一种基于粗糙集神经网络的陶瓷原料分类方法

1、陶瓷学报JOURNAL OF CERAMICS第31卷第1期2010年3月文章编号:1000-2278(201001-0136-04一种基于粗糙集神经网络的陶瓷原料分类方法秦祎晗柳炳祥彭文(景德镇陶瓷学院信息工程学院,景德镇:333403摘要文章在分析粗糙集和神经网络各自优势和存在问题的基础上,设计了一种将两者综合集成的新方法。该方法利用粗糙集对神经网络待处理的数据进行属性约简,借此来简化神经网络结构,然后利用三层BP 神经网络建立陶瓷原料分类模型。实验结果表明,粗糙集神经网络方法用于陶瓷原料分类是可行的和有效的,有助于对陶瓷原料的选取,有一定的理论意义和实际应用价值。关键词粗糙集,属性约简,

2、BP 神经网络,陶瓷原料中图分类号:TQ174.4文献标识码:A1引言陶瓷行业的发展,离不开优质的陶瓷原料,而优质陶瓷原料必须具备专业化、标准化和商品化的特点。陶瓷原料的专业化、标准化、商品化是陶瓷企业组织现代陶瓷生产的重要手段,是陶瓷企业进行科学管理的重要组成部分,是企业生产高档次、高质量、高技术含量陶瓷产品的基础。陶瓷材料制品由多种无机非金属材料构成,所用原料大部分是天然的矿物原料或者是岩石原料,这些原料种类繁多,分布广泛,结构复杂,成分多变。由于陶瓷原料未能实现标准化、专业化和商品化,这对陶瓷原料本身和产品品质产生较大影响,甚至造成浪费。陶瓷原料在陶瓷生产过程中发挥着重要的作用,因此对陶

3、瓷原料进行遴选是必要的。如何科学、合理地对陶瓷原料进行分类,选择适合自己工艺流程的陶瓷原料,是众多陶瓷企业迫切需要解决的问题。陶瓷企业越来越关注于陶瓷原料的选择,对陶瓷原料进行分类显得非常重要。因此,在陶瓷原料分类研究中,许多学者提出了不同方法。文章在文献2的基础上,利用粗糙集可分辨矩阵对陶瓷原料特征参数进行属性约简,然后使用BP 神经网络误差反向传播方法,通过选取约简后的陶瓷原料特征参数,训练样本,得到最佳网络参数,进而对目标陶瓷原料进行识别和分类。该方法不仅减小了网络规模,同时通过消除对象冗余属性,减少了网络训练和学习负担,通过消除噪声提高BP 神经网络预测精度。此方法充分发挥了粗糙集和B

4、P 神经网络的优势,弥补各自缺点,能较好地解决这种模糊的、不确定情况的决策问题。实验结果表明,该方法准确性好,成功率高,是一种有效的处理方法。2相关理论2.1粗糙集1定义1:设S=(U,A,V,F是一个信息系统,如果每个属性a A 都是A 中不可约去的,即:IND(A-aIND(A,称属性a 在A 中是必要的,否则称a 在A 中是多余的。定义2:设S=(U,A,V,F是一个信息系统,如果每个属性a A 在A 中都是必要的,则称属性集A 是独立的,否则称A 是相关的。如果是相关属性集,其中必然包含多余属性,可以对其进行约简。定义3:设S=(U,A,V,F是一个信息系统,中所有必要的属性组成的集合

5、称为属性集的核,记为收稿日期:2009-12-01图1三层BP 模型网络结构Fig.1Three-layer BP neural networkCORE(A。定义4:设S=(U,A,V,F是一个信息系统,P 哿A ,如果IND(P=IND(A,且P 是独立的,则称P 是A 的一个最小子集,记为RED(P。一个属性集A 可能有多个最小子集。定义5:所有属性集A 的简化RED (P的交集CORE(A=RED(P,即为属性集A 的CORE(A,它是不能被消去的知识特征的集合。分辨矩阵(Discernibility Matrix是由波兰华沙大学的数学家A.Skowron 提出的,是近年来在粗糙集约简上

