粗糙集与决策树理论在输电线路巡检中的应用
粗糙集理论在决策分析中的应用
粗糙集理论在决策分析中的应用引言：决策分析是一种重要的决策支持工具，它帮助决策者在复杂的环境中做出正确的决策。
而粗糙集理论作为一种有效的数学工具，已经在决策分析中得到了广泛的应用。
本文将探讨粗糙集理论在决策分析中的应用，并分析其优势和局限性。
一、粗糙集理论的基本概念粗糙集理论是由波兰学者Pawlak于1982年提出的，它是一种处理不确定性和不完备性信息的数学工具。
粗糙集理论的核心概念是粗糙集和精确集。
粗糙集是指在特定条件下，无法准确判断某个元素是否属于某个集合，但可以确定其不属于该集合。
而精确集则是指在特定条件下，可以准确判断某个元素是否属于某个集合。
粗糙集理论通过粗糙集和精确集的划分来处理不确定性和不完备性信息，从而提供了一种有效的决策分析方法。
二、1. 特征选择在决策分析中，特征选择是一个重要的步骤。
通过选择合适的特征，可以提高决策模型的准确性和可解释性。
而粗糙集理论可以通过计算不同特征的正域和边界域来进行特征选择，从而提取出对决策结果具有重要影响的特征。
2. 决策规则提取决策规则是决策分析中的核心内容，它描述了决策结果与决策条件之间的关系。
粗糙集理论可以通过计算不同决策条件的正域和边界域来提取出决策规则，从而帮助决策者理解和解释决策结果。
3. 决策模型构建决策模型是决策分析中的重要工具，它可以帮助决策者预测和评估不同决策方案的效果。
粗糙集理论可以通过构建决策表和决策树来建立决策模型，从而辅助决策者进行决策分析。
三、粗糙集理论的优势和局限性1. 优势粗糙集理论具有以下优势：（1）处理不确定性和不完备性信息：粗糙集理论可以处理不确定性和不完备性信息，提供了一种有效的决策分析方法。
（2）简单易用：粗糙集理论的基本概念和计算方法相对简单，易于理解和应用。
（3）能够提取隐含知识：粗糙集理论可以通过计算不同条件的正域和边界域来提取出隐含的决策规则和特征，帮助决策者理解和解释决策结果。
2. 局限性粗糙集理论也存在一些局限性：（1）计算复杂性：粗糙集理论在处理大规模数据时，计算复杂性较高，需要耗费较多的计算资源。
一种基于粗糙集的决策树构造方法
给定信 息系统 Ｓ （ ， ， 于每个子集 ＝ Ｕ Ａ） 对 定义两个子集 【 ：
ｑ ｕ， ｘ＝ ｙＥ Ｉ ｙ Ｒ Ｘ＝Ｕｆ ／ ＹＡＸ＃ ＹＥＵＲＩ ｝
知识表达 系统也称 为信息系统。 通常也用 ｓ （ ， ） ＝ ＵＡ 来代替 ｓ （ ， ＝ ＵＡ，
。
（） ４对于 ９中的每一个属性 Ｒ， ． 计算使用Ｒ 进行分类时 的近似 分类 ． 精度 ， 择近似分类精度 最大 的 所 对应 的Ｒ 作为测试属性 ， 被 选 设
兄 的不同取值分为 ｍ个不相交 的子集 ， 葺 ≤ｍ， ， 伸出 ｍ ，号 Ｊ ， 从（ Ｑ ） 个
维普资讯
Ｓ ＩＴ Ｃ Ｆ Ｒ Ａ Ｉ Ｎ Ｄ Ｖ Ｌ Ｐ Ｅ Ｔ＆Ｅ Ｏ Ｏ Ｙ Ｃ － Ｅ Ｈ Ｉ Ｏ Ｍ ＴＯ Ｅ Ｅ Ｏ Ｍ Ｎ Ｎ ＣＮＭ
文章编号：０ ５ ６ ３ （０ ６ １－ １６ ０ １０ — ０ ３ ２ ０ ）３ ０ ３— ３
２０ 年 ０６
∑Ｉ Ｉ
ｉ＝ ｌ
