扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
湖南省志(1978-2002)?铁路志
-
>
公路车宝典(ZINN的公路车维修与保养秘籍)
-
>
晶体管电路设计(下)
-
>
无头案:雍正暴亡之谜
-
>
基于个性化设计策略的智能交通系统关键技术
-
>
花样百出:贵州少数民族图案填色
-
>
识木:全球220种木材图鉴
面向故障诊断应用的粗糙集理论及方法 版权信息
- ISBN：9787030615466
- 条形码：9787030615466 ; 978-7-03-061546-6
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>>
面向故障诊断应用的粗糙集理论及方法 本书特色
在故障诊断中，粗糙集方法对新故障实例的泛化性能不仅与现有故障实例集上的经验风险有关，而且与粗糙集方法自身的复杂度密切相关，常规粗糙集方法由于只关注前者，因此，通常情况下难以保证对新故障实例具有可靠的泛化性能。通过将机器学习领域中广泛采用的控制机器学习方法泛化性能的基本理论--结构风险*小化原则引入到粗糙集方法中，提出了基于结构风险*小化的粗糙集方法，不仅保证了粗糙集方法在现有故障实例集上具有较低的经验风险，而且同时有效地控制了粗糙集方法的复杂度，使获得的故障诊断知识具有更强的统计特性，本书首先对粗糙集和结构风险*小化理论作详细的介绍，然后介绍了基于遗传算法、启发式算法的结构风险*小化粗糙集方法。接着介绍了机械设备多类故障诊断的粗糙集方法，针对数据类不平衡问题进行分析，以提高决策系统的泛化性能。*后针对不同的故障类型和严重程度，介绍基于代价敏感的粗糙集故障诊断方法。
面向故障诊断应用的粗糙集理论及方法 内容简介
在故障诊断中，粗糙集方法对新故障实例的泛化性能不仅与现有故障实例集上的经验风险有关，而且与粗糙集方法自身的复杂度密切相关，常规粗糙集方法由于只关注前者，因此，通常情况下难以保证对新故障实例具有可靠的泛化性能。通过将机器学习领域中广泛采用的控制机器学习方法泛化性能的基本理论--结构风险很小化原则引入到粗糙集方法中，提出了基于结构风险很小化的粗糙集方法，不仅保证了粗糙集方法在现有故障实例集上具有较低的经验风险，而且同时有效地控制了粗糙集方法的复杂度，使获得的故障诊断知识具有更强的统计特性，本书首先对粗糙集和结构风险很小化理论作详细的介绍，然后介绍了基于遗传算法、启发式算法的结构风险很小化粗糙集方法。接着介绍了机械设备多类故障诊断的粗糙集方法，针对数据类不平衡问题进行分析，以提高决策系统的泛化性能。很后针对不同的故障类型和严重程度，介绍基于代价敏感的粗糙集故障诊断方法。
面向故障诊断应用的粗糙集理论及方法 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
展开全部
书友推荐
- >
新文学天穹两巨星--鲁迅与胡适/红烛学术丛书(红烛学术丛书)
新文学天穹两巨星--鲁迅与胡适/红烛学术丛书(红烛学术丛书)
¥9.9¥23.0 - >
我与地坛
我与地坛
¥25.8¥28.0 - >
推拿
推拿
¥12.2¥32.0 - >
苦雨斋序跋文-周作人自编集
苦雨斋序跋文-周作人自编集
¥6.9¥16.0 - >
二体千字文
二体千字文
¥16.0¥40.0 - >
罗庸西南联大授课录
罗庸西南联大授课录
¥21.1¥32.0 - >
巴金－再思录
巴金－再思录
¥19.8¥46.0 - >
有舍有得是人生
有舍有得是人生
¥21.2¥45.0
本类畅销
-
2022图书×抽奖盲袋
¥9.9¥25 -
2023读书月阅读盲盒——天黑，闭眼，刀谁？
¥42.3¥158 -
-
2022读者节纪念徽章-三星会员专属
¥45¥45.6 -
2023读书月阅读盲盒——我什么场面没见过？
¥42.3¥158 -
2023读书月阅读盲盒——去码头整点什么薯条？
¥42.3¥158
