一、基于粗糙集理论的相关关系预测方法研究（论文文献综述）
韩浪[1]（2021）在《高速铁路调度集中系统硬件可靠性分析方法研究》文中指出调度集中系统作为铁路运输的核心技术装备,在保证列车安全、高速、正点运行方面发挥着举足轻重的作用。硬件设备是调度集中系统的重要组成部分,其可靠性水平直接决定着系统能否安全、可靠、平稳的运行,对硬件进行可靠性分析,研究硬件的故障模式和失效机理,对于提升调度集中系统的可靠性,保证高铁的客运服务质量十分重要。我国调度集中系统硬件组成结构复杂、种类及数量众多,利用既有可靠性数据分析方法对其进行建模研究时存在计算难度大、数据利用不充分等缺点。铁路数字化的发展,使得调度集中系统积累了大量的现场可靠性数据,为数据挖掘技术应用于硬件可靠性分析提供了数据支撑。论文主要工作如下:首先介绍调度集中系统的体系结构和硬件设备,阐述调度集中系统硬件结构复杂、设备种类及数量众多的特点;基于调度集中系统的硬件结构,阐述数据挖掘技术在调度集中系统硬件可靠性分析工作中的实现方案,设计调度集中系统硬件可靠性分析模块的功能和架构;结合数据挖掘的基本步骤和既有可靠性数据分析方法的基本流程,阐述基于数据挖掘的可靠性分析方法的基本流程。其次以车站自律机硬件设备为例,分析自律机硬件故障特性、失效因素特性以及两者之间的不确定性关系;基于调度集中系统体系结构和硬件组成特点,分析车站自律机硬件现场可靠性数据的采集方式;基于铁路大数据应用框架,设计并阐述现场可靠性数据的预处理逻辑框架;通过对比同一型号同一批次自律机硬件设备在京张高铁和京雄高铁上的不同故障表现情况,发现两条线路的自律机硬件设备在设计水平、制造工艺、运行设备状态、安装与调试人员等失效因素相似的条件下,在运行环境因素上存在巨大差异,因此构建了基于环境失效因素的自律机硬件现场可靠性数据集,为基于数据挖掘的自律机硬件故障失效因素分析提供数据支撑。最后根据聚类分析和基于近似不可分辨关系的粗糙集理论之间的联系,结合两者建立车站自律机硬件故障失效因素分析决策模型,选取环境失效因素作为条件属性集,自律机硬件故障次数作为决策属性,对基于环境失效因素的自律机硬件现场可靠性数据集进行等价类划分,从单一环境因素和耦合环境因素两个角度,验证分析环境失效因素与自律机硬件故障的部分近似依赖程度,并给出提升自律机硬件可靠性的施工建议;通过完成基于数据挖掘的可靠性分析方法的所有基本流程,验证基于数据挖掘的调度集中系统硬件可靠性分析方法的可行性和适用性。
周晓勇[2]（2021）在《地铁车载ATC设备故障诊断与预警系统研究》文中研究指明地铁列车车载ATC设备是保障地铁列车安全高效运行的重要设备。当车载ATC设备发生故障时,可能导致列车运行晚点、列车回库检修等情况,给列车的运营造成损失。对地铁列车车载ATC设备的故障进行归纳分析,进而实现故障的自动化诊断和预警,是提高列车运行效率的必要手段。目前,地铁列车车载ATC设备信息记录不规范、监测信号不全面、预警手段欠缺等都是亟待解决的问题。本文针对这些问题,首先,设计开发信号检测单元的软件模块。其次,利用历史故障记录表,分析故障类型与故障特征,构建故障数据集,采用GA-PSO算法优化SVM模型,分别建立故障诊断与预警模型。最后,编写故障诊断预警软件平台。论文的具体工作包括:（1）针对监测信号不全面的问题,开发信号检测单元软件模块,实现信号采集、通信、日志存储、异常信号检测、远程登录以及看门狗等功能。同时,通过实验室测试和工程专业测试,验证软件程序的实际可用性。（2）针对信息记录不规范的问题,采用结巴分词分析文本信息,建立词汇库。提出以特征词汇的词语逆频率计算权值的方法,获取权值决策表,离散化后获得原数据集,以粗糙集理论中的简单数据分析法约简原数据集。利用原数据集和约简数据集对模型进行训练测试,结果表明,约简后的数据集减少5个特征项,节约20%左右的训练测试时间,对模型性能稍有提升。（3）针对预警手段欠缺的问题,提出一种GA-PSO算法对SVM进行参数寻优的方法,从而建立故障诊断与预警模型。以SVM中的分类模型SVC实现故障诊断,以回归模型SVR进行预测。基于故障数据集,通过对SVM、PSO-SVM、GA-SVM和GA-PSO-SVM模型训练测试,利用F1-Score和ROC曲线对分类结果进行对比评估,利用MSE值对预测结果进行对比评估,验证在分类和预测模型上,GA-PSO算法实现了对SVM模型的优化,并且比单一算法的优化效果更好,证明模型的可用性与稳定性。（4）编写故障诊断与预警模型软件平台。利用MATLAB软件编译器将模型转化为C++代码,封装成动态链接库。使用C++MFC框架设计实现了软件的界面编程,通过引用创建的动态链接库,实现故障诊断与预警软件的功能。本文提出一种基于GA-PSO-SVM模型的方法,分别利用模型中的分类与回归工具,实现车载ATC设备的故障诊断与预警,为地铁列车车载ATC设备的故障诊断与预警提供了新的思路。图45幅,表14个,参考文献67篇。
王经书[3]（2021）在《物联网环境下不完全数据流补全研究》文中进行了进一步梳理随着物联网（Internet of Things,Io T）的不断发展,物联网应用逐渐进入人们的日常生活。物联网环境的复杂性、传感器种类多样性与物联网环境动态性等特点,使得物联网设备所收集到的数据种类较多,并且数据收集过程中由于各种原因导致终端设备数据缺失。缺失数据给物联网的数据挖掘、物联网应用等带来较大影响。因此,物联网环境下的不完全数据流填充问题,成为了一个重要的研究课题。本文主要针对物联网环境下不完全数据流的补全问题进行研究,论文主要研究内容如下:（1）物联网环境下离散不完全数据流的研究。本课题组在前期工作中提出了一种基于规则的不完全数据流补全方法。首先,该方法使用缺省逻辑定义补全规则结构,经典粗糙集理论和信息熵用于补全规则生成。其次,基于不同时间粒度样本生成不同补全规则,并使用DLV求解器进行补全结果求解。最后,基于不同时间粒度规则补全结果进行数据融合,得到最终补全结果。针对上述研究,在处理不完全数据流过程中,同一行测试数据中缺失样本较多时,上述方法不能很好的进行数据补全,因此本文提出了一种规则优化的不完全数据流补全方法,在规则生成过程中基于同一时间粒度下生成不同长度规则。在数据补全过程中,该方法在相同时间粒度下对不同长度规则进行选择,若准确率最高的规则不能得到补全结果,那么使用准确率次之的规则,直到得到补全结果,或者所有补全规则都被使用却没有得到此时间粒度下的补全结果,则使用其它时间粒度规则继续补全。通过爬取的智能家居数据集进行实验,实验结果表明,该方法提升了不完全数据流补全方法的有效性与实时性。（2）物联网环境下连续不完全数据流的研究。传统的降维方法不能很好的挖掘数据之间的关系,因此本文提出了一种基于隐式关系挖掘的不完全数据流补全方法。首先,使用邻域粗糙集理论计算连续数据间的关系,挖掘当前属性与其他属性的关联性,即其它属性对当前属性的整体影响。其次,将所生成的关系和数据输入神经网络模型中进行训练,得到补全关系模型。最后,通过实验验证所提出的方法在补全性能上有较高的提升。