在各种决 策树 算法中最有影 响的是 Ｑ ｉ￣ 于 １８ ｕ ｍ ９６年提出的 以信息 熵 的下降速度为启发信息选取节点 的 Ｉ ３ Ｄ 算法 “ ， ］ 但这种算法不是最 优
的， ＲＨ ｎ 已经证 明了求解最优决策树是一个 Ｎ — ａ 问题 ［。 Ｊ ．ｏ ｇ ． Ｐ ｈｒ ｄ ２ ］
（） １令决策树 的初始状态 只含有一个树根 （ Ｑ） 中 ， ， 是全体训 其 练实例 的集合 ， 口是条件属性 的集合 ； （） 瑚 所有 叶节点 （ ， 都有 如下状态 ： ２若 Ｑ） 或者第一个 分量 中 的训练实例都属于同一个类 ， 或者第二个￣－Ｑ为空 ， － Ｍ 则停止算法 ， 结果
属性取 值较 多的属性 不一定最 优 ； ３ 非递增学 习算法 ； ３抗噪性 Ｉ 是 Ｄ １ Ｄ
利用粗糙集理论进行输电线路运行风险评价
利用粗糙集理论进行输电线路运行风险评价摘要：本文通过粗糙集理论，对实际500kV输电线路进行运行风险评价。
采用可辨识矩阵的属性频率约简方法对输电线路决策表进行约简，并结合粗糙熵的相关知识得到决策规则。
最后通过算例中各条件属性对各架空输电线路的运行风险中的权重，符合实际生产经验，能够给电力运行管理部门提供有效参考。
关键词：粗糙集理论输电线路可辨识矩阵风险评价输电线路是电力系统的重要组成部分，起传递和输送电能。
尤其是500kV 超高压输电线路在我国已经得到广泛应用。
因此，其状态的好坏直接影响电力系统运行的可靠性。
本文基于所辖的500kV输电线路各参数的提取，利用粗糙集理论，通过决策树的建立和规则的约简，得到输电线路的风险评价模型。
1、粗糙集理论及知识约简1.1 粗糙集概述[1]粗糙集理论作为一种数据分析处理理论，在1982年由波兰科学家Z.Pawlak 创立。
其是一种刻画不完整性和不确定性知识和数据的表达、学习、归纳的有效方法，能特别是在分析和处理大数据量、消除冗成信息等方面有一定的优势，并从中发现隐含的知识，揭示潜在的规律。
其主要思想是：基于知识的分类观点，在近似空间（知识库）中研究如何在保持分类能力不变的前提下，通过知识约简，导出问题的分类规则，然后将此规则应用于未知数据，以决定如何做出决策。
所以粗糙集在实际中的应用也是一种学习预测过程。
1.2 知识约简知识约简一般包括属性约简和规则约简两个步骤，前者是在保持分类能力不变的前提下，删除不相关或不重要的属性，即用约简后的属性集合代替原来的属性集合而不降低分类效果。
目前人们在属性约简方面已经做了大量的工作，提出了各种各样的属性约简算法[2-4]。
后者则是在属性约简的基础上对决策表中的规则进行约简，即在不改变规则分类能力的前提下，删除规则中含有的冗余信息，用最少的属性值来表达规则所含内容。
规则有确定性和不确定性之分，前者是确定成立的，后者是以一定概率成立的。
基于粗糙集理论的决策树分类方法
邹瑞芝;罗可;曾正良
【期刊名称】《计算机工程与科学》
【年(卷),期】2009(031)010
【摘 要】决策树是数据挖掘中常用的分类方法.本文提出了基于粗糙集的决策树方法,利用粗糙集近似精确度来选择决策树的根节点,分支由分类产生.该方法计算简单,易于理解.本文还提出用悲观剪枝法简化决策树,提高决策树的预测与分类能力.实例说明了本文方法均简单有效.
