智能诊断专家系统知识动态获取方法及应用研究

《智能诊断专家系统知识动态获取方法及应用研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、中图分类号:TP182,V263.6学科分类号：082302论文编号：1028707060001密级：公开硕士学位论文智能诊断专家系统的知识获取方法研究及应用一级学科学科、专业研究方向指导教师研究生姓名文振华交通运输工程交通信息工程及控制电子信息处理及智能控制陈果副教授南京航空航天大学研究生院民航学院二零零六年一月NanJingUniversityofAeronauticsandAstronauticsCollegeofCivilAviationResearchandApplicationofKnowledgeAcquirementMe

2、thodsforIntelligentDiagnosisExpertSystemAThesisinTransportationEngineeringbyWenZhenHuaAdvisedbyViceProf.ChenGuoSubmittedinPartialFulfillmentoftheRequirementsfortheDegreeofMasterofEngineeringJanuary2006承诺书本人郑重声明：所呈交的学位论文，是本人在导师指导下，独立进行研究工作所取得的成果。尽我所知，除文中已经注明引用的内容外，本学位论文的研

3、究成果不包含任何他人享有著作权的内容。对本论文所涉及的研究丁作做出贡献的其他个人和集体，均已在文中以明确方式标明。木人授权南京航空航天大学可以有权保留送交论文的复印件，允许论文被查阅和借阅，可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或其他复制手段保存论文。作者签名：日期:摘要知识获取是专家系统的瓶颈，目前的知识获取大都通过机器学习来获得。本文将基于神经网络和粗糙集理论的机器学习方法应用于智能诊断知识获取，并进行了深入的研究。本文首先讨论了影响神经网络的泛化能力的因索，提岀了一种新的结构自适应神经网络学习算法

4、，在新方法屮，采用了遗传算法对神经网络的结构参数（隐层节点数、训练精度、初始权值）进行优化，大大捉高了神经网络的泛化能力和知识动态获取自适应能力；其次，构造集成神经网络，引入数据融合算法，实现了基于集成神经网络的融合诊断，有效地提高了知识获取的全面性、完善性及精度；然后，针对知识获取过程屮所存在的不确定性、不完备性等问题,探讨了运用粗糙集理论的知识获取方法,通过缺损数据补齐、连续数据的离散、冲突消除、兀余信息约简、知识规则抽取等一系列的算法实现了智能诊断的知识规则获取；最后，将粗糙集理论与神经网络相结合,研究了粗糙集一神经网络的知识获取

5、方法。运用粗糙集理论对神经网络的训练样本进行预处理，消除样本屮可能岀现的信息缺损，信息兀余以及冲突等问题，再用神经网络实现知识的动态获取，因而很大程度提高了网络知识获取的速度和质量。本文运用国际标准数据和仿真数据详细的验证了上述知识获取模型，并将所捉出的算法运用到航空发动机智能诊断专家系统的知识获取屮。算例和实验充分验证了本文知识获取模型的正确性和有效性。本文所研究的知识获取模型冇效地突破智能诊断专家系统的瓶颈问题，为诊断专家系统进一步智能化、实用化奠定了坚实的基础。关键词：智能诊断，专家系统，知识获収，神经网络，粗糙集理论ABSTRA

6、CTKnowledgeacquirementisthebottleneckofexpertsystem.Machinelearningisthemostcurrentknowledgeacquirementmethods.MachinelearningmethodsbasedontheNeuralNetwork(NN)andRoughSets(RS)theoryareappliedtoacquireknowledgeforintelligentexpertsystemanddetailedstudyaboutthathasbeendon

7、einthisthesis.Firstly,influencefactorsofgeneralizationofneuralnetworkarepresentedinthisthesis,inordertoimproveneuralnetwork'sgeneralizationabilityanddynamicknowledgeacquirementadaptiveability,astructureauto-adaptiveNeuralNetworknewmodelbasedongeneticalgorithmisproposedto

8、optimizestructureparameterofNNincludinghiddenlayernodes,trainingepochs,initialweights,andsoon;Secondly,