闫佳[4]（2021）在《基于多维聚类及马尔可夫链组合模型的风电功率短期预测方法研究》文中认为目前,风能、太阳能等为代表的新能源产业成为世界各国重要发展产业之一,其中风能占有重要的比例。风电功率预测技术作为风电并网技术中的重要组成部分,能够为电力系统调度提供依据,减少旋转备用容量,提高电力系统稳定性等。如今,风电功率预测技术大都采用统计方法,其需要大量的历史测量数据,并通过分析数据间的统计关系进行风电功率预测。然而,传统的预测方法在风电数据特征提取及模型组合修正等方面尚存不足之处,需要进一步展开深入的研究。例如,第一,传统预测方法中,采用聚类算法可以解决,因历史风电数据量大且维度高导致的预测模型复杂且学习效率低的问题,但传统聚类算法中仍存在聚类个数及聚类中心不确定的问题;第二,传统的风电数据预处理方法,没有充分挖掘功率序列中蕴含的波动趋势特征;第三,传统的预测方法一般采用单一预测模型,然而各个预测模型均有各自的优缺点,运用单一预测模型难以获得最佳的预测精度。针对以上问题,本文逐步展开以下研究:首先,针对传统聚类算法中聚类中心及聚类个数不确定的问题,提出了基于密度峰值改进模糊C均值软聚类的风电功率预测方法。该方法使得改进后的聚类算法更加适用于风电数据处理,解决了传统聚类算法中聚类中心及聚类个数不确定,以及相邻工况过渡样本划分有效性差的问题。在此基础上,分类建立结构精简的Elman神经网络预测模型。然后,针对传统聚类算法没有充分挖掘功率序列中蕴含的波动趋势特性的问题,提出一种基于多维功率趋势聚类的风电功率预测方法。该方法首先提出一种多维功率趋势相似距离度量算法,对风电数据中的趋势特性进行挖掘。最后将提出的多维功率趋势距离度量与经密度峰值改进后的模糊C均值软聚类算法及Elman神经网络群相结合,构建完整的预测模型。最后,针对传统风电功率预测方法中采用单一预测模型,难以综合多个预测模型的优点获得最佳预测结果的问题,提出一种基于多维聚类及马尔可夫链组合模型的风电功率预测方法。该方法首先利用粗糙集理论改进加权马尔可夫链权重系数的确定,将改进后的加权马尔可夫链对风电功率进行状态区间预测。最后利用此预测状态区间,对基于多维功率趋势聚类的风电功率预测方法的预测结果进行组合修正,以进一步提高预测精度。通过算例验证,采用本文所提的风电功率预测方法,逐步解决了上述风电功率预测中的若干问题,预测精度逐步提高。预测结果验证了文中所提方法的可行性与有效性。
陈威[5]（2021）在《基于粗糙集和深度学习的建筑能耗预测研究》文中进行了进一步梳理高效准确的建筑能耗预测能改善电力系统的管理和提高建筑的能源利用率。然而建筑能耗影响因素众多且冗杂,各因素与建筑总能耗的潜在关系模糊且难以明确,这在一定程度上限制了建筑能耗的准确预测。而粗糙集理论正是一种善于处理不确定性知识的工具,它将有助于找到影响建筑能耗的关键因素。另外,随着人工神经网络的不断发展,智能算法中最新出现的深度学习技术具备了“深度”架构和强大的特征提取能力,引入它来参与建筑能耗预测将很有希望提高预测准确度。本项研究使用来自100座民用公共建筑的100套数据进行粗糙集属性约简,然后从大连一所大学的实验室建筑中收集了将近一年的能耗数据来训练和测试深度置信神经网络。具体实验过程为首先通过粗糙集找到重要建筑能耗影响因子,随后将这些关键因素将作为深度神经网络的输入,建筑总能耗作为深度神经网络输出,对大连地区某高校的一栋实验楼进行包括短期和中期的几种不同形式的建筑能耗预测。并将深度神经网络的预测结果与BP,Elman,模糊这三种典型的传统神经网络的预测结果进行对比,研究该模型的计算精度表现。结果表明,基于粗糙集和深度学习的建筑能耗预测方法准确有效,具有较高的实用性,该模型的建立可以为建筑能耗预测带来一种切实可行的解决方案。
张旻宇[6]（2021）在《基于增量式学习与集成学习的入侵检测方法研究》文中研究说明近年来,入侵检测系统已发展成为网络安全领域的一个重要组成部分,应用前景非常广阔。但是,目前的入侵检测系统还存在检测精度低、误报率高、实时性差等问题,难以在较短的时间内获得令人满意的检测结果。为了解决这些问题,基于机器学习的入侵检测方法得到了广泛关注和研究。决策树算法具有分类精度高、速度快、模型易于理解等优点,因此被广泛应用在入侵检测中。然而,现有的基于决策树的入侵检测方法还存在很多问题亟待解决。首先,这些方法大多采用静态策略来获取决策规则,每当数据集发生变化,都需要在整个数据集上重新创建决策树,难以有效处理动态数据;其次,采用单一决策树可能会出现误差和过拟合问题,所构建的入侵检测模型的性能很多时候难以令人满意。针对上述问题,本文将研究新的、更适合于网络入侵检测的决策树算法,并利用这些算法来检测入侵行为。首先,为了解决现有决策树算法分裂属性的选择标准不合适等问题,提出一种基于粒度决策熵的决策树算法DTGDE,并将其应用于入侵检测;其次,为了有效地处理动态数据,我们从增量式学习的角度来改进DTGDE,提出一种基于粒度决策熵的增量式决策树算法IDTGDE,并将其应用于入侵检测;第三,为了解决单一决策树可能出现的误差和过拟合问题,我们从集成学习的角度来改进DTGDE,提出一种基于粒度决策熵的决策森林算法DFGDE,并将其应用于入侵检测。本文的主要研究工作如下:（1）基于粒度决策熵的决策树算法及其在入侵检测中的应用现有的决策树算法存在分裂属性的选择标准不合适、子树存在大量重复等问题,本文结合粗糙集理论中的粗糙度与知识粒度这两个概念,提出一种基于粒度决策熵的决策树算法DTGDE,并应用于入侵检测。DTGDE采用粒度决策熵来作为分裂属性的选择标准。相对于现有的信息熵模型,粒度决策熵能够同时对知识的完备性和知识的粒度大小进行有效度量,因此,利用其来选择分裂属性可以更加全面地考察每个属性对决策分类的贡献。实验结果表明,相对于现有的决策树算法,DTGDE算法具有更好的入侵检测性能,此外,其在入侵检测效率上也表现较好。（2）基于粒度决策熵的增量式决策树算法及其在入侵检测中的应用针对现有的增量式决策树算法存在分裂属性选择标准不合理、处理动态数据的效率低等问题,本文从增量式学习的角度来改进（1）中所提出的算法DTGDE,并由此提出一种基于粒度决策熵的增量式决策树算法IDTGDE。IDTGDE算法首先基于粒度决策熵模型在初始训练集上创建初始决策树,然后,利用增量式学习的思想来有效地处理增量式数据。为了将IDTGDE算法更好地应用于入侵检测,在构建决策树之前,我们引入了三种原始数据的预处理机制。实验结果表明,IDTGDE算法不仅具有较好的入侵检测性能,而且计算开销非常小。（3）基于粒度决策熵的决策森林算法及其在入侵检测中的应用采用单一决策树可能会出现误差和过拟合问题,而集成学习则可以有效解决上述问题。集成分类器可以获得比仅使用单个分类器更强的泛化能力。为了在较短的时间内构建出性能令人满意的入侵检测模型,本文从集成学习的角度来改进（1）中所提出的算法DTGDE,并由此提出一种基于粒度决策熵的决策森林算法DFGDE。DFGDE算法首先使用自助采样机制来生成多个采样集;然后,在每一个采样集上分别进行随机属性选择,并使用DTGDE算法来构建一棵决策树;最后,将前面生成的所有决策树通过加权投票的方式组合成一个决策森林。实验结果表明,相对于已有的具有代表性的集成学习算法而言,DFGDE具有更好的入侵检测性能。特别是,DFGDE的入侵检测性能要优于DTGDE。