1.基于粗糙集方法的决策树多值偏向理论分析 [J], 章晓;何熊熊;朱忠记;赵松
2.一种基于粗糙集理论的变压器故障多变量决策树诊断方法 [J], 吕俊;任雪萍
3.基于变精度粗糙集理论的决策树生成方法的研究 [J], 李想
4.一种改进的基于粗糙集理论的决策树分类算法 [J], 李晨;闫芬;赵勇;周卫红
【总页数】3页(P112-114)
【作 者】邹瑞芝;罗可;曾正良
【作者单位】长沙理工大学计算机与通信工程学院,湖南,长沙,410076;长沙理工大学计算机与通信工程学院,湖南,长沙,410076;长沙理工大学计算机与通信工程学院,湖南,长沙,410076
【正文语种】中 文
【中图分类】TP18
【相关文献】
5.基于粗糙集理论的协调集及其决策树构造 [J], 程玉胜;江效尧;胡林生
因版权原因，仅展示原文概要，查看原文内容请购买
基于粗糙集的决策树在电子商务中的应用
定义 ２ （ 不 可分 辨 关 系 ） Ｓ ：＜ Ｕ， Ｒ， Ｖ ， Ｆ ＞，
来进行数据 的分类 和预测 ， 其主要优点是分类速度 快， 效 率 高¨Ｉ ２ Ｊ 。缺 点是 当属 性 比较 多 时 ， 分 类 能力
较差 ， 难 以发 现 有用 的规 则 。粗 糙 集 也是 一 种 处 理
１ ． ２ 粗糙 集理 论
１ ９ ８ ２年 ， 波兰教授 Ｐ ａ ｗ ｌ ａ ｋ ｚ 提 出 了 粗 糙 集
定义 ４ （ 边界 、 正域、 负域 ）集 合 Ｂ ＮＧ （ Ｘ） ＝ Ｒ Ｘ—Ｒ Ｘ称 为 的 Ｒ边界 ； Ｐ Ｏ Ｓ Ｒ （ Ｘ）＝ Ｒ Ｘ称 为 的 正域 ； Ｂ Ｎ Ｇ （ ） ＝ Ｕ —Ｒ Ｘ称为 的 Ｒ负域 。 定义５ （ 关 系独 立 、 关 系依 赖 ） 设 Ｓ ＝＜ Ｕ， Ｒ，
第１ ６卷 第 １期
重 庆科 技学 院学 报 （ 自然科 学版 ）
２ ０ １ ４年 ２月
基 于粗 糙 集 的决 策 树在 电子 商 务 中的应 用
吴学辉 张月琴
（ １ ． 运城 学院计 算机 科 学与技 术 系，山 西 运城 ０ ４ ４ ０ ０ ０ ； ２ ． 太原理 工 大学计 算机 与软 件 学 院 ，太原 ０ ３ ０ ０ １ ２ ）
・
１ ５ ０・
吴 学辉 ， 等： 基 于粗糙 集 的决策 树在 电子 商务 中的应 用
定义 ３ （ 上近似、 下近似 ） 令 Ｕ ， 则 和 Ｒ Ｘ称为 关 于 Ｒ的上 近似 和下 近似 。 Ｒ Ｘ ＝ｕ ｛［ ］ Ｒ ∈Ｕ ／ Ｒ ｌ ［ ］ Ｒ ｎ ≠（ ２ ｊ ｝ Ｒ Ｘ ＝ｕ ｛［ ］ Ｒ ∈Ｕ ／ Ｒ Ｉ［ ］ Ｒ ｝
粗糙集理论简介及应用介绍
粗糙集理论简介及应用介绍引言：在现代信息时代，数据的快速增长和复杂性给决策和问题解决带来了挑战。
为了更好地理解和分析数据，人们提出了许多数据挖掘和分析方法。
其中，粗糙集理论作为一种有效的数据处理方法，被广泛应用于各个领域。
本文将简要介绍粗糙集理论的基本概念以及其在实际应用中的一些案例。
一、粗糙集理论的基本概念粗糙集理论是由波兰学者Pawlak在20世纪80年代初提出的。
它是一种基于近似和不确定性的数学工具，用于处理不完全和不确定的信息。
粗糙集理论的核心思想是通过将数据划分为等价类来对数据进行描述和分析。
在这种划分中，数据被分为确定和不确定的部分，从而实现了对数据的粗糙描述。
1.1 粗糙集的等价关系粗糙集的等价关系是粗糙集理论的基础。
在粗糙集中，等价关系是指具有相同属性值的数据实例之间的关系。
通过等价关系，我们可以将数据实例划分为不同的等价类，从而实现对数据的刻画和分析。
1.2 下近似集和上近似集在粗糙集中，下近似集和上近似集是对数据的进一步描述。
下近似集是指具有最小确定性的数据实例的集合，而上近似集是指具有最大确定性的数据实例的集合。
通过下近似集和上近似集，我们可以更好地理解数据的不确定性和不完整性。
二、粗糙集理论的应用案例粗糙集理论在实际应用中具有广泛的应用价值。
以下将介绍一些典型的应用案例。
2.1 数据挖掘粗糙集理论在数据挖掘中被广泛应用。
通过粗糙集理论，我们可以对大量的数据进行分类和聚类。
例如，在医学领域，研究人员可以利用粗糙集理论对医疗数据进行分类，从而实现对疾病的诊断和治疗。
2.2 特征选择特征选择是数据挖掘和机器学习中的一个重要问题。
通过粗糙集理论，我们可以对数据中的特征进行选择，从而减少数据的维度和复杂性。
例如，在图像识别中，研究人员可以利用粗糙集理论选择最具代表性的图像特征，从而提高图像识别的准确性和效率。
2.3 决策支持系统粗糙集理论在决策支持系统中的应用也非常广泛。
通过粗糙集理论，我们可以对决策问题进行建模和分析。
粗糙集理论在故障诊断与预测中的应用
粗糙集理论在故障诊断与预测中的应用故障诊断与预测是现代工业生产中非常重要的一项技术。
通过及时准确地诊断和预测设备的故障，可以有效地避免生产事故的发生，提高生产效率和设备的可靠性。
而粗糙集理论作为一种有效的数据分析方法，被广泛应用于故障诊断与预测中。
粗糙集理论是由波兰学者Pawlak于1982年提出的一种基于不完全信息的数据处理方法。
它的核心思想是通过将数据进行粗糙化处理，将不完全信息转化为可用的决策知识。
在故障诊断与预测中，粗糙集理论可以帮助我们从大量的数据中提取出有用的信息，辅助我们进行故障诊断和预测。
首先，粗糙集理论可以帮助我们进行故障诊断。
在工业生产中，设备故障的种类繁多，且常常伴随着大量的数据。
通过应用粗糙集理论，我们可以将这些数据进行特征提取和粗糙化处理，从而得到一组简化的决策规则。
这些规则可以帮助我们快速准确地判断设备是否出现故障，并确定故障的具体类型。
相比于传统的故障诊断方法，粗糙集理论不需要事先对数据进行特定的假设，可以更好地适应不同种类的故障。
其次，粗糙集理论还可以应用于故障预测。
