,针对神经网络模型的不足,论述了粗糙集软计算方法与神经网络结合的可能性.利用粗糙集在处理不确定性和不完全性问题方面的优点,构成粗糙集神经网络模型,即根据基于粗糙集和遗传算法获取的规则构建新的神经网络模型.仿真实验研究表明,采用基于粗糙集和遗传算法的神经网络不仅保持了原有神经网络模型和粗糙集理论的优点,还在实时性方面获得了较大的提高.最后,对全文所做的工作进行了总结,并对下一步研究工作进行了展望.3.期刊论文 何明.冯博琴.马兆丰.傅向华 一种基于粗糙集的粗糙神经网络构造方法 -西安交通大学学报20
40、04,38(12)针对神经网络中各神经元和权不能赋予明确的物理意义,提出了一种基于粗糙集的神经网络模型.该模型利用粗糙集理论数值分析的能力,首先从给定的数据集中抽取出规则,然后根据这些规则构造神经网络隐含层的神经元个数,从而确定粗糙神经网络的初始拓扑结构.同时,将输入映射到输出子空间,并在这个子空间上用神经网络进行逼近,由此得到一种可理解性好、收敛速度快的神经网络模型.实验结果表明,该模型能够较好地处理神经网络拓扑结构、训练样本的大小、样本质量等对神经网络的精度及泛化能力有直接影响的问题,在大大缩短训练时间的同时,它的预测精度可达96.4%,较同条件下径向基函数神经网络模型的精度高3.6%.4
41、.学位论文 万琼 基于粗糙集、神经网络和进化算法的若干分类方法研究 2005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
42、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
43、了良好的应用效果。5.期刊论文 谢振华.商琳.李宁.王金根.陈世福 粗糙集在神经网络中应用技术的研究 -计算机应用研究2004,21(9)通过对有关粗糙集与神经网络相结合的研究现状,关键技术和发展趋势进行分析,给出了一个三维应用框架,并介绍了粗糙集用于数据预处理、神经元设计和粗糙集用于神经网络结构设计几个方面的应用现状,并给出了粗糙集在神经网络中应用的关键技术.6.学位论文 吴霞 基于粗糙集-神经网络的入侵检测系统的研究 2009随着网络技术的和网络规模的不断发展，网络所面临的入侵和风险也越来越多，网络安全问题日益突出。作为网络安全解决方案的重要环节，入侵检测技术正受到广泛的关注。事实证明，传
44、统的计算机安全理论已不能适应网络环境的发展变化。传统的入侵检测系统在有效性、适应性和可扩展性方面存在一定的不足。因此，神经网络、遗传算法、粗糙集等理论被不断引入到入侵检测领域，来提高入侵检测的性能。本文主要是在对提高入侵检测能力的有效手段方面作了一些探讨。首先对入侵检测技术的概念、分类以及粗糙集理论和神经网络等方面作了一个简单的介绍。然后，分析了入侵检测技术的特点以及存在的不足，并融合了粗糙集理论和神经网络各自的优点，提出了一种基于粗糙集神经网络的入侵检测模型（Rough Set and Neural Network Intrusion Detection Model， RSNNIDM）。在该
45、模型中我们是将粗糙集作为前置处理系统对属性进行约简，通过基于可辨识矩阵的最佳属性化简算法，得到可以区分入侵行为和正常行为的最少属性组合，并由此建立专家系统的攻击特征库来检测已知的入侵行为。再根据最少属性数来构建LVQ神经网络结构，对数据样本集进行化简并训练神经网络。对于专家系统不确定的分类或未知的攻击类型，就可以通过神经网络进行分类识别，并相应的更新特征库。对粗糙集神经网络的入侵检测模型的各模块功能，文中进行了详细的分析、设计，并给出了实现方式。所建立的专家系统和神经网络相结合，不仅能检测到已知类型的攻击行为，对于未知的攻击类型，通过重新训练神经网络也能够进行识别和分类。我们进行了仿真实验来检
46、验所构造的模型的性能。实验结果表明该方法克服了BP网络训练次数多，收敛速度慢等缺陷，优于其他同类的方法。本文是把粗糙集理论和神经网络相结合并应用于入侵检测系统的一次尝试。模型采用CIDF的标准来划分模块结构，具有大的理论意义和实践意义。7.会议论文 谢振华.商琳.李宁.王金根.陈世福.陈兆乾 粗糙集和神经网络结合技术的研究综述 2003本文对有关粗糙集与神经网络相结合的研究现状、关键技术和发展趋势进行综述，主要内容包括：粗糙集用于数据预处理；粗糙集用于神经元设计；粗糙集用于神经网络结构设计。最后结合国内外研究成果，给出了一个三维应用框架。8.学位论文 张龙 基于粗糙集和神经网络的中文文本分类研
47、究与实现 2008随着通信技术和计算机技术的飞速发展，自动信息处理已成为人们获取大量信息不可缺少的工具文本分类作为自动信息处理的重要研究方向，有着广泛的应用前景粗糙集理论和神经网络技术在模式识别中都已得到广泛的应用，但在文本分类领域的应用研究相对较套粗糙集在不影响分类精度的前提下通过信息约简能得到显式的文本分类规则，但它对数据中的噪声比较敏感，分类规则具有模糊性神经网络有很强的容错学习能力，但不能消除过量的冗余信息，且庞大的文本特征维数限制了网络的性能为此本文采用了一种粗糙集和神经网络相结合的文本分类方法，设计并实现了一个RS-BPNN中文文本分类系统，主要工作内容有：1)本文对当前文本分类领
48、域的关键问题及其常用解决方法进行了研究，分析了现有方法的特点与不足详细阐述了信息约简的粗糙集理论和基于神经网络的机器学习技术，分析了它们相结合的优点。2)本文结合粗糙集的属性约简和神经网络的分类机理，在向量空间模型表示文本的基础上，构建RS-BPNN中文文本分类模型首先采用粗糙集对向量空间降维，然后用BP神经网络进行训练，再利用训练得出的分类知识对新文本进行分类通过两者有机的融合增强了它们在文本分类中的实用性。3)针对现有属性约简算法的缺陷，结合向量空间模型的特点，对粗糙集的Johnson属性约简算法进行了改进改进的算法以特征向量重要度为启发式信息，加快了约简速度并能得到较优的约简。4)开发了一个RS.BPNN中文文本分类原型系统，采用客观的中文语料库对系统进行封闭式和开放式测试，分析和评估文本的分类性能及系统的整体性能结果表明该系统具有较高的分类精度，基于粗糙集和神经网络相结合的中文文本分类方法切实可行9.期刊论文 吕秀江.王宁.LV Xiu-jiang.WANG Ning 基于粗糙集和ART2 神经网络的多传感器信息融合