张云鹏[7]（2020）在《基于粗糙集理论的个性化推荐系统研究》文中指出随着互联网的发展,人们能够获取的信息资源愈加丰富,这些信息资源在方便人们生活的同时也引发了一定的问题。人们通常需要消耗大量的精力与时间来从庞大的信息库中找到自己想要的,所以使得“信息超载”越发严重,怎样从杂乱的信息里面搜集到人们真正需要的信息也需要快速的解决。推荐系统可以解决上述问题,它能够准确地给用户推荐其感兴趣的内容,进而实现个性化服务。然而,推荐系统发展至今仍面临一些问题:一是由于现实生活中物品的数量及种类多,用户对物品的评价数目有限,因此,在用户-物品评分矩阵中有许多未评分的项,导致用户-物品评分矩阵稀疏,产生了稀疏性的问题;二是每当有新物品加入时,往往会因为没有用户对新物品的评分信息,而使得新物品得不到推荐,产生了冷启动的问题;三是现有的推荐系统往往不能对用户进行准确地推荐,存在推荐质量较低的问题。本文阐述了个性化推荐系统的基础知识及相关理论,分析比较了现有的推荐算法,针对现有推荐算法的稀疏性、冷启动以及推荐质量低等问题进行研究并提出改进方法。本文主要工作如下:1、当前推荐系统的数据集较为稀疏,基于这个现象,本文先利用粗糙集理论对规则进行了提取,通过用户-物品评分矩阵和用户、物品属性搭建了相应的决策表,紧接着对获得的决策表进行约简以获得各条规则对应的核值形成核值表,最后得到核值决策规则,实现对其全部的约简,进而对还没评分的物品给予预测评分并填充原始的用户-物品评分矩阵以在协同过滤中计算相似度,缓解用户-物品评分矩阵中数据稀疏性的问题。实验表明,通过粗糙集理论进行规则提取,能有效缓解用户-物品评分矩阵的稀疏性问题,提高推荐算法的准确性。2、基于物品的协同过滤算法在计算相似度时仅仅依赖于用户-物品评分矩阵,没有考虑物品彼此之间存在的关联,当用户主观上对某些物品存在偏见时,往往会对该物品进行较低的评分,由于这些低质量评分的存在,使得推荐系统的准确性偏低。为降低用户主观偏见对推荐结果的影响,本文引入物品分类的概念,通过物品自身的属性信息,将物品进行分类。结合用户-物品评分矩阵,通过这两方面计算物品之间的相似度,实现符合目标用户偏好的个性化推荐。实验表明,通过引入物品的分类信息来计算物品之间的相似度,能有效提高推荐算法的准确性。
张森[8]（2020）在《基于粗糙集理论和最小二乘支持向量机的区域物流需求预测研究》文中研究说明“十三五”期间我国经济保持稳定增长,伴随着经济的增长和产业结构的调整,现代物流行业对于区域经济的发展,提高区域经济整体竞争力,所发挥出来的作用越来越凸显。从宏观产业经济发展的角度来看,各种区域物流发展政策的制定、区域物流设施的规划与设计以及产业布局都离不开对区域物流需求进行定量分析。因此,对区域进行物流需求预测是一项基础性且必要性的工作。通过对区域物流需求进行定量分析,有助于地区物流经济主管部门制定地区未来物流发展的科学发展战略规划以及提供相关经济决策必要的数据支撑。本文在深入分析已有物流需求预测理论相关资料的基础上,针对目前区域物流需求预测普遍存在的影响因素选择偏主观性以及缺乏对物流需求影响因子进行对比实证分析等问题,选取代表我国西部地区的四川省和代表东部区域的浙江省作为采集数据样本,构建出完整且较为全面的区域物流需求影响因素指标体系。为了筛选出能代表各自区域物流需求的重要影响因素,引入粗糙集理论,将其中的属性约简数据挖掘算法进行对重要影响因素的提取,并将属性约简结果与最小二乘支持向量机预测模型相结合,构建出区域物流需求RS-LSSVM预测模型。为了验证粗糙集和最小二乘支持向量机结合的有效性和必要性,对属性约简前后的LSSVM模型的预测精度和泛化能力进行前后对比分析,结果表明引入粗糙集理论消除冗余属性,降低输入维度能有效提高LSSVM模型的泛化能力,提高了LSSVM的预测性能,证明了采用粗糙集理论的合理性和有效性。最后,为了更进一步提高区域物流需求的预测精度,决定采用改进的PSO算法AIWPSO来对LSSVM模型进行参数寻优,并将RS-AIWPSO-LSSVM模型的预测精度和预测误差,与RS-PSO-LSSVM模型、RS-BP模型以及采用交叉验证法的LSSVM模型进行比较,实验结果表明RS-AIWPSO-LSSVM的预测精度最佳,学习泛化能力最好,预测误差最小,并将其作为最终的区域物流需求预测模型分别对四川省、浙江省2019年的货运量进行了预测。此外,本文为了实现对四川省和浙江省未来3年的货运量进行预测,运用二次指数平滑法对四川省、浙江省各影响因素未来3年的值做了预测并将其作为AIWPSO-LSSVM模型输入,实现了四川省和浙江省未来3年货运量的预测,并给出了区域相应的发展建议。可以看到,将粗糙集与最小二乘支持向量机引入到区域物流需求预测当中,降低了预测模型的复杂度和难度,具有一定的创新性,这对于区域物流需求预测问题提供了新的方法和思路。
