粗糙集的约简算法在涡流传感器设计中的应用
资料包括： 论文(4页3302字)
说明：
摘要：本文利用粗糙集理论,从传感器设计的大量数据中提取最小规则集. 约简过程表明,核属性中只有测量参数,即涡流传感器结构参数对灵敏度的显影响,是通过与测量参数的配合而起作用的.粗糙集的约简算法在传感器设计中的应用,不仅获得了传感器的设计规则,而且揭示了影响传感器性能的因素之间的关系,为涡流传感器设计提供了新的知识.
关键词：粗糙集 涡流传感器 传感器设计 数据分析
Applying Reduction Algorithm of Rough Set in Eddy Current Sensor Design
Abstract ：This paper presents the method of extracting minimal rule set from the data of sensor design based on the Rough Set Theory. The reducting procedure indicates that there only exists measurement parameter in the core properties. This means that the construction parameter does not impact the sensitivity of eddy sensors alone, instead it works together with the construction parameter. By applying reduct algorithm of rough set in the sensor design, the proposed method not only acquires the rule for designing sensor but also reveals the relationship amongst those factors that may influence the performance of sensors, thus it provides new knowledge for sensor design.
Key words Rough set Eddy current sensor Data analysis
1 引言
涡流传感器的灵敏度,它不仅与被测对象的物理性能有关,还与传感器的偶合状态及激励条件有关.其中偶合状态又与传感器的结构(线圈的大小、形状、绕线线径,匝数、匝比、磁芯的大小和形状、绕制方法、预紧力的大小等)有关;激励条件则与测试频率、激励电流大小和电流类型等因素有关.一方面影响传感器灵敏度的因素很多;另一方面有的因素影响大小难于确定,使设计的传感器互换性能性差.对于前者传统的方法是采用统计分析,可以实现参数优化设计,却无法找到参数之间的关系,从而难于控制传感器性能;而后者往往只能根据先验知识估计,使设计缺乏客观准则.
因此,传感器设计时我们常常面对的是领域信息不完整、不确定、不精确,却要完成对事物的认识、分析、推理、判断、预测.这种智能行为要求人们对未知的信息进行估计、推测,对不完整数据进行分析、处理,对已知证据进行分辨、决策.为此,人们提出了许多有效方法来模拟人类智能行为,如Sempster-Shafer 证据理论,模糊集理论,主观Byesian网络.1982年由Z.Pawlak提出的粗糙集理论,是一种刻画不完整性和不确定性的数学理论,它从新的角度对知识进行了定义,把知识看成是对论域的划分,这种对论域划分(分类)的目的是,从划分得到不同的类中寻找最小不变集合与求解最小规则集,从而发现潜在信息中的知识.粗糙集理论最重要的特点,是利用定义在数据集上的等价关系对数据进行划分,不需要任何附加信息或先验知识,因而更具有客观性.这也是该理论80年代提出后,迅速推广应用于人工智能的各个分枝,在模式识别、机器学习等方面都有成功的应用 的根本原因.
寻找论域的最小不变集合,求解最小规则集,即从信息中得到知识是粗糙集理论的核心技术[4-6],它是论域的属性约简和值约简的最终结果.如何利用粗糙集理论求解实际问题属性集合的核及值约简,是本文重点讨论的问题,为了更好地阐述应用的结果,有必要给出粗糙集相关理论的简要介绍.
1 引言
2 粗糙集理论简介
3 算法
4 结果
5 讨论
参考文献：
1 Pawlak Z. Rough set, International Journal of Information and computer
Science,1982,(11):341-356
2 Pawlak Z. Rough set,Communications of ACM,1995,38(11):89-95
3 韩祯祥,张奇等,粗糙集理论及其应用综述 控制理论与应用1999,16
(2):153-157
4 Hu X H,Cercone N. Learning in relation database:a Rough Set approach. Computational Intelligence ,1995,11(2):323-338
Jelonek J,et al. Rough set reduction of attributes and their domains for neural
networks. Computation Intelligence,1995,11(2):339-347
6 王志海,胡可云 等,基于粗糙集合理论的知识发现综述. 式识别与人工智能,1998,11(2):346-351
常犁云,王国胤 等,一种基于Rough set理论的属性约简及规则提取方法. 软件
学报,1999,10(11):1206-1211
王珏 王任何等,基于Rough Set理论的"数据浓缩". 计算机学报,1998,21(5):393-399
9 Skowton A et al. From rough set theory to evidence theory. Advances in the Dempster Shafer Theory of Evidence. New York:John Wiley & Sons Inc.,1994,193-236