基于FCM算法的粗糙集理论在边坡稳定性影响因素敏感性分析中的应用

结合粗糙集理论与模糊C-均值（FCM）算法,提出一种边坡稳定性影响因素敏感性分析新方法。将边坡稳定性影响因素敏感性分析问题转化为粗糙集理论中的属性重要性评价问题,采用FCM算法离散连续属性数据,给出敏感性分析的具体算法。以圆弧型破坏边坡为例,对影响边坡稳定性的单因素与多因素敏感性进行分析,证明了该方法的可行性和有效性。     

适用于遥感分类的多邻域粗糙集加权特征提取方法

邻域粗糙集是一种有效的影像特征提取方法,邻域粗糙集模型存在稳定性不高和邻域半径需要反复调整的不足,难以实现地物特征的自动化提取。提出一种多邻域粗糙集加权特征提取方法用于高分辨率遥感影像特征提取。该方法首先利用不同半径的邻域粗糙集对影像的光谱和纹理特征进行提取,求得不同邻域半径下的有效特征子集;然后统计所有邻域半径下各个特征出现的概率,将概率作为权重与特征进行加权得到最终地物特征。QucikBird影像上分类试验表明本文算法优于传统邻域粗糙集特征提取方法,分类总精度平均提高3.88%,Kappa系数平均提高5.16%。在GeoEye-1影像上的分类试验同样证明了本文方法的有效性。     

基于粗糙集与BP神经网络的底板破坏深度预测

基于粗糙集理论,以指标集为基础,建立了底板破坏深度影响因素的知识表达系统,提出了规则提取原则,通过粗糙集决策规则的数据处理,得出获得各因素对底板破坏深度的影响顺序为:采深、煤层倾角、工作面斜长、采厚、底板抗破坏能力、工作面是否有切穿型断层或破碎带。由于底板抗破坏能力、工作面是否有切穿型断层或破碎带这些参数难以确定,采用其余4种影响因素建立BP神经网络的预测模型,并根据建立的模型预测肥城煤田的9101和9507工作面的底板破坏深度。通过与实测结果对比,证明该网络模型的计算结果比规程提供的经验公式计算结果更接近实际。     

基于粗糙集的不确定区域RCC拓扑关系研究

基于粗糙集定义了粗糙区域和粗糙区域的上、下近似区域,提出两种基于上、下近似区域表示粗糙区域拓扑关系的方法。一种方法用上、下近似区域的连接关系表达粗糙区域拓扑关系,得出两个粗糙区域之间的6种拓扑关系,并进一步利用上、下近似区域的RCC5关系表达粗糙区域之间的拓扑关系,得出两个粗糙区域之间的51种拓扑关系,然后分析两种表达之间的联系。另一种方法扩展RCC5模型,首先定义三值逻辑的部分关系≤和补运算~,然后用三值逻辑三元组(X≤Y,X≤~Y,Y≤X)描述两个粗糙区域X和Y的拓扑关系,并给出可能的8种拓扑关系。     

基于覆盖粗糙集的GIS不确定性分析

粗糙集作为一种处理不确定性问题的工具,近年来在GIS中得到了广泛的应用。它利用上、下近似来逼近对象。在以往的GIS粗糙集应用中,都是基于等价划分的pawlark粗糙集。本文基于划分之中可以存在交集的覆盖粗糙集,利用近年在基础数学研究中的一些覆盖粗糙集的理论与性质,探讨了GIS不确定研究的覆盖近似空间、覆盖粗糙集、模糊覆盖粗糙集、模糊覆盖粗糙隶属函数等。发现覆盖粗糙集在处理GIS不确定性问题时,有比粗糙集更广的适应范围。     