郭洋[9]（2019）在《面向智能交通大数据的特征提取和流量预测算法优化与改进研究》文中指出智能交通系统作为未来交通系统的发展方向,近年来获得了快速深入发展,并已具备大数据特征。而大数据环境下的海量多源异构且实时性强的数据,增加了数据挖掘的复杂度和难度。特征提取和流量预测是目前该领域中广泛应用的两类数据挖掘方法。其中,特征提取方法又涵盖了关联特征与事件特征两种使用频繁的代表性提取算法。随着智能交通数据环境的不断演变,关联特征提取、事件特征提取和交通流量预测的传统模型与算法逐渐表现出准确率下降、性能缓慢、效率低下等问题,成为目前各类高可靠性、高效率、高精度系统应用的瓶颈所在。因此,研究如何优化改进这三种算法以适应时代的发展和满足更高标准的数据需求具有非常重要的现实意义。本论文旨在基于交通关联特征提取、事件特征提取和流量预测的现有算法基础上,进一步研究大数据挖掘并行化和特征选择的特点,提炼机器学习应用于交通数据的特有特性,分析现有工作的不足,通过与相关的实验进行有机结合,提出三种新的优化算法,改进算法的准确度和效率,提高算法在智能交通系统中的应用效果。论文的主要研究内容如下:（1）面向交通领域的关联特征提取算法的核心是进行关联规则挖掘。但该挖掘算法的每次迭代计算过程中的大量磁盘I/O操作会使运行平台效率低下,同时一成不变的算法迭代策略产生了大量中间候选集,造成空间和时间成本高。针对这一问题,提出一个基于分布式并行计算和自适应策略的关联特征提取算法。该算法利用Spark的内存存储特性并使用一种改进的方法去除传统Apriori算法中间候选集的生成步骤,提出基于数据集性质的自适应策略来寻找具有更高精度和效率的频繁模式,实现了最小化的时间和空间复杂度。（2）在面对交通领域的海量和多属性的数据挖掘过程中,存在大量噪声和冗余,导致训练数据不清晰,直接使用人工神经网络会使网络模型规模巨大而复杂。而过于复杂的网络结构将导致超长的学习时间以及局部最小化和过拟合问题,挖掘效率低。针对这一问题,通过研究模糊集、粗糙集理论和神经网络各自具有的优势以及存在的问题,提出一种基于新定义的模糊粗糙集概念的粒度神经网络,以依赖因子的形式提取数据的领域知识。该方法使用粒化结构来定义网络的输入向量和目标值,指定依赖因子作为粒度神经网络的初始连接权重,然后在无监督的情况下,使用新提出的特征评估指数最小化方式对其进行训练。在训练完成之后,从隐藏层和输出层之间的权重更新来获得各个特征的重要性。（3）交通流量预测是交通建模和管理中的一个基本问题,许多交通流量预测系统和模型大都使用浅层模型,且对不同道路采取分散独立学习和预测的模式。已有的一些深层架构模型如深度置信网络由于反向传播方法的先天性缺陷,例如慢收敛和局部最优,使得基于这些模型的方法未能提供最有利的预测结果。为了解决这些问题,提出了一种基于多层神经网络架构和多任务学习的交通流量预测优化算法。该算法的模型结构是由两部分组成的多层网络结构,包括底层的DBN和顶层的多任务回归层。DBN以无监督的方式进行特征学习,在DBN之上创建多任务回归层,嵌入回声状态学习机制而不是传统的反向传播方法,用于监督预测。该模型结合了DBN和回声状态网络的优点,并通过多任务学习机制综合考虑了多条道路的互相影响,以提高预测准确率。论文进一步研究了不同的任务分组策略对预测效果的影响,同构和异构多任务学习在交通流量预测中的应用并提出了一种基于顶层权重的分组方法,使多任务学习更加有效。
江雪莹[10]（2019）在《基于粗糙集理论与灰色预测模型的道岔故障预测》文中研究说明道岔是保障列车安全运行的重要设备,随着我国高速铁路的快速发展,道岔的重要性显得更为明显,一旦发生故障就会导致脱轨、追尾等严重事故。与普速铁路道岔不同,高速铁路道岔的列车过岔速度高、维修时间短,要求其具有更高的安全性、可靠性。因此,对高速铁路道岔故障进行预测,实现“状态修”,对保证行车安全、提高运输效率具有重要意义。由于对道岔动作电流曲线的整体直接进行时域特征提取会显得较为粗糙,不利于后续对故障的分类,而道岔的动作自然分成了不同的时间区域,因此就以道岔动作的顺序进行分区,将其划分为5个部分,分别为启动区、解锁区、转换区、锁闭区和缓放区。首先,对微机监测系统记录的电流曲线数据根据分区进行时域特征提取,并基于Fisher准则进行最优特征的选择。由于选出的最优特征数值差异性较大,直接使用知识约简方法获得最小决策表的难度较高,且不利于后续故障预测,因此,提出一种“替换”的方法,将差异性较大的具体数值转换为仅具有三种不同状态的特征,然后基于粗糙集理论中的知识约简方法对决策表进行约简得到最小决策表。根据最小决策表可以获得最小诊断规则,为后续故障预测提供规则库。对不同“替换”范围以及不同约简方法进行分析,结果表明,“替换”范围变化会对决策表产生影响,而约简方法变化不会。其次,利用提供的数据信息计算道岔故障灰色预测模型建立所需的各参量,根据已知的初始序列以及计算出的参量,根据递推公式建立灰色预测模型,利用还原值公式得到具体预测值。但是由于预测所得出的结果为具体数值,不能直接得出故障类型,因此灰色预测模型不能单独用于故障预测,需要借助决策表中的信息,将得到的预测值“替换”后,与最小决策表中的状态特征进行比对,得到最终预测的故障类型,并计算实际值与预测值之间的误差。采用该方法可以解决道岔故障数据量少、数据精度要求较高等问题且不需人的主观经验。最后,为解决预测不够客观的问题,提出一种计算道岔预测故障发生概率的方法,将道岔故障诊断的准确率融合其中,并加入不同故障类型在相同条件下具有不同结论的数目,通过定量计算得到最终故障的发生概率。该预测模型能够实时对故障进行预测,结合决策表得出具体故障类型,具有一定的工程应用价值。
二、基于粗糙集理论的相关关系预测方法研究（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、基于粗糙集理论的相关关系预测方法研究（论文提纲范文）
（1）高速铁路调度集中系统硬件可靠性分析方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状 |
| 1.2.1 调度集中系统硬件可靠性分析研究现状 |
| 1.2.2 数据挖掘可靠性分析研究现状 |
| 1.3 研究内容及技术路线 |
| 1.3.1 技术路线 |
| 1.3.2 研究内容 |
| 2 基于数据挖掘的调度集中系统硬件可靠性分析方法 |
| 2.1 调度集中系统的体系结构及硬件设备 |
| 2.2 调度集中系统的硬件可靠性分析方法 |
| 2.3 基于数据挖掘的可靠性分析方法的基本流程 |
| 2.4 本章小结 |
| 3 车站自律机硬件故障的失效因素和现场可靠性数据 |
| 3.1 车站自律机硬件故障的失效因素 |
| 3.1.1 硬件故障和失效因素 |
| 3.1.2 硬件故障可靠性问题说明 |
| 3.1.3 硬件故障和失效因素间的不确定性关系 |
| 3.2 车站自律机硬件现场可靠性数据 |
| 3.2.1 数据采集 |
| 3.2.2 数据预处理 |
| 3.3 基于环境失效因素的自律机硬件现场可靠性数据集 |
| 3.4 本章小结 |
| 4 基于聚类分析的自律机硬件故障失效因素分析决策模型 |
| 4.1 理论基础 |
| 4.1.1 聚类分析 |
| 4.1.2 粗糙集理论 |
| 4.1.3 基于近似不可分辨关系的粗糙集理论和聚类分析的联系 |
| 4.2 自律机硬件故障失效因素分析决策模型 |
| 4.2.1 基于聚类分析的等价类划分 |
| 4.2.2 基于近似不可分辨关系的粗糙集决策模型 |
| 4.3 环境失效因素分析 |