在工业生产中，设备的故障往往是一个渐进的过程，通过提前预测设备的故障，可以采取相应的维护措施，避免生产中断和损失。
粗糙集理论可以通过分析设备的历史数据，建立设备运行状态与故障之间的关联模型。
通过这个模型，我们可以预测设备的故障发生概率，并提前采取相应的维护措施。
相比于传统的故障预测方法，粗糙集理论不需要对设备的工作环境和运行状态进行严格的假设，可以更好地适应复杂多变的生产环境。
此外，粗糙集理论还可以结合其他数据分析方法进行故障诊断与预测。
例如，可以将粗糙集理论与神经网络、遗传算法等方法相结合，提高故障诊断与预测的准确性和可靠性。
通过将不同的数据分析方法进行融合，可以更好地利用数据的信息，提高故障诊断与预测的效果。
综上所述，粗糙集理论在故障诊断与预测中具有广泛的应用前景。
通过应用粗糙集理论，我们可以从大量的数据中提取有用的信息，辅助我们进行故障诊断和预测。
粗糙集理论及其应用综述
粗糙集理论及其应用综述3韩祯祥 张 琦 文福拴(浙江大学电机系・杭州,310027) 摘要:粗糙集理论是一种较新的软计算方法,可以有效地分析和处理不完备信息.该理论近年日益受到国际学术届的重视,已经在模式识别、机器学习、决策支持、过程控制、预测建模等许多科学与工程领域得到成功的应用.本文介绍了粗糙集理论的基本概念,对其在各领域的应用情况进行了综述.关键词:粗糙集;不确定性;数据分析;软计算;粗糙控制A Survey on R ough Set Theory and Its ApplicationHan Zhenxiang , Zhang Qi and Wen Fushuan(Department of E lectrical Engineering ,Zhejiang University ・Hangzhou ,310027,P.R.China )Abstract :R ough set theory is a relatively new s oft com putingtool to deal with vagueness and uncertainty.I t has received much attention of the researchers around the w orld.R ough set theory has been applied to many areas success fully including pattern recognition ,machine learning ,decision support ,process control and predictive m odeling.This paper introduces the basic concepts of rough set.A survey on its applicatoins is als o given.K ey w ords :rough set ;uncertainty ;data analysis ;s oft com puting ;rough control1 引言(Introduction )粗糙集(R ougn Set ,RS )理论是一种刻划不完整性和不确定性的数学工具,能有效地分析和处理不精确、不一致、不完整等各种不完备信息,并从中发现隐含的知识,揭示潜在的规律[1].RS 理论是由波兰学者Pawlak Z 在1982年[2]提出的.1991年Pawlak Z 出版了专著[3],系统全面地阐述了RS 理论,奠定了严密的数学基础.该书与1992年出版的RS 理论应用专集[4]较好地总结了这一时期RS 理论与实践的研究成果,促进了它的进一步发展,现已成为学习和应用RS 理论的重要文献.从1992年至今,每年都召开以RS 为主题的国际会议,推动了RS 理论的拓展和应用.国际上成立了粗糙集学术研究会,参加的成员来自波兰、美国、加拿大、日本、挪威、俄罗斯、乌克兰和印度等国家.目前RS 理论已成为人工智能领域中一个较新的学术热点,引起了越来越多的科研人员的关注.2 粗糙集理论的基本概念(Basic concepts of rough settheory )2.1 知识与不可分辨关系(K nowledge and indiscernibility rela 2tion )在RS 理论中,“知识”被认为一种将现实或抽象的对象进行分类的能力[3].假定我们具有关于论域的某种知识,并使用属性(attribute )及其值(value )来描述论域中的对象.例如:空间物体集合U 具有“颜色”、“形状”这两种属性,“颜色”的属性值取为红、黄、绿,“形状”的属性值取为方、圆、三角形.从离散数学的观点看,“颜色”、“形状”构成了U 上的一族等效关系(equivalent relation ).U 中的物体,按照“颜色”这一等效关系,可以划分为“红色的物体”、“黄色的物体”、“绿色的物体”等集合;按照“形状”这一等效关系,可以划分为“方的物体”、“圆的物体”、“三角形的物体”等集合;按照“颜色+形状”这一合成等效关系,又可以划分为“红色的圆物体”、“黄色的方物体”、“绿色的三角形物体”…等集合.如果两个物体同属于“红色的圆物体”这一集合,它们之间是不可分辨关系(indiscernibility relation ),因为描述它们的属性都是“红”和“圆”.不可分辨关系的概念是RS 理论的基石,它揭示出论域知识的颗粒状结构.2.2 粗糙集合的下逼近、上逼近、边界区和粗糙隶属函数(Lower and upper approximation of rough set ,boundary region and rough membership function )给定一个有限的非空集合U 称为论域,R 为U 上的一族等效关系.R 将U 划分为互不相交的基本等效类,二元对K=(U ,R )构成一个近似空间(approximation space ).