t模糊等价关系与t模糊商空间

给出t模糊等价关系及相应的t模糊商空间的定义,讨论其性质,证明了全体t模糊等价关系与t模糊知识基的集合构成同构的完备格。     

利用粗糙集理论进行遥感分类信息提取

以辽宁省双台子河口湿地为研究对象,以Landsat 8和HJ-1-A/HJ-1-B的多时相遥感影像为数据源,根据研究区现状,将研究区分为旱地、芦苇、水田、碱蓬、混合植被、水面、滩涂、居民点、养殖塘九个类型.利用时间序列的归一化植被指数提取植被与非植被的分类阈值,采用粗糙集理论和多时相遥感影像,对植被和非植被分别进行分类规则的获取,建立了研究区决策树分类模型.为了进行精度评价,利用相同的训练点又进行了同样基于像元的最大似然法分类.最后利用混淆矩阵对上述两种方法进行了精度评估,基于粗糙集的决策树分类法与最大似然法总体分类精度分别为93.70%和91.62%,Kappa系数分别为0.92和0.90,两项指标值基于粗糙集理论法均比最大似然法有所提高.这为构建决策树分类模型进行湿地地表分类信息提取提供了一条新的研究思路.     

中小型原水河渠污染事故危害度应急评价模型

为了对中小型原水河渠污染事故危害影响程度进行综合评价,利用污染事故案例样本资料,在提出原水污染事故危害度概念基础上,归纳影响中小型原水河渠污染事故危害度的直接与间接影响因素,应用粗糙集理论与方法,对间接影响因素进行重要性分析、冗余约简及重要度权重计算,综合直接与间接影响因素的作用,构建中小型原水河渠污染事故的应急评价模型。以成都市原水河渠为例,设计模拟污染事故情景,对所构建模型进行分析,结果表明,模型能够反映中小型原水河渠污染事故的危害影响程度。所构建模型适用于中小型原水河渠污染事故的应急评价,可为应急响应决策提供支撑信息。     

An Approach to Spectral Discrimination of Rocks Using ASAI and Rough Sets

Field data of outcrop spectrums provide important basis for modeling of hyper-spectral remote sensing aiming at mineral prospecting. We make an approach to the application of rough set theory in spectral discriminiation of rocks. We build a decision table with an adequate number of samples (out-crops) of known rock type (the universe), of which the conditional atributes are discretized “area spectrum absorption indexes“ (ASAI) corresponding to wavelength intervals, and the decision atribute is rock type. We search to obtain the exhaustive set of reducts of the table, each of which will serve as a variable number of deduction rules. Suppose we have n (usually a very big number) rules in total and there are m types of rocks in our universe, for any unknown sample, we judge its rock type by each of those rules. An unknown sample may be recognized as a different type by different rules because it is out-side our universe, and we accept the most frequent judgment result and ignore the other m-1 types of results. Our ASAI is an improvement upon the traditional spectrum absorption index (SAI), better applicable to field spectrums: given a spectrum curve and a wavelength interval, we take the average reflectance within the interval as a base line and let ASAI=αbelow/(αabove αbelow), where αbelow and αabove stand for total areas, bounded by the curve, the base line and the borders of the intervalbelow and above the base line respectively. With the equipments of FieldSpectr Fr (made by ASD Co., US), we collected data from Baiya gold deposit, Yunnan, and applied the above method to discriminate altered rocks as an experiment. The results show satisfactory performance of the method.     

容差粗糙集与神经网络结合的遥感数据分类方法

神经网络中的BP(Back Propagation)算法越来越多地用在遥感数据分类中. 但BP算法存在的缺点之一是网络训练时可能会导致网络出现全面的低性能. 为避免出现类似问题, 探索采用容差粗糙集方法对训练数据做分类预处理, 去除训练数据中的某些影响训练收敛的因素, 进而提高网络训练的成功率. 实验采用了北京地区2003年5月的TM数据, 分别用分类预处理前数据和经过分类预处理后的数据对BP网络进行了训练. 结果表明, 此方法不仅弥补了BP算法在处理遥感数据时的缺陷而且提高了分类精度.