摘要：現(xiàn)今數(shù)據(jù)分析鄰域面臨的大規(guī)模、多屬性、混合型數(shù)據(jù)集較為普遍，對(duì)分析算法提出了較高的要求。粗糙集算法能在大量特征屬性中篩選出重要屬性，可以用于優(yōu)化神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，能夠降低運(yùn)算難度，提高算法性能。

關(guān)鍵詞：粗糙集;神經(jīng)網(wǎng)絡(luò);屬性約簡(jiǎn)

在處理屬性多、屬性為混合型的數(shù)據(jù)時(shí)，要求選用的數(shù)據(jù)分析方法要有著能夠篩選屬性與處理混合型屬性的優(yōu)點(diǎn)，而1982年被Pawlak教授提出的粗糙集理論，在被深化研究發(fā)展后，已廣泛的應(yīng)用于屬性約簡(jiǎn)、知識(shí)獲得、分類器設(shè)計(jì)等方面，比較適合在繁雜的屬性集之中篩選出影響決策的關(guān)鍵屬性。但傳統(tǒng)的粗糙集理論只能用來(lái)處理分類型數(shù)據(jù)，即數(shù)據(jù)本身為離散型的，對(duì)待連續(xù)的數(shù)值型數(shù)據(jù)，一般采用離散化的方法將數(shù)據(jù)轉(zhuǎn)化為離散型，但轉(zhuǎn)化過(guò)程中不可避免的損失數(shù)據(jù)信息，影響數(shù)據(jù)分析結(jié)果。為此研究人員引入鄰域粗糙集某型來(lái)進(jìn)行混合型屬性的數(shù)據(jù)集的屬性約簡(jiǎn)，鄰域粗糙集的屬性約簡(jiǎn)算法一般采用前向貪心搜索的策略，通過(guò)計(jì)算全局屬性的重要度，測(cè)試屬性加入候選集合對(duì)結(jié)果帶來(lái)的影響，依次判斷最優(yōu)集合，這種算法能夠大大降低鄰域粗糙集屬性約簡(jiǎn)的計(jì)算復(fù)雜度，使該方法的應(yīng)用更廣泛。

在航材專業(yè)內(nèi)對(duì)于粗糙集方法的應(yīng)用早有先例，例如利用超平面或超曲面的間接連續(xù)屬性離散化的方法對(duì)數(shù)據(jù)進(jìn)行離散化后進(jìn)行屬性約簡(jiǎn)，對(duì)飛機(jī)故障情況進(jìn)行認(rèn)定，設(shè)計(jì)自修復(fù)飛行控制效能評(píng)估系統(tǒng)與建立飛機(jī)備件需求量的相關(guān)研究 。如針對(duì)航材的混合型屬性，提出采用Gower距離與PAM聚類算法對(duì)器材進(jìn)行聚類，對(duì)每一類進(jìn)行分析，用粗糙集對(duì)數(shù)據(jù)進(jìn)行離散化從而建立的啟發(fā)式航材訂貨模型使用粒子群優(yōu)化算法求解不同區(qū)間的權(quán)重最優(yōu)值，有著不依賴與保障人員主觀經(jīng)驗(yàn)、智能確定訂購(gòu)計(jì)劃擺脫繁瑣工作的優(yōu)點(diǎn)。也有采用粗糙集對(duì)航材的混合屬性集進(jìn)行約簡(jiǎn)，篩選出影響航材儲(chǔ)存品種的關(guān)鍵屬性，從已有經(jīng)驗(yàn)中提取規(guī)則，結(jié)果可以用來(lái)判斷航材是否需要進(jìn)行儲(chǔ)備，有比較高的準(zhǔn)確度，但相關(guān)屬性較為抽象 。