设X 为U的一个子集,a 为U 中的一个对象,[a ]R 表示所有与a 不可分辨的对象所组成的集合,即由a 决定的等效类.当集合X 能表示成基本等效类组成的并集时,则称集合X 是可以精确定义的;否则,集合X 只能通过逼近的方式来刻划.集合X 关于R 的下逼近(lower approximation )定义为:R 3(X )={a ∈U :[a ]R ΑX}.(1)R 3(X )实际上是由那些根据已有知识判断肯定属于X 的对象所组成的最大的集合,也称为X 的正区(positive region ),记 3国家自然科学基金资助项目(59777011).本文于1997年9月3日收到.1998年11月18日收到修改稿.第16卷第2期1999年4月控制理论与应用CONTROL THEORY AND APPLICATIONS Vol.16,No.2Apr.,1999作POS (X ).由根据已有知识判断肯定不属于X 的对象组成的集合称为X 的负区(negative region ).记作NEG (X ).集合X 关于R 的上逼近(upper approximation )定义为R 3(X )={a∈U :[a ]R ∩X ≠ }.(2)R 3(X )是由所有与X 相交非空的等效类[a ]R 的并集,是那些可能属于X 的对象组成的最小集合.显然,R 3(X )+NEG (X )=论域U.集合X 的边界区(boundary region )定义为:BN (X )=R 3(X )-R 3(X ).(3)BN (X )为集合X 的上逼近与下逼近之差.如果BN (X )是空集,则称X 关于R 是清晰的(crisp );反之如果BN (X )不是空集,则称集合X 为关于R 的粗糙集(rough set ).图1为粗糙集概念的示意图.下逼近、上逼近及边界区等概念刻划了一个不能精确定义的集合的逼近特性.逼近精度定义为αR (X )=|R 3(X )||R 3(X )|.(4)式中|R 3(X )|表示集合R 3(X )的基数或势(cardinality ),对有限集合来说表示集合中所包含元素的个数.显然,0≤αR (X )≤1,如果αR (X )=1,则称集合X 相对于R 是清晰的;αR (X )<1,则称集合X 相对于R 是粗糙的.αR (X )可认为是在等效关系R 下逼近集合X 的精度.RS 理论中定义了粗糙隶属函数(rough membership func 2tion ).通过使用不可分辨关系,定义元素a 对集合X 的粗糙隶属函数如下μRX (a )=|X ∩[a ]R ||[a ]R |.(5)显然0≤μRX ≤1,粗糙隶属函数也可以用来定义集合X 的上、下逼近和边界区.现举例说明粗糙集的概念.论域U 及等效关系R ={R 1,R 2}采用如下定义:U ={x 1,x 2,x 3,x 4,x 5,x 6,x 7,x 8,x 9,x 10},U/R 1={{x 1,x 2,x 3,x 4},{x 5,x 6,x 7,x 8,x 9,x 10}},U/R 2={{x 1,x 2,x 3},{x 4,x 5,x 6,x 7},{x 8,x 9,x 10}},U/R ={{x 2,x 3},{x 4},{x 5,x 6,x 7},{x 8,x 9,x 10}}.则关于集合X ={x 1,x 2,x 3,x 4,x 5}的逼近为POS (X )={x 4},NEG (X )={x 8,x 9,x 10},BN (X )={x 1,x 2,x 3,x 5,x 6,x 7}.{x 4}是集合X 的正区,因为x 4肯定属于X ;{x 8,x 9,x 10}肯定不属于X ,因此为X 的负区;{x 1,x 2,x 3,x 5,x 6,x 7}是否属于X 在等效关系R 下无法确定,构成了X 的边界区.2.3 决策表、约简与核(Decision table ,reduct and core )RS 理论中应用决策表来描述论域中对象.它是一张二维表格,每一行描述一个对象,每一列描述对象的一种属性.属性分为条件属性和决策属性,论域中的对象根据条件属性的不同,被划分到具有不同决策属性的决策类.表1为一张决策表,论域U 有5个对象,编号1～5,{a ,b ,c}是条件属性集,d 为决策属性.对于分类来说,并非所有的条件属性都是必要的,有些是多余的,去除这些属性不会影响原来的分类效果.约简(reduct )定义为不含多余属性并保证分类正确的最小条件属性集.一个决策表可能同时存在几个约简,这些约简的交集定义为决策表的核(core ),核中的属性是影响分类的重要属性.表1化简后得到了两个约简:{a ,c}和{b ,c},见表2和表3.它们维持了与原有条件属性集{a ,b ,c}相同的分类能力.{c}是核,表明c 是影响分类的重要属性.表1 决策表T able 1 Decision tableUabcd110212210232123412215123表2 约简{a ,c}T able 2 Reduct {a ,c}Uacd112122023223513表3 约简{b ,c}T able 3 Reduct {b ,c}Ubcd10312102312342215203 从另一个角度看,决策表中每一个对象都蕴含着一条分类规则,决策表实际上也是一组逻辑规则的集合.例如表1中的对象1蕴含的规则是a 1b 0c 2]d 1.化简决策表的过程也就是抽取分类规则的过程.表2中对象4在去掉属性b 后154 控制理论与应用16卷 与对象1蕴含相同的分类规则,为避免重复而被除去.约简中的规则还可进一步化简,删除那些与分类无关的次要属性.表3第一行中的“3”表示属性c的取值不重要,即只要b =0,d一定为1(b0]d1).“约简”和“核”这两个概念很重要,是RS方法的精华. RS理论提供了搜索约简和核的方法.