Исследование правил принятия решений при производстве деталей в горнодобывающей промышленности

В области интеллектуального анализа данных обычно используемые методы классификации включают опорные векторные машины, нейронные сети, байесовскую классификацию и т. Д. Вышеупомянутые алгоритмы в основном ориентированы на нерегулярное распределение данных, полагаясь на поддержку больших данных и выясняя их потенциальные взаимосвязи с помощью аналогичные меры. Он широко используется в таких областях, как диагностика неисправностей. Однако в машиностроении разработка параметров деталей (таких как размер, точность и т. Д.) Стала стандартизированной, а в реальном проектировании каждая деталь в базе данных соответствует только одному технологическому маршруту. Следовательно, частота повторения данных процесса относительно высока, а объем данных невелик, что не подходит для вышеупомянутого алгоритма обработки. Поэтому исследователи в основном используют теорию приблизительных множеств для определения правил принятия решений.

Прежде чем приступить к разработке правил принятия решений, мы должны сначала убедиться в достоверности данных. Это связано с тем, что в реальной инженерии условия работы всегда меняются в реальном времени. Чтобы небольшое количество нетипичных данных, генерируемых особыми условиями работы, не повлияло на принятие решений, данные необходимо прогнозировать заранее. ручка. Поэтому в литературе обычно используется метод расчета поддержки и уверенности для получения типичных данных процесса.

На основе расширенной модели приблизительного набора знания о предпочтениях процесса добываются с помощью сложных отношений эквивалентности, сходства и предпочтения, которые подтверждают, что знания о предпочтениях процесса могут непосредственно направлять процесс принятия решений проектировщиком, а теория приблизительных наборов не требует ссылка на оценку осуществимости правила процесса, которая лучше, чем другие. Метод майнинга более простой и прямой.

Результаты интеллектуального анализа теории приблизительных множеств включают детерминированные правила, полученные из набора нижнего приближения и отрицательной зоны, а также неопределенные правила граничной зоны. Чтобы более полно изучить правила процесса пограничной зоны, Zhang Z. et al. использовала модель приблизительного набора переменной точности для передачи точности. После изменений в процессе интеллектуального анализа диапазон набора верхнего приближения эффективно сокращается. Качественные знания сопоставляются с отношениями ассоциации, чтобы сформировать модель слияния знаний, которая может эффективно определять больше правил принятия решений.

Основной процесс грубого набора рассуждений состоит в том, чтобы добиться минимального уменьшения атрибута. Чен Хао и др. проанализированы аномалии редукции, вызванные интервалом включения и положительной областью. Для модели приблизительного набора переменной точности с постоянной скоростью классификации и постоянной положительной областью используется матрица различий на основе содержимого и ядро ​​атрибутов для получения метода минимального сокращения атрибутов. Используя алгоритм эвристической редукции, сначала получите основной атрибут и вычислите зависимость атрибута. В соответствии с порядком возрастания зависимости атрибут и атрибут ядра объединяются по очереди и, наконец, получают минимальное уменьшение атрибута, рассмотрите
Неоднородность распределения выборки улучшается на основе приблизительного набора соседей, и предлагается модель приблизительного набора K-ближайших соседей, которая эффективно удаляет большое количество атрибутов. Интеллектуальный анализ решающих правил в основном делится на два типа: индуктивный, а второй - дедуктивный. Метод добычи. Основная идея индуктивного интеллектуального анализа данных заключается в обобщении значимых правил принятия решений в сложных наборах данных. Когда цель получена, сопоставьте условные атрибуты набора правил в соответствии с параметрами атрибута цели, чтобы извлечь правила принятия решений, которые соответствуют требованиям сопоставления. Основная идея дедуктивного анализа состоит в том, чтобы разделить содержание решения на комбинацию нескольких подмножеств решений и использовать набор данных для анализа области применения подмножеств решений. Когда цель достигнута, согласно цели
Параметр целевого атрибута извлекает соответствующее подмножество принятия решений и реорганизует его в требуемый контент для принятия решений. В отличие от этого, правила принятия решений при выводе интеллектуального анализа данных более разнообразны и имеют более широкую область применения, а индуктивный интеллектуальный анализ имеет более строгие ограничения, которые могут гарантировать надежность правил.

В вышеупомянутых документах большинство методов обработки - это индукционная добыча. Хотя надежность правил принятия решений эффективно гарантируется, сильное ограничение также приводит к низкому использованию данных и ограничивает полноту базы правил принятия решений. Более того, хотя приблизительный набор переменной точности может эффективно уменьшить граничную область, значение точности в основном устанавливается вручную, а слишком большое количество человеческих факторов снизит надежность правила принятия решения. Таким образом, как уменьшить граничную область и повысить гибкость правил на основе обеспечения надежности правил принятия решений, является основным направлением исследований правил принятия решений в процессе добычи полезных ископаемых.

Ссылка на эту статью ： Исследование правил принятия решений при производстве деталей в горнодобывающей промышленности

Заявление о перепечатке: Если нет специальных инструкций, все статьи на этом сайте являются оригинальными. Укажите источник для перепечатки: https: //www.cncmachiningptj.com/，thanks！

Цех ЧПУ PTJ производит детали из металла и пластика с отличными механическими свойствами, точностью и повторяемостью. Доступны 5-осевые фрезерные станки с ЧПУ.Обработка жаропрочного сплава диапазон, включая обработка инконеля,обработка монеля,Компьютерщик Ascology обработка,Карп 49 обработка,Обработка Хастеллой,Обработка нитроником-60,Hymu 80 механическая обработка,Обработка инструментальной стали,так далее.,. Идеально подходит для применения в аэрокосмической отрасли.CNC-обработка производит детали с превосходными механическими свойствами, точностью и повторяемостью из металла и пластика. Доступны 3-осевые и 5-осевые фрезерные станки с ЧПУ. Мы разработаем с вами стратегию предоставления наиболее экономичных услуг, которые помогут вам достичь вашей цели. Добро пожаловать, чтобы связаться с нами ( sales@pintejin.com ) непосредственно для вашего нового проекта.