粗糙集與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法在各領(lǐng)域中一直是專家學(xué)者研究的方向之一，也是近年來(lái)的熱點(diǎn)問(wèn)題。如在大型系統(tǒng)中的故障預(yù)警，如電信設(shè)備之中，用粗糙集對(duì)數(shù)據(jù)進(jìn)行屬性約簡(jiǎn)大幅度減少輸入層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)，優(yōu)化算法結(jié)構(gòu)，提高設(shè)備故障與經(jīng)診斷的效率與準(zhǔn)確率，通過(guò)算例與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)計(jì)算結(jié)果進(jìn)行對(duì)比，經(jīng)粗糙集屬性約簡(jiǎn)優(yōu)化的神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)的準(zhǔn)確性和運(yùn)算速度方面都有著絕對(duì)的優(yōu)勢(shì) 。也可以采用遺傳算法對(duì)粗糙集屬性約簡(jiǎn)過(guò)程和神經(jīng)網(wǎng)絡(luò)模型計(jì)算過(guò)程進(jìn)行優(yōu)化，憑借遺傳算法全局尋優(yōu)的特點(diǎn)能夠避免模型計(jì)算陷入局部極值點(diǎn)，提高運(yùn)算的準(zhǔn)確率 。相似的方法也可用于對(duì)大型醫(yī)療設(shè)備的故障預(yù)警之中，可以提前預(yù)測(cè)故障發(fā)生，為醫(yī)護(hù)人員與維修工程師提供決策支持，降低不良影響 。在預(yù)測(cè)方面，通過(guò)層次分析法初步建立屬性體系，再用粗糙集進(jìn)行屬性約簡(jiǎn)，將結(jié)果帶入神經(jīng)網(wǎng)絡(luò)，能大大提高預(yù)測(cè)的準(zhǔn)確程度，避免無(wú)關(guān)因素的干擾，在預(yù)測(cè)在途車輛運(yùn)行風(fēng)險(xiǎn) 、宿舍樓內(nèi)短期用電量 、大學(xué)生能否順利完成學(xué)業(yè) 、短期風(fēng)速預(yù)測(cè) 等方面都有著一定的應(yīng)用。由于預(yù)測(cè)方面的需求，算法所處理的往往是動(dòng)態(tài)數(shù)據(jù)，可以采用Elman神經(jīng)網(wǎng)絡(luò)，相比較于傳統(tǒng)的靜態(tài)前向反饋神經(jīng)網(wǎng)絡(luò)如BP神經(jīng)網(wǎng)絡(luò)，Elman神經(jīng)網(wǎng)絡(luò)多了一層關(guān)聯(lián)層，有更強(qiáng)的動(dòng)態(tài)處理能力，并更適合與時(shí)間序列相結(jié)合建立預(yù)測(cè)模型。粗糙集與神經(jīng)網(wǎng)絡(luò)相結(jié)合還能夠用來(lái)進(jìn)行評(píng)價(jià)，如對(duì)地鐵施工風(fēng)險(xiǎn)建立評(píng)價(jià)模型 ，選用更加適用于小樣本數(shù)據(jù)的REF神經(jīng)網(wǎng)絡(luò)，在系統(tǒng)集成中可以考慮與BP神經(jīng)網(wǎng)絡(luò)進(jìn)行互補(bǔ)。在電信企業(yè)，可以用該方法對(duì)用戶是否存在流失風(fēng)險(xiǎn)進(jìn)行建模評(píng)級(jí) 。也可以用來(lái)對(duì)小麥品種進(jìn)行分類 ，若數(shù)據(jù)集符合要求可以建立雙隱含層的神經(jīng)網(wǎng)絡(luò)提高分類的準(zhǔn)確率。在生產(chǎn)企業(yè)中，該方法可以為服務(wù)商的選擇和安全庫(kù)存量的確定提供依據(jù) 。在區(qū)域性的企業(yè)管理中也有一定的應(yīng)用前景 ，如對(duì)區(qū)域內(nèi)企業(yè)的綠色發(fā)展數(shù)據(jù)進(jìn)行分析，對(duì)企業(yè)進(jìn)行評(píng)級(jí)，便于管理。該方向同樣也是國(guó)外學(xué)者的研究熱點(diǎn)，今年成果如粗糙集優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)來(lái)評(píng)估室內(nèi)空氣質(zhì)量 ，粗糙集優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)大型離心壓縮機(jī)葉片壽命 ，粗糙集優(yōu)化神經(jīng)網(wǎng)絡(luò)用于提取分類規(guī)則 ，粗糙集優(yōu)化神經(jīng)網(wǎng)絡(luò)對(duì)柴油機(jī)故障的預(yù)測(cè) ，粗糙集優(yōu)化的模糊小波神經(jīng)網(wǎng)絡(luò)對(duì)電力變壓器故障診斷的研究等等。

參考文獻(xiàn)：

[1]張寧.基于鄰域粗糙集的屬性約簡(jiǎn)算法研究[D].湖南大學(xué)，2017.

[2]安若銘，索明亮.鄰域粗糙集在屬性約簡(jiǎn)及權(quán)重計(jì)算中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2016，52（07）：160-165.

[3]何亞群.基于粗糙集的智能決策理論與應(yīng)用研究[D].南京航空航天大學(xué)，2005.

[4]周家萱，徐常凱.基于粗糙集全局離散和粒子群算法的啟發(fā)式航材訂貨模型[J].空軍工程大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，20（04）：33-38.

[5]韓俊騫，何亞群，李繼軍.基于混合屬性值的航材庫(kù)存品種確定方法[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2019，49（19）：139-144.

[6]韓玉，張作剛，張海軍.基于粗糙集和神經(jīng)網(wǎng)絡(luò)的艦載直升機(jī)航材消耗預(yù)測(cè)研究[J].艦船電子工程，2017，37（09）：96-99.

[7]萬(wàn)玉成，王科，袁文君.基于粗糙集理論的航材可修件報(bào)廢決策分析[J].戰(zhàn)術(shù)導(dǎo)彈技術(shù)，2010（01）：63-66+103.

[8]徐立坤，李建路.基于粗糙集改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)設(shè)備故障預(yù)警研究[J].計(jì)算機(jī)與數(shù)字工程，2020，48（07）：1710-1714.

[9]陳艷，王琪，王佳慶，蔣佳旺，李林獻(xiàn).粗糙神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)在大型醫(yī)療設(shè)備故障預(yù)警中的應(yīng)用研究[J].

[10]吳佳懋，李艷，符一健.基于粗糙集-混沌時(shí)間序列Elman神經(jīng)網(wǎng)絡(luò)的短期用電量預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制，2019，47（03）：23-30.

[11]王常紅.基于Rough集的教學(xué)預(yù)警模型[D].武漢科技大學(xué)，2013.

[12]尹東陽(yáng)，盛義發(fā)，蔣明潔，李永勝，謝曲天.基于粗糙集理論-主成分分析的Elman神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制，2014，42（11）：46-51.

[13]孫斐，趙金先，孟瑋，蔣克潔.粗糙集-RBF神經(jīng)網(wǎng)絡(luò)的青島地鐵施工風(fēng)險(xiǎn)評(píng)價(jià)模型研究[J].青島理工大學(xué)學(xué)報(bào)，2020，41（04）：9-16.

作者簡(jiǎn)介：任宇軒;男;1996年10月;吉林白城;漢;本科;碩士研究生;控制科學(xué)與技術(shù)