6、出现的一个有力的工具。利用这个工具,可以将存在于复杂信息系统中的全部不可分辨关系表达出来。首先给出分辨矩阵的概念:设信息系统S=(U,A,V,F,A=a 1,.,a m 的分辨矩阵为M(S,M(S是n ×n 的矩阵,m ij 表示分辨矩阵中第i 行、第j 列元素,每一个元素m ij 都是A 的一个子集,即:m ij 哿A 。M(S中的元素确定如下:m=a A a(x i a(x i D(x i D(x i D(x i =D(x i i,j=1,2,.nD(x i 表示所有与x i 在关系IDN(A下是等价的元素相应的决策属性值构成的集合的基数。M(S是一个主对角线为0的对称矩阵,由于

7、其对称性,可以只利用下三角部分表示,使其计算量减少将近一半。2.2BP 神经网络8BP 网络是人工神经网络中研究最多、应用最广的网络之一。BP 算法的基本思想是,学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时,输入样本从输入层传入,经各隐层逐层处理后,传向输出层。若输出层的实际输出与期望输出不符,则转入误差的反向传播阶段。这种信号正向传播与误差反向传播的各层权值调整过程一直进行到网络输出的误差减少到设定阈值或到设定的学习次数为止。图1所示的单隐层网络的应用最为普遍。3粗糙集BP 神经网络融合模型3.1粗糙集BP 神经网络融合模型粗糙集和BP 神经网络都是处理不确定、不完全信息

8、的方法,粗糙集方法考虑知识表达中不同属性的重要性,哪些知识是重要的,确定哪些知识是冗余的,并且删除冗余知识保留重要知识。而BP 神经网络利用非线映射思想和并行处理方法对输入与输出关联知识的隐函数编码。文章将粗糙集与BP 神经网络这两种理论有机地结合,并将其融合模型用于选取陶瓷原料的研究,提出了一种基于粗糙集BP 神经网络的陶瓷原料分类方法。粗糙集BP 神经网络陶瓷原料分类方法的实质就是在传统BP 神经网络基础上,应用粗糙集方法在不改变原有决策规则的前提下,对知识系统中的属性和论域中的对象进行约简,求出简化的决策规则,并应用此规则对BP 神经网络的结构或层次进行简化,对BP 神经网络的缺点加以克

9、服,从而提高BP 神经网络的效率和训练质量。这样既减小了网络的规模,同时通过消除对象冗余减少了网络的训练和学习负担,通过消除噪声提高了BP 神经网络预测精度。其目的是丰富陶瓷原料分类的理论与方法,增强实践经验,为更好地选择陶瓷原料提供更为可靠的决策支持。通过资料收集,得到陶瓷原料数据信息。陶瓷原料的组成包含SiO 2、Al 2O 3、K 2O 、Na 2O 、CaO 、MgO 、Fe 2O 3和TiO 2等多种氧化物及烧失量I.L ,氧化物之间存在一定的配比关系,不同的配比关系对应不同的陶瓷原料。文章先利用粗糙集属性约简方法对原始数据进行属性约简,消除样本中噪声(不一致对象。把简化后的样本数据

10、输入BP 神经网络进行训练,BP 神经网络对输入每一个同样的训练集对象进行学习,学习采用反向误差传播的BP 算法,学习过程中用反向误差传播来调整决策规则的依赖因素,最后利用BP 神经网络输出结果对陶瓷原料进行分类。3.2基于粗糙集BP 神经网络融合模型在陶瓷原料分类的应用实例表1粗糙集BP 神经网络对10种陶瓷原料预测结果Tab.1Predicting results for 10ceramic materials by the rough set and the BP neural network序号输出节点粗糙集BP 网络预测原料的类别原料实际所属类别0.92770.000033图230种

