描述
开 本: 16开包 装: 平装胶订国际标准书号ISBN: 9787030615466
编辑推荐
集论,研究
内容简介
粗糙集方法具有强大的不一致信息处理能力，在故障征兆约简、诊断知识获取和知识度构建等方面表现出巨大优势。然而，关于粗糙集方法的泛化性能研究不足制约该方法在故障诊断中的实际应用。《面向故障诊断应用的粗糙集 理论及方法》分别针对一般故障诊断问题以及多类故障诊断、类不平衡故障诊断和代价敏感故障诊断几种特定故障诊断问题，对粗糙集方法的泛化性能展开深入系统的论述，给出了基于结构风险*小化的粗糙集泛化性能提升方法、基于两分类器设计的多类故障类间干扰抑制方法、基于加权粗糙集的类不平衡故障诊断方法以及代价敏感粗糙集故障诊断方法，为粗糙集理论和方法在故障诊断应用中泛化性能的提高提供了支撑。
目 录
目录
前言
第1章 绪论 1
1.1 概述 1
1.1.1 开展故障诊断的重要性 1
1.1.2 智能故障诊断方法的优势及挑战 2
1.1.3 粗糙集方法在不一致信息处理方面的优势 2
1.1.4 本书的研究动机及目标 4
1.2 机器学习方法泛化性能控制的研究进展 4
1.3 粗糙集方法的研究现状 6
1.3.1 经典粗糙集方法的研究现状 6
1.3.2 粗糙集方法的拓展研究 9
1.4 故障诊断中影响粗糙集方法泛化性能的主要问题 11
1.4.1 数据噪声普遍存在 11
1.4.2 多类故障的诊断规则提取存在类间相互干扰 13
1.4.3 故障数据的类分布不平衡 14
1.4.4 故障的误诊断代价存在差异 15
1.5 本书的研究内容及章节安排 16
第2章 粗糙集基本理论及方法 19
2.1 粗糙集理论的基本概念 19
2.1.1 决策表 19
2.1.2 等价类和粗糙集 19
2.1.3 粗糙集的上、下近似 20
2.1.4 粗糙集的不确定性度量 21
2.1.5 属性约简 22
2.1.6 决策规则 23
2.2 基于粗糙集理论的属性约简方法 24
2.3 基于粗糙集理论的决策规则提取方法 25
2.4 基于粗糙集提取规则集的分类决策方法 27
2.5 本章小结 28
第3章 机器学习泛化性能控制理论及方法 29
3.1 机器学习问题的一般表示 29
3.2 机器学习的经验风险*小化 29
3.3 机器学习方法的泛化性能控制理论 30
3.3.1 机器学习方法的复杂度 30
3.3.2 机器学习方法泛化能力的界 31
3.4 机器学习方法泛化性能控制的SRM原则 34
3.5 本章小结 36
第4章 粗糙集方法的结构风险*小化 37
4.1 概述 37
4.2 粗糙集方法的结构风险控制 38
4.2.1 属性约简 38
4.2.2 *小属性约简 39
4.2.3 基于*小属性值域空间的属性约简 39
4.2.4 基于*小导出规则数的属性约简 40
4.3 粗糙集方法的SRM算法 41
4.3.1 基于遗传多目标优化的SRM算法 41
4.3.2 启发式SRM算法 44
4.4 实验分析 46
4.4.1 实验配置 46
4.4.2 汽轮机振动故障诊断的SRM实验 49
4.4.3 粗糙集方法获得的各项性能指标随复杂度的变化 50
4.4.4 各种复杂性度量指标的比较 53
4.4.5 各种SRM算法的比较 57
4.4.6 实验结论 62
4.5 本章小结 63
第5章 多类故障诊断的类间干扰及抑制 64
5.1 概述 64
5.2 多类故障诊断的类间干扰问题 65
5.3 类间干扰的抑制方法 66
5.3.1 保留全部属性的方法 66
5.3.2 基于一类分类器设计的方法 67
5.3.3 基于两类分类器设计的方法 68
5.4 基于两类分类器设计的类间干扰抑制算法 69
5.4.1 两类分类器的构建策略 69
5.4.2 两类分类器的协同决策策略 70