计算约简的复杂性随着决策表的增大呈指数增长,是一个典型的NP完全问题,当然实际中没有必要求出所有的约简.引入启发式的搜索方法如遗传算法[10]有助于找到较优的约简,即所含条件属性最少的约简.3 粗糙集理论的特点(Features of rough set theory)1)RS不需要先验知识.模糊集和概率统计方法是处理不确定信息的常用方法,但这些方法需要一些数据的附加信息或先验知识,如模糊隶属函数和概率分布等,这些信息有时并不容易得到.RS分析方法仅利用数据本身提供的信息,无须任何先验知识.2)RS是一个强大的数据分析工具.它能表达和处理不完备信息;能在保留关键信息的前提下对数据进行化简并求得知识的最小表达;能识别并评估数据之间的依赖关系,揭示出概念简单的模式;能从经验数据中获取易于证实的规则知识,特别适于智能控制.3)RS与模糊集分别刻划了不完备信息的两个方面[5]: RS以不可分辨关系为基础,侧重分类,模糊集基于元素对集合隶属程度的不同,强调集合本身的含混性(vagueness).从RS的观点看,粗糙集合不能清晰定义的原因是缺乏足够的论域知识,但可以用一对清晰集合逼近.有关RS和模糊集内在联系的阐述及模糊粗糙集(fuzzy2rough set)的概念,请参见文[6～8].RS和证据理论也有一些相互交叠之处[9],在实际应用中可以相互补充.4 粗糙集理论的应用(Applications of rough set theo2 ry)RS理论的生命力在于它具有较强的实用性,从诞生到现在虽然只有十几年的时间,但已经在许多领域取得了令人鼓舞的成果.1)股票数据分析.文[11]应用RS方法分析了十年间股票的历史数据,研究了股票价格与经济指数之间的依赖关系,获得的预测规则得到了华尔街证券交易专家的认可.2)模式识别.文[12]应用RS方法研究了手写字符识别问题,提取出了特征属性.3)地震预报.文[13]研究了地震前的地质和气象数据与里氏地震级别的依赖关系.4)冲突分析.文[14]应用RS方法建立了反映以色列、巴勒斯坦、约旦、埃及、叙利亚和沙特阿拉伯等六国关于中东和平问题各自立场的谈判模型.5)从数据库中知识发现(knowledge discovery in database, K DD)[15,16].K DD又称数据发掘(data mining),是当前人工智能和数据库技术交叉学科的研究热点之一.RS方法现已成为K DD的一种重要方法,其导出的知识精练且更便于存储和使用.6)粗糙控制(rough control)[17～23].RS根据观测数据获得控制策略的方法被称为从范例中学习(learning from exam2 ples),属于智能控制的范畴.基本步骤是:把控制过程中的一些有代表性的状态以及操作人员在这些状态下所采取的控制策略都记录下来,形成决策表,然后对其分析化简,总结出控制规则[17,18].形式为:IF C ondition=N满足THE N采取De2 cision=M.RS方法是一类符号化分析方法,需要将连续的控制变量离散化,为此Pawlak Z提出了粗糙函数(rough func2 tion)的概念[19],为粗糙控制打下了理论基础.文[20,21]应用粗糙控制研究了“小车—倒立摆系统”这一经典控制问题,取得了较好的结果.在过程控制领域,文[22]应用RS方法成功地提取出了水泥窑炉的控制规则.粗糙控制的优点是简单迅速、实现容易,不需要象Fuzzy控制那样进行模糊化和去模糊化.因此在特别要求控制器结构与算法简单的场合,采取粗糙控制较为合适.另外,由于控制算法完全来自观测数据本身,其决策和推理过程可以很容易被检验和证实.一种新的有吸引力的控制策略“模糊2粗糙控制(fuzzy2rough control)”正悄然兴起,其主要思路是利用RS获取模糊控制规则.7)医疗诊断.RS方法根据以往的病例归纳出诊断规则,用来指导新的病例.现有的人工预测早产的准确率只有17%～38%,应用粗糙集理论则可提高到68%～90%[1].8)专家系统(ES).RS抽取规则的特点,为构造ES知识库提供了一条崭新的途径[24].9)人工神经元网络(ANN).训练时间过于漫长的固有缺点是制约ANN实用化的因素之一.文[25]应用RS化简神经网络训练样本数据集,在保留重要信息的前提下消除了多余的数据,使训练速度提高了4177倍,获得了较好的效果.文[26,27]将RS与ANN结合起来,充分利用RS处理不确定性的特长以增强ANN的信息处理能力.10)决策分析[28～30].RS的决策规则是在分析以往经验数据的基础上得到的.RS允许决策对象中存在一些不太明确、不太完整的属性,弥补了常规决策方法的不足.希腊工业发展银行ETE VA应用RS理论协助制订信贷政策,是RS多准测决策方法的一个成功范例.RS理论的应用领域还包括:近似推理[31,32]、软件工程数据分析[33]、图象处理[34]、材料科学中的晶体结构分析[35]、预测建模[36,37]、结构建模[38]、投票分析[39]、电力系统[40,42]等. RS在我国的研究刚刚起步,有关文献还不多[43～44].5 结束语(C onclusion)虽然RS至今只有十几年的发展历史,但取得的研究成果是令人瞩目的.它是一种较有前途的软计算方法,为处理不确定性信息提供了有力的分析手段[45].我们相信RS具有广阔的发展空间,今后会在更多的实际领域中发挥作用.致谢 波兰华沙工业大学计算机科学研究所(Institute of C om puter Science,Warsaw University of T echnology)的Zdzislaw Pawlak教授和Bozena Skalska博士赠送了部分研究报告,在此向他们表示感谢. 