| 4.3.1 单一因素分析 |
| 4.3.2 耦合因素分析 |
| 4.3.3 验证分析 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 研究结论 |
| 5.2 研究展望 |
| 参考文献 |
| 图索引 |
| 表索引 |
| 作者简历及攻读硕士学位期间取得的科研成果 |
| 学位论文数据集 |
（2）地铁车载ATC设备故障诊断与预警系统研究（论文提纲范文）
| 致谢 |
| 缩略词注释表 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断预警技术综述 |
| 1.2.2 车载设备故障预警现状 |
| 1.3 论文研究内容 |
| 2 支持向量机原理 |
| 2.1 支持向量机分类(SVC) |
| 2.2 支持向量机回归(SVR) |
| 2.3 支持向量机核函数 |
| 2.4 本章小结 |
| 3 车载ATC设备及数据挖掘方法 |
| 3.1 列车车载ATC设备结构及功能 |
| 3.1.1 车载ATC设备结构 |
| 3.1.2 车载ATC设备功能 |
| 3.2 车载ATC故障数据分析及特征 |
| 3.2.1 信号专业运营故障记录表 |
| 3.2.2 故障数据统计分析 |
| 3.3 基于粗糙集的数据约简与数据集构建 |
| 3.3.1 粗糙集理论 |
| 3.3.2 故障决策属性表 |
| 3.3.3 基于粗糙集的数据约简 |
| 3.4 小结 |
| 4 基于GA-PSO-SVM的车载ATC设备的故障诊断与预警 |
| 4.1 PSO算法 |
| 4.2 GA算法 |
| 4.3 GA-PSO嵌入式混合算法模型 |
| 4.4 基于SVM的车载ATC设备故障诊断与预警 |
| 4.4.1 粒子设计与验证 |
| 4.4.2 适应度函数的确认 |
| 4.4.3 模型建立过程 |
| 4.4.4 模型评价指标 |
| 4.4.5 基于SVC的故障诊断模型仿真实现 |
| 4.4.6 基于SVR的故障预测模型仿真实现 |
| 4.5 小结 |
| 5 信号检测单元及故障诊断预警软件平台 |
| 5.1 信号检测单元 |
| 5.1.1 信号检测单元模块组成 |
| 5.1.2 信号检测单元软件开发 |
| 5.1.3 信号检测单元实际测试 |
| 5.2 故障诊断预警软件平台 |
| 5.2.1 软件功能需求 |
| 5.2.2 软件设计 |
| 5.2.3 软件实现 |
| 5.3 小结 |
| 6 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 图索引 |
| 表索引 |
| 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 |
（3）物联网环境下不完全数据流补全研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 课题研究背景 |
| §1.2 课题研究意义 |
| §1.3 国内外研究现状 |
| §1.4 本文的主要内容 |
| §1.5 本文的结构 |
| 第二章 相关基础知识 |
| §2.1 缺省逻辑 |
| §2.1.1 缺省推理 |
| §2.1.2 缺省规则 |
| §2.2 缺失模式 |
| §2.3 粗糙集理论 |
| §2.3.1 经典粗糙集属性约简基本概念 |
| §2.3.2 邻域粗糙集属性约简基本概念 |
| §2.4 本章小结 |
| 第三章 基于规则学习的离散不完全数据流补全方法 |
| §3.1 引言 |
| §3.2 基于规则的不完全数据流补全方法 |
| §3.2.1 规则结构定义 |
| §3.2.2 规则生成 |
| §3.2.3 数据融合 |
| §3.3 基于规则优化的不完全数据流补全方法 |
| §3.3.1 基于规则优化的不完全数据流补全方法架构 |
| §3.3.2 不同长度规则生成 |
| §3.3.3 规则选取 |
| §3.4 补全方法的实现 |
| §3.5 实验结果与分析 |
| §3.5.1 实验数据 |
| §3.5.2 时效性分析 |
| §3.5.3 有效性分析 |
| §3.6 本章小结 |
| 第四章 基于隐式关系的连续不完全数据流补全方法 |
| §4.1 引言 |
| §4.2 隐式关系 |
| §4.3 基于隐式关系数据补全流程 |
| §4.4 隐式关系神经网络的数据补全方法 |
| §4.4.1 数据隐式关系挖掘 |
| §4.4.2 关系神经网络模型补全 |
| §4.5 隐式关系神经网络实验结果与评估 |
| §4.5.1 实验数据 |
| §4.5.2 实验结果与分析 |
| §4.6 本章小结 |
| 第五章 总结与展望 |
| §5.1 总结 |
| §5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（4）基于多维聚类及马尔可夫链组合模型的风电功率短期预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 风电功率预测方法的背景及意义 |
| 1.2 风电功率预测方法的国内外研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 风电功率预测模型研究 |
| 2.1 风电功率预测模型的分类研究 |
| 2.2 风电数据的聚类原理研究 |
| 2.3 典型风电功率预测模型的原理研究 |
| 2.4 本章小结 |
| 第三章 基于密度峰值改进SFCM的风电功率预测方法研究 |
| 3.1 基于密度峰值改进SFCM的方法研究 |
| 3.2 基于密度峰值改进SFCM的风电功率预测方法 |
| 3.3 算例验证 |
| 3.4 本章小结 |
| 第四章 基于多维功率趋势聚类的风电功率预测方法研究 |
| 4.1 功率序列多维趋势聚类算法的研究 |
| 4.2 基于多维功率趋势聚类的风电功率预测方法 |
| 4.3 算例验证 |
| 4.4 本章小结 |
| 第五章 基于多维聚类及马尔可夫链组合模型的风电功率预测方法研究 |
| 5.1 基于粗糙集理论改进加权马尔可夫链权重确定的方法研究 |
| 5.2 基于多维聚类及马尔可夫链组合模型的风电功率预测方法 |
| 5.3 算例验证 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简介 |
（5）基于粗糙集和深度学习的建筑能耗预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 课题的研究背景与意义 |