5.4.3 类间干扰抑制算法设计 71
5.5 实验分析 75
5.5.1 实验配置 75
5.5.2 汽轮机多类振动故障诊断的类间干扰抑制实验 76
5.5.3 各种类间干扰抑制算法的比较分析 78
5.5.4 保留全部属性方法的性能 81
5.5.5 解决多类问题的两类及一类算法性能比较 83
5.5.6 实验总结 84
5.6 本章小结 85
第6章 故障诊断中类不平衡问题处理的加权粗糙集方法 86
6.1 概述 86
6.2 类不平衡问题处理的基本方法 87
6.2.1 数据重采样 87
6.2.2 样本加权 88
6.2.3 基于一类分类器的方法 90
6.3 加权粗糙集模型 90
6.4 基于加权粗糙集的类不平衡问题处理方法 92
6.4.1 加权属性约简 92
6.4.2 加权规则提取 96
6.4.3 加权决策 98
6.5 类不平衡问题处理的性能评价 99
6.6 实验分析 102
6.6.1 实验配置 102
6.6.2 汽轮机振动故障诊断的类不平衡问题处理实验 103
6.6.3 粗糙集方法的各种类不平衡处理策略比较 104
6.6.4 加权粗糙集方法的各种算法配置比较 107
6.6.5 与其他类不平衡问题处理方法的比较 109
6.6.6 类不平衡问题处理的权值选择 112
6.6.7 实验总结 114
6.7 本章小结 115
第7章 考虑误诊断代价的故障诊断方法及评价 116
7.1 概述 116
7.2 考虑误诊断代价的基本方法 116
7.2.1 基于类不平衡问题处理技术的方法 116
7.2.2 基于*小期望代价分类准则的方法 119
7.3 基于加权粗糙集和*小期望代价分类准则的代价敏感故障诊断方法 119
7.3.1 不考虑数据集类分布特性的方法 119
7.3.2 考虑数据集类分布特性的方法 121
7.4 代价敏感故障诊断的性能评价 122
7.4.1 传统的性能评价指标 122
7.4.2 不依赖于测试集特性的性能评价指标 123
7.5 实验分析 126
7.5.1 实验配置 126
7.5.2 汽轮机振动故障的代价敏感诊断实验 127
7.5.3 各种代价敏感问题处理方法的比较 128
7.5.4 实验总结 134
7.6 本章小结 135
参考文献 136
前言
第1章 绪论 1
1.1 概述 1
1.1.1 开展故障诊断的重要性 1
1.1.2 智能故障诊断方法的优势及挑战 2
1.1.3 粗糙集方法在不一致信息处理方面的优势 2
1.1.4 本书的研究动机及目标 4
1.2 机器学习方法泛化性能控制的研究进展 4
1.3 粗糙集方法的研究现状 6
1.3.1 经典粗糙集方法的研究现状 6
1.3.2 粗糙集方法的拓展研究 9
1.4 故障诊断中影响粗糙集方法泛化性能的主要问题 11
1.4.1 数据噪声普遍存在 11
1.4.2 多类故障的诊断规则提取存在类间相互干扰 13
1.4.3 故障数据的类分布不平衡 14
1.4.4 故障的误诊断代价存在差异 15
1.5 本书的研究内容及章节安排 16
第2章 粗糙集基本理论及方法 19
2.1 粗糙集理论的基本概念 19
2.1.1 决策表 19
2.1.2 等价类和粗糙集 19
2.1.3 粗糙集的上、下近似 20
2.1.4 粗糙集的不确定性度量 21
2.1.5 属性约简 22
2.1.6 决策规则 23
2.2 基于粗糙集理论的属性约简方法 24
2.3 基于粗糙集理论的决策规则提取方法 25
2.4 基于粗糙集提取规则集的分类决策方法 27
2.5 本章小结 28
第3章 机器学习泛化性能控制理论及方法 29
3.1 机器学习问题的一般表示 29
3.2 机器学习的经验风险*小化 29
3.3 机器学习方法的泛化性能控制理论 30
