基于粗糙集和信息熵BP神经网络故障诊断.docVIP

基于粗糙集和信息熵BP神经网络故障诊断 　　摘要:针对粗糙集只能处理量化数据,容错和推广能力较差的缺点以及BP神经网络的维数灾难问题,提出1种基于信息熵的粗糙集属性离散化方法. 该方法利用粗糙集对属性进行约简,解决BP神经网络的维数灾难问题,并将BP神经网络用于模式分类补偿粗糙集属性约简用于模式分类时的不足. 实例分析表明该方法具有较好的故障诊断效果. 　　关键词:粗糙集; 信息熵; 离散化; 神经网络; 故障诊断 　　中图分类号:TP212文献标志码:A 　　 　　Fault diagnosis of BP neural network based on 　　rough set and information entropy 　　WANG Faxing1, SHEN Yonghong2 　　(1. Tongda College, Nanjing Univ. of Post Telecommunications, Nanjing 210046, China; 　　2. School of Mathmatics Statistics, Tianshui Normal Univ., Tianshui Gansu 741000, China) 　　Abstract: Rough set can only process quantization data, and the ability of fault-tolerant and generalization is weak, meanwhile, BP neural network has the dimension disaster problem. So a rough set attribute discretization method based on information entropy is proposed. The attribute is reduced to solve the dimension disaster problem of BP neural network. BP neural network is used to deal with the pattern classification to make up for the shortcoming brought by attribute reduction. The example result shows that the method has better performance for fault diagnosis. 　　Key words: rough set; information entropy; discretization; neural network; fault diagnosis 　　收稿日期:2009-05-08修回日期:2009-08-28 　　作者简介: 王发兴(1981―),男,甘肃武威人,讲师,硕士,研究方向为小波分析和计算机仿真等,(E-mail)fxwangcaptain@126.com 　　 　　0引言 　　 　　粗糙集理论是PAWLAK教授于20世纪80年代提出的1种新的处理模糊和不确定性知识的数学工具,具有无须提供除问题所需处理的数据集合之外的任何先验信息,仅根据观测数据删除冗余信息,比较不完整知识的程度――粗糙度、属性间的依赖性和重要性来抽取分类规则等的能力,其主要思想就是在保持系统分类能力不变的前提下,通过知识约简,导出问题的决策或分类规则.目前,粗糙集理论已被广泛应用于机器学习、决策分析、模式识别与数据挖掘、故障诊断等领域.[1] 　　粗糙集模式识别的核心思想是首先导出问题的决策或分类规则,然后以此构成识别器对待识样本数据进行识别.当待识样本数据满足分类规则的条件时都会得到准确的识别结果,但当条件不满足时往往会有识别错误或不能识别的现象发生,其容错能力和推广能力相对较弱.BP神经网络是神经网络中最具代表性的1种,具有较强的模式分类能力,且容错能力和推广能力相对较好.但当网络维数较大或输入样本较多时,网络训练时间过于冗长.鉴于以上分析,在文献[1]中给出基于信息熵的属性离散化方法的基础上,本文克服粗糙集和BP神经网络各自用于模式识别时的缺点,将两者加以结合,从而建立1种基于新的离散化算法的粗糙集和BP神经网络故障诊断识别模型,以期在故障诊断识别中能取得更好的应用效果. 　　 　　1粗糙集理论和信息熵 　　 　　1.1粗糙集理论 　　1.1.1知识表达系统和决策系统 　　定义1在粗糙集理论[2-7]中,知识表达系统被定义为1个四元组S=(U,A,V,f).其中U={x,x2,…,xn}