| §1.1.1 研究背景及选题依据 |
| §1.1.2 研究意义 |
| §1.2 国内外研究现状 |
| §1.2.1 建筑能耗预测研究现状 |
| §1.2.2 粗糙集理论和深度学习研究现状 |
| §1.2.3 当前研究存在的主要问题 |
| §1.3 主要研究内容及结构安排 |
| §1.3.1 主要内容 |
| §1.3.2 技术路线 |
| §1.3.3 结构安排 |
| 第二章 相关理论及建筑能耗预测模型建立 |
| §2.1 研究思路 |
| §2.2 粗糙集理论 |
| §2.2.1 知识表达 |
| §2.2.2 属性约简过程 |
| §2.2.3 连续属性离散化 |
| §2.3 深度学习 |
| §2.3.1 受限玻尔兹曼机的结构及训练过程 |
| §2.3.2 深度置信神经网络的结构及训练过程 |
| §2.4 模型预测过程及对比方法 |
| §2.4.1 模型预测过程 |
| §2.4.2 对比方法 |
| §2.5 本章小结 |
| 第三章 实验案例的数据实测及分析 |
| §3.1 用于粗糙集属性约简的数据实测分析 |
| §3.1.1 主要建筑能耗影响因子确定分析 |
| §3.1.2 测试对象及方式 |
| §3.2 用于深度神经网络预测的数据实测分析 |
| §3.2.1 实测对象 |
| §3.2.2 建筑能耗短期预测的数据实测分析 |
| §3.2.3 建筑能耗中期预测的数据实测分析 |
| §3.3 本章小结 |
| 第四章 基于粗糙集的关键建筑能耗影响因子指标识别研究 |
| §4.1 连续属性的离散化 |
| §4.1.1 条件属性的离散化 |
| §4.1.2 决策属性的离散化 |
| §4.2 建筑能耗决策表的建立 |
| §4.3 粗糙集属性约简 |
| §4.3.1 最小相对约简集 |
| §4.3.2 冗杂参数剔除 |
| §4.4 本章小结 |
| 第五章 基于深度置信神经网络的建筑能耗预测模型研究 |
| §5.1 输入参数的标准化处理 |
| §5.2 网络训练及参数设计 |
| §5.2.1 深度置信神经网络训练及参数设计 |
| §5.2.2 BP、Elman和模糊神经网络训练及参数设置 |
| §5.3 建筑能耗预测结果及分析 |
| §5.3.1 无粗糙集参与的短期建筑能耗预测 |
| §5.3.2 有粗糙集参与的短期建筑能耗预测 |
| §5.3.3 建筑能耗中期预测 |
| §5.4 本章小结 |
| 第六章 结论及展望 |
| §6.1 结论 |
| §6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（6）基于增量式学习与集成学习的入侵检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 决策树研究现状 |
| 1.2.2 集成学习研究现状 |
| 1.2.3 入侵检测研究现状 |
| 1.2.4 基于粗糙集的决策树方法研究现状 |
| 1.3 本文的主要贡献 |
| 1.4 本文的组织结构 |
| 2 相关理论概述 |
| 2.1 入侵检测概述 |
| 2.1.1 入侵检测的基本概念 |
| 2.1.2 入侵检测系统的分类 |
| 2.1.3 常用的入侵检测方法 |
| 2.2 集成学习概述 |
| 2.2.1 集成学习的概念与特点 |
| 2.2.2 常用的集成学习算法 |
| 2.3 决策树概述 |
| 2.3.1 决策树的基本概念 |
| 2.3.2 常用的决策树算法 |
| 2.3.3 增量式决策树算法 |
| 2.4 粗糙集理论概述 |
| 2.4.1 粗糙集的基本概念 |
| 2.4.2 粗糙集理论中定义的信息熵模型 |
| 2.5 本章小结 |
| 3 基于粒度决策熵的决策树算法及其在入侵检测中的应用 |
| 3.1 引言 |
| 3.2 相关概念 |
| 3.3 基于粒度决策熵的决策树算法DTGDE |
| 3.3.1 DTGDE算法流程 |
| 3.3.2 DTGDE算法复杂度分析 |
| 3.3.3 DTGDE算法在入侵检测中的应用 |
| 3.4 实验以及结果分析 |
| 3.4.1 实验数据 |
| 3.4.2 实验步骤 |
| 3.4.3 实验结果及分析 |
| 3.5 本章小结 |
| 4 基于粒度决策熵的增量式决策树算法及其在入侵检测中的应用 |
| 4.1 引言 |
| 4.2 相关概念 |
| 4.3 基于粒度决策熵的增量式决策树算法IDTGDE |
| 4.3.1 IDTGDE算法流程 |
| 4.3.2 IDTGDE增量规则的修正策略 |
| 4.3.3 IDTGDE算法复杂度分析 |
| 4.3.4 IDTGDE算法在入侵检测中的应用 |
| 4.4 实验以及结果分析 |
| 4.4.1 实验数据 |
| 4.4.2 实验步骤 |
| 4.4.3 实验结果及分析 |
| 4.5 本章小结 |
| 5 基于粒度决策熵的决策森林算法及其在入侵检测中的应用 |
| 5.1 引言 |
| 5.2 随机森林算法概述 |
| 5.3 基于粒度决策熵的决策森林算法 |
| 5.4 DFGDE算法在入侵检测中的应用 |
| 5.5 实验及结果分析 |
| 5.5.1 实验数据 |
| 5.5.2 实验步骤 |
| 5.5.3 入侵检测结果及分析 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读硕士期间发表的学术论文 |
（7）基于粗糙集理论的个性化推荐系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 文章结构安排 |
| 2 相关理论与技术 |
| 2.1 个性化推荐算法 |
| 2.1.1 基于协同过滤的推荐 |
| 2.1.2 基于内容的推荐 |
| 2.1.3 混合推荐算法 |
| 2.2 协同过滤推荐算法 |
| 2.2.1 协同过滤推荐算法概述 |
| 2.2.2 协同过滤推荐算法分类 |
| 2.3 粗糙集理论基础 |
| 2.3.1 粗糙集理论相关定义 |
| 2.3.2 属性约简与核 |
| 2.3.3 粗糙集理论相关介绍 |
| 2.4 本章小结 |
| 3 基于粗糙集规则提取的协同过滤推荐算法 |
| 3.1 问题描述 |
| 3.2 基于粗糙集规则提取的协同过滤推荐算法 |
| 3.3 算法分析 |
| 3.4 实验结果与分析 |
| 3.4.1 实验数据集和评价指标 |
| 3.4.2 本文实验结果和相关方法对比 |
| 3.4.3 实验结果对比分析 |
| 3.5 本章小结 |