3.3.1 机器学习方法的复杂度 30
3.3.2 机器学习方法泛化能力的界 31
3.4 机器学习方法泛化性能控制的SRM原则 34
3.5 本章小结 36
第4章 粗糙集方法的结构风险*小化 37
4.1 概述 37
4.2 粗糙集方法的结构风险控制 38
4.2.1 属性约简 38
4.2.2 *小属性约简 39
4.2.3 基于*小属性值域空间的属性约简 39
4.2.4 基于*小导出规则数的属性约简 40
4.3 粗糙集方法的SRM算法 41
4.3.1 基于遗传多目标优化的SRM算法 41
4.3.2 启发式SRM算法 44
4.4 实验分析 46
4.4.1 实验配置 46
4.4.2 汽轮机振动故障诊断的SRM实验 49
4.4.3 粗糙集方法获得的各项性能指标随复杂度的变化 50
4.4.4 各种复杂性度量指标的比较 53
4.4.5 各种SRM算法的比较 57
4.4.6 实验结论 62
4.5 本章小结 63
第5章 多类故障诊断的类间干扰及抑制 64
5.1 概述 64
5.2 多类故障诊断的类间干扰问题 65
5.3 类间干扰的抑制方法 66
5.3.1 保留全部属性的方法 66
5.3.2 基于一类分类器设计的方法 67
5.3.3 基于两类分类器设计的方法 68
5.4 基于两类分类器设计的类间干扰抑制算法 69
5.4.1 两类分类器的构建策略 69
5.4.2 两类分类器的协同决策策略 70
5.4.3 类间干扰抑制算法设计 71
5.5 实验分析 75
5.5.1 实验配置 75
5.5.2 汽轮机多类振动故障诊断的类间干扰抑制实验 76
5.5.3 各种类间干扰抑制算法的比较分析 78
5.5.4 保留全部属性方法的性能 81
5.5.5 解决多类问题的两类及一类算法性能比较 83
5.5.6 实验总结 84
5.6 本章小结 85
第6章 故障诊断中类不平衡问题处理的加权粗糙集方法 86
6.1 概述 86
6.2 类不平衡问题处理的基本方法 87
6.2.1 数据重采样 87
6.2.2 样本加权 88
6.2.3 基于一类分类器的方法 90
6.3 加权粗糙集模型 90
6.4 基于加权粗糙集的类不平衡问题处理方法 92
6.4.1 加权属性约简 92
6.4.2 加权规则提取 96
6.4.3 加权决策 98
6.5 类不平衡问题处理的性能评价 99
6.6 实验分析 102
6.6.1 实验配置 102
6.6.2 汽轮机振动故障诊断的类不平衡问题处理实验 103
6.6.3 粗糙集方法的各种类不平衡处理策略比较 104
6.6.4 加权粗糙集方法的各种算法配置比较 107
6.6.5 与其他类不平衡问题处理方法的比较 109
6.6.6 类不平衡问题处理的权值选择 112
6.6.7 实验总结 114
6.7 本章小结 115
第7章 考虑误诊断代价的故障诊断方法及评价 116
7.1 概述 116
7.2 考虑误诊断代价的基本方法 116
7.2.1 基于类不平衡问题处理技术的方法 116
7.2.2 基于*小期望代价分类准则的方法 119
7.3 基于加权粗糙集和*小期望代价分类准则的代价敏感故障诊断方法 119
7.3.1 不考虑数据集类分布特性的方法 119
7.3.2 考虑数据集类分布特性的方法 121
7.4 代价敏感故障诊断的性能评价 122
7.4.1 传统的性能评价指标 122
7.4.2 不依赖于测试集特性的性能评价指标 123
7.5 实验分析 126
7.5.1 实验配置 126
7.5.2 汽轮机振动故障的代价敏感诊断实验 127
7.5.3 各种代价敏感问题处理方法的比较 128
7.5.4 实验总结 134
7.6 本章小结 135
参考文献 136
评论
还没有评论。