11、陶瓷原料粘土组成成分Fig.2Compositions of 30ceramic clays图5测试样本Fig.5Testing samples图4训练样本Fig.4Training samples图3陶瓷原料属性约简后决策表Fig.3Results of attribute reduction for the choice ofceramic raw materials文章根据文献6和有关工厂收集的数据,抽取30种陶瓷原料,如图2所示。对30种陶瓷原料进行数据离散,论域有30个样品,编号1-30,其条件属性集是A,B,C,D,E,F,G,H,I分别代表SiO 2,Al 2O 3,Fe 2O

12、3,CaO ,MgO ,K 2O ,Na 2O ,TiO 2,I.L,决策属性是M 代表类别。将其属性值连续数据离散化,并且进行属性约简,结果如图3所示。将图4中陶瓷原料的数据作为训练样本,特征参数A ,B ,F ,I 作为BP 神经网络的输入,类别M 为输出。输出00表示属于第1类陶瓷原料,01表示属于第2类陶瓷原料,10表示属于第3类陶瓷原料,11表示属于第4类陶瓷原料。先对图3中的数据进行归一化,然后按照BP神经网络原理不断调整网络参数,直到训练结果符合BP神经网络的要求。训练结束后,可以用训练好的BP神经网络模型判别未知样品,将图4中待判别原料的特征参数进行归一化,然后输入BP神经网络

13、模型,进行模式识别和分类,预测结果如表1所示。从表1中可以清楚看到,对未知样品的判别输出结果与实际结果一致。可见,粗糙集BP神经网络对陶瓷原料进行分类是有效的。在调试配方时,可以利用粗糙集BP神经网络模型对拟用的陶瓷原料进行识别和分类,帮助选择原料。利用粗糙集BP神经网络可以建立陶瓷原料特征参数与其种类关系的模型,在模式识别方面具有强大的功能,只要选择并训练好粗糙集BP神经网络参数,就可以得到较精确的分类,误差很小,显示出粗糙集BP神经网络高容量、高速度及强大的纠错能力,具有一定的实用价值。利用粗糙集BP神经网络对陶瓷原料进行分类,其结果有助于新配方的研制和旧配方的维持,在实际生产中进行运用。

14、4结论文章利用粗糙集的数据分析与处理能力,消除噪音干扰,并对输入参数集进行约简,减少了信息表达的特征数量,简化神经网络输入变量的个数,降低了BP神经网络系统的复杂性,提高了网络训练速度和运行速度,减少网络训练时间,提高了整个融合系统速度。该模型通过粗糙集方法,使用BP神经网络作为后置的信息识别系统,提高了模型的容错能力和抗干扰能力。通过陶瓷原料历史数据进行实验,结果验证了粗糙集BP神经网络融合模型在陶瓷原料分类中是可行的和有效的,为陶瓷原料分类提供了一种新的分析思路和研究方法。参考文献3Pawlak Z.Rough Sets:Theoretical Aspects of Reasoning a

15、bout Data.Dordrecht:Kluwer Academic Publishers,19915葛哲学,孙志强等.神经网络理论与MATLAB R2007实现.北京:电子工业出版社,20077Zdzistaw Pawlak and Andrzej Skowron.Rough sets and Boolean reasoning.Information Sciences,2007,177:4173A CLASSIFICATION METHOD FOR CERAMIC RAW MATERIALSBASED ON ROUGH SET AND NEURAL NETWORKQin Yihan Li

16、u Bingxiang Peng Wen(School of Information Engineering,Jingdezhen Ceramic Institute,Jingdezhen333403AbstractA new method combining the advantages of the rough set theory and neural network theory was presented.The attributes of the data were reduced according to the rough set theory,thereby to simplify the neural network structure;three-layer artificial neural network is applied to the classification of ceramic raw materials.The results demonstrate that pattern recognition of ceramic raw materials by the rough set an