| 4 改进的基于粗糙集规则提取的协同过滤推荐算法 |
| 4.1 问题描述 |
| 4.2 物品的分类方法 |
| 4.3 相似度改进方法 |
| 4.4 推荐过程 |
| 4.5 实验结果与分析 |
| 4.5.1 实验数据集和评价指标 |
| 4.5.2 本文实验结果和相关方法对比 |
| 4.5.3 实验结果对比分析 |
| 4.6 本章小结 |
| 总结 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（8）基于粗糙集理论和最小二乘支持向量机的区域物流需求预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 物流需求预测指标的国内外研究现状 |
| 1.2.1.1 物流需求预测指标的国外研究现状 |
| 1.2.1.2 物流需求预测指标的国内研究现状 |
| 1.2.2 物流需求预测方法国内外研究现状 |
| 1.2.2.1 物流需求预测方法国外研究现状 |
| 1.2.2.2 物流需求预测方法国内研究现状 |
| 1.2.3 目前研究中存在的问题 |
| 1.3 研究的内容、方法和创新点 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 研究创新点 |
| 1.4 研究技术路线 |
| 第2章 区域物流需求以及预测相关理论 |
| 2.1 区域物流需求相关概述 |
| 2.1.1 区域物流需求的内涵 |
| 2.1.2 区域物流需求的特点 |
| 2.1.3 区域物流需求分析的目的以及必要性 |
| 2.2 区域物流需求分析的内容 |
| 2.3 区域物流需求的量化指标研究现状 |
| 2.3.1 我国物流产业的统计现状 |
| 2.3.2 区域物流需求的量化指标研究现状 |
| 2.4 常用的物流需求预测的方法 |
| 2.4.1 区域物流需求预测的内涵 |
| 2.4.2 区域物流需求预测的步骤 |
| 2.4.3 区域物流需求的定性预测方法 |
| 2.4.4 区域物流需求的定量预测方法 |
| 2.5 本章小结 |
| 第3章 区域物流需求的影响因素分析 |
| 引言 |
| 3.1 四川省社会经济与物流发展状况分析 |
| 3.1.1 四川省经济发展总体情况 |
| 3.1.2 四川省三大产业发展情况 |
| 3.1.3 四川省物流业发展状况分析 |
| 3.1.3.1 货运及其构成方面概况 |
| 3.1.3.2 社会物流需求规模持续扩大 |
| 3.2 浙江省社会经济与物流业发展状况分析 |
| 3.2.1 浙江省经济发展总体情况 |
| 3.2.2 浙江省三大产业发展情况 |
| 3.2.3 浙江省物流业发展情况 |
| 3.2.3.1 社会物流需求规模不断提高 |
| 3.2.3.2 区域货运以及基础设施情况 |
| 3.3 区域物流需求的影响指标的选取原则 |
| 3.4 区域物流需求的影响因素分析 |
| 3.4.1 影响区域物流需求的经济因素 |
| 3.4.2 影响区域物流需求的非经济因素 |
| 3.4.3 区域物流需求影响因素指标的初步构建 |
| 3.5 区域物流需求预测指标与其影响因素的相关性分析 |
| 3.5.1 四川省货运量与影响因素之间的Person相关性分析 |
| 3.5.2 浙江省货运量与其影响之间的Person相关性分析 |
| 3.5.3 相关性结果分析 |
| 3.6 本章小结 |
| 第4章 基于粗糙集和支持向量机的区域物流需求预测模型的构建 |
| 引言 |
| 4.1 粗糙集理论简介 |
| 4.1.1 粗糙集的基本概念 |
| 4.1.2 属性约简与核 |
| 4.1.3 属性的离散化 |
| 4.2 ROSETTA软件介绍 |
| 4.2.1 ROSETTA简介 |
| 4.2.2 ROSETTA功能简介 |
| 4.3 支持向量机SVM模型原理 |
| 4.3.1 SVM简介 |
| 4.3.2 SVM的非线性回归原理 |
| 4.3.3 最小二乘支持向量机LSSVM原理 |
| 4.4 RS-LSSVM模型在区域物流需求预测中的适用性和优势 |
| 4.4.1 RS-LSSVM预测模型的适用性 |
| 4.4.2 RS-LSSVM模型预测区域物流需求的优势 |
| 4.5 RS-LSSVM区域物流需求预测模型的构建步骤 |
| 4.6 本章小结 |
| 第5章 区域物流需求预测模型实证分析研究 |
| 5.1 区域物流需求影响因素的属性约简实证分析 |
| 5.1.1 四川省区域物流需求影响因素的属性约简 |
| 5.1.2 浙江省区域物流需求影响因素的属性约简 |
| 5.2 基于RS-LSSVM的区域物流需求预测的实证分析 |
| 5.2.1 四川省区域物流需求的RS-LSSVM预测模型的构建 |
| 5.2.2 浙江省区域物流需求的RS-LSSVM预测模型的构建 |
| 5.2.3 结论 |
| 5.3 基于RS-BP神经网络模型预测 |
| 5.3.1 四川省区域物流需求的BP神经网络预测模型 |
| 5.3.1.1 BP神经网络简介 |
| 5.3.1.2 RS-BP神经网络的建立与评价 |
| 5.3.2 浙江省区域物流需求的BP神经网络预测模型 |
| 5.3.2.1 BP神经网络的建立 |
| 5.3.2.2 浙江省RS-BP预测模型评价 |
| 5.4 基于PSO算法优化的RS-LSSVM模型 |
| 5.4.1 标准粒子群算法PSO以及改进算法 |
| 5.4.2 四川省基于AIWPSO算法优化的LSSVM预测模型的实证分析 |
| 5.4.3 浙江省基于AIWPSO算法优化的LSSVM预测模型实证分析 |
| 5.4.4 结论 |
| 5.5 未来3年区域物流需求预测 |
| 5.5.1 四川省未来3年货运量的预测 |
| 5.5.2 浙江省未来3年货运量的预测 |
| 5.5.3 区域货运量预测结果分析以及区域发展建议 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文结论 |
| 6.2 未来研究展望 |
| 参考文献 |
| 指导老师对学位论文的学术评语 |
| 学位论文答辩委员会决议书 |
| 附录 |
| 致谢 |
（9）面向智能交通大数据的特征提取和流量预测算法优化与改进研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 关联特征提取算法向分布式并行化发展 |
| 1.1.2 结合粗糙集理论与神经网络进行特征提取 |
| 1.1.3 深度学习在交通流量预测中的应用 |
| 1.2 国内外研究现状与相关工作 |