1期粗糙集理论及其应用综述155参考文献(References)1 Pawlak Z et al.R ough sets.C ommunications of AC M,1995,38(11):89 -952 Pawlak Z.R ough sets.International Journal of In formation and C om puter Science,1982,(11):341-3563 Pawlak Z.R ough set-theoretical aspects of reas oning about data.D or2 drecht:K luwer Academ ic Publishers,19914 S lowinski R.Intelligent decision support-handbook of applications and advances of the rough sets theory.D ordrecht:K luwer Academ ic Publish2 ers,19925 Pawlak Z.Vagueness and uncertainty-a rough set perspective.C om puta2 tional Intelligence,1995,11(2):227-2326 W ygralak M.R ough sets and fuzzy sets-s ome remarks on interrelations.Fuzzy Sets and Systems,1989,29(3):241-2437 Nanda S et al.Fuzzy rough sets.Fuzzy Sets and Systems,1992,45(2): 157-1608 Banerjee M and Pal S K.R oughness of a fuzzy set.In formation Sciences, 1996,93(3,4):235-2469 Skowton A et al.From rough set theory to evidence theory.Advances in the Dem pster Shafer Theory of Evidence.New Y ork:John W iley&S ons Inc.,1994,193-23610 Jakub W.Finding m inimal reducts using genetic alg orithm.Institute ofC om puter Science Reports,W arsaw University of T echnology,W arsaw,199511 G olan R and Z iarko W.M ethodology for stock market analysis utilizing rough set theory.Proc.of IEEE/IAFE C on ference on C om putational In2 telligence for Financial Engineering,New Jersey,1995,32-4012 Nejman D.A rough set based method of handwritten numerals classifica2 tion.Institutc of C om puter Science Reports,W arsaw University of T ech2 nology,W arsaw,199413 T eghem J et e of rough sets method to draw prem onitory factors for earthquakes by em phasizing gas geochem istry.In:Intelligent Decision Support-Handbook of applications and Advances of the R ough Sets Theory.D ordrecht:K luwer Academ ic Publishers,1992,165-17914 Deja R.C on flict m odel with neg otiations.In:Institute of C om puter Sci2 ence Reports.W arsaw University of T echnlolgy,W arsaw,199515 Hu X iaohua et al.M ining knowledge rules from databases-a rough set approach.Proc.of IEEE International C on ference on Data Engineering, Los Alam itos,1996,96-10516 Tsum oto Sh et al.Extraction of domain knowledge from databases based on rough set theory.IEEE International C on ference on Fuzzy Systems, New Jersey,1996,748-75417 S ienkiewicz J.R ough set and rough function approaches to the control al2g orithm reconstruction.Institute of C om puter Science Reports,W arsaw U2niversity of T echnology,W arsaw,199618 Mrozek A et al.M ethodology of