| 1.2.1 基于并行计算的关联特征提取方法 |
| 1.2.2 基于粗糙神经网络的特征提取方法 |
| 1.2.3 基于深度学习的交通流量预测方法 |
| 1.2.4 相关研究工作总结 |
| 1.3 研究目的和研究内容 |
| 1.4 论文结构 |
| 1.5 本章小结 |
| 第二章 特征提取方法与深度预测模型简介 |
| 2.1 关联特征提取方法 |
| 2.1.1 Apriori挖掘算法 |
| 2.1.2 基于Map Reduce的 Apriori挖掘算法 |
| 2.2 模糊集、粗糙集与机器学习方法 |
| 2.2.1 模糊集与粗糙集 |
| 2.2.2 模糊粗糙集模型 |
| 2.2.3 模糊粗糙集与机器学习 |
| 2.3 基于深度学习的预测模型 |
| 2.3.1 堆叠自动编码机 |
| 2.3.2 深度置信网络 |
| 2.3.3 卷积神经网络 |
| 2.3.4 递归神经网络 |
| 2.4 本章小结 |
| 第三章 基于分布式并行计算与自适应策略的交通关联特征提取优化算法 |
| 3.1 引言 |
| 3.2 关联规则提取与MAPREDUCE |
| 3.3 基于SPARK的自适应分布式关联规则挖掘优化算法 |
| 3.3.1 算法阶段I—生成频繁单项 |
| 3.3.2 算法阶段II—频繁项集生成 |
| 3.4 实验与分析 |
| 3.4.1 实验设置 |
| 3.4.2 算法扩展性实验结果与分析 |
| 3.4.3 算法性能实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于模糊粗糙神经网络的交通事件特征提取优化算法 |
| 4.1 引言 |
| 4.2 模糊集、粗糙集和模糊粗糙集中的粒度与近似 |
| 4.3 改进的模糊粗糙集:粒化与近似 |
| 4.3.1 使用模糊集定义决策类 |
| 4.3.2 下近似与上近似边界 |
| 4.4 基于模糊粗糙粒度的神经网络生成方法 |
| 4.4.1 数据归一化 |
| 4.4.2 基于α-切割的粒化结构构建 |
| 4.4.3 确定粒化神经网络的输入向量和目标值 |
| 4.4.4 基于模糊粗糙集的粒度神经网络的构建和训练算法 |
| 4.5 实验与分析 |
| 4.5.1 实验过程 |
| 4.5.2 top-k特征对分类精度的影响 |
| 4.5.3 不同特征选择方法下的分类实验结果 |
| 4.5.4 特征选择方法评估 |
| 4.6 本章小结 |
| 第五章 基于多层神经网络架构和多任务学习的交通流量预测优化算法 |
| 5.1 引言 |
| 5.2 多层神经网络架构与交通流量预测方法 |
| 5.2.1 交通流量预测 |
| 5.2.2 DBN |
| 5.2.3 DBN-DNN |
| 5.2.4 回声状态网络 |
| 5.3 基于多任务学习深度置信回声状态网络的交通流量预测方法 |
| 5.3.1 基于深度置信回声状态网络的交通流量预测架构 |
| 5.3.2 底部DBN独立学习 |
| 5.3.3 回归层局部权重调整 |
| 5.3.4 遗传算法优化ESN |
| 5.3.5 多任务学习机制融入 |
| 5.3.6 多任务分组策略 |
| 5.4 实验与分析 |
| 5.4.1 实验设置 |
| 5.4.2 多层神经网络结构选择实验 |
| 5.4.3 多层网络预测模型实验结果分析 |
| 5.4.4 多任务学习实验结果分析 |
| 5.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（10）基于粗糙集理论与灰色预测模型的道岔故障预测（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 主要研究工作内容 |
| 2 道岔的工作原理及故障类型 |
| 2.1 道岔工作原理概述 |
| 2.2 电流数据分析 |
| 2.2.1 数据监测原理 |
| 2.2.2 数据描述及分析 |
| 2.3 道岔常见故障类型 |
| 2.3.1 控制电路故障 |
| 2.3.2 表示电路故障 |
| 2.3.3 机械故障 |
| 2.4 小结 |
| 3 基于粗糙集理论的决策表建立 |
| 3.1 粗糙集理论相关知识 |
| 3.1.1 粗糙集理论概述 |
| 3.1.2 知识约简与规则提取 |
| 3.2 基于粗糙集理论的决策表建立 |
| 3.2.1 数据预处理 |
| 3.2.2 时域特征参数提取 |
| 3.2.3 基于Fisher准则的特征选择 |
| 3.2.4 决策表建立 |
| 3.3 不同影响因素下的决策表对比 |
| 3.3.1 不同“替换”范围 |
| 3.3.2 不同约简方法 |
| 3.4 小结 |
| 4 道岔故障预测 |
| 4.1 灰色预测模型建模原理 |
| 4.2 建模软件介绍 |
| 4.3 模型的建立 |
| 4.4 故障预测 |
| 4.4.1 预测步骤 |
| 4.4.2 预测实例分析 |
| 4.5 不同预测次数的预测结果对比 |
| 4.6 实时性预测实现设想 |
| 4.7 小结 |
| 5 预测故障发生概率计算及说明 |
| 5.1 诊断准确率 |
| 5.2 故障发生概率 |
| 5.3 小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
四、基于粗糙集理论的相关关系预测方法研究（论文参考文献）
- [1]高速铁路调度集中系统硬件可靠性分析方法研究[D]. 韩浪. 中国铁道科学研究院, 2021(01)
- [2]地铁车载ATC设备故障诊断与预警系统研究[D]. 周晓勇. 北京交通大学, 2021(02)
- [3]物联网环境下不完全数据流补全研究[D]. 王经书. 桂林电子科技大学, 2021(02)
- [4]基于多维聚类及马尔可夫链组合模型的风电功率短期预测方法研究[D]. 闫佳. 北方民族大学, 2021(08)
- [5]基于粗糙集和深度学习的建筑能耗预测研究[D]. 陈威. 桂林电子科技大学, 2021(02)
- [6]基于增量式学习与集成学习的入侵检测方法研究[D]. 张旻宇. 青岛科技大学, 2021(02)
- [7]基于粗糙集理论的个性化推荐系统研究[D]. 张云鹏. 辽宁师范大学, 2020(02)
- [8]基于粗糙集理论和最小二乘支持向量机的区域物流需求预测研究[D]. 张森. 深圳大学, 2020(10)
- [9]面向智能交通大数据的特征提取和流量预测算法优化与改进研究[D]. 郭洋. 华南理工大学, 2019(01)
- [10]基于粗糙集理论与灰色预测模型的道岔故障预测[D]. 江雪莹. 兰州交通大学, 2019(04)