rough controller synthesis.Proc.of IEEE International C on ference on Fuzzy Systems,New Jersey,1996,1135-113919 Pawlak Z.R ough sets,rough relations and rough functions.Fundamenta In formaticae,1996,27(2,3):103-10820 Plonka L and Mrozek A.Rule2based stabilization of the inverted pendu2lum.C om putational Intelligence,1995,11(2):348-35621 C z ogala E et al.Idea of a rough fuzzy controller and its application to the stabilization of a pendulum2car system.Fuzzy Sets and systems,1995,72(1):6127322 Mrozek A.R ough sets and dependency analysis am ong attributes in com2 puter im plementations of expert’s in ference m odels.International Journal of M an2M achine S tudies,1989,30(4):457-47323 Arima M et al.Fuzzy logic and rough sets controller for HVAC systems.Proc.of IEEE WESCANEX C ommunications,P ower,and C om puting, New Y ork,1995,133-13824 Tsum oto S et al.Automated discovery of medical expert system rules from clinical databases based on rough sets.Proc.of Second InternationalC on f.on K nowledge Discovery and Data M ining,US A,1996,63-7225 Jelonek J et al.R ough set reduction of attributes and their domains for neural netw orks.C om putational Intelligence,1995,11(2):339-34726 Peng C et al.Multi2valued neural netw ork and the knowledge acquisition method by the rough sets for ambiguous recognition problem.Proc.of the IEEE International C on ference on Systems,M an and Cybernetics,Bei2 jing,1996,736-74027 Y asdi R.C ombining rough sets learning and neural learning2method to deal with uncertain and im precise in formation.Neurocom puting,1995,7(1):61-8428 S lowinski R.R ough set approach to decision analysis.AI Expert,M arch 1995,19-2529 Pawlak Z.R ough set approach to knowledge2based decision support.In2 stitute of C om puter Science Reports,W arsaw University of T echnology, W arsaw,199530 S lowinski R et al.R ough set s orting of firms according to bankruptcy risk.In:Applying Multiple Criteria aid for Decision to Environment M an2 agement,D ordrecht:K luwer Academ ic Publishers,1994,339-35731 S lowinski R et al.R ough set reas oning about uncertain data.Fundamenta In formaticae,1996,27(2,3):229-24332 Pars ons S et al.A rough set approach to reas oning under uncertainty.Journal of Exprimental and Theoretical AI,1995,7(2):175-19333 Ruhe Gand G esselschaft F.R ough set based data analysis in g oal2orient2 ed s oftware measurement.Proc.of IEEE International s oftware M etrics Sym posium,Los Alam itos,1996,10-1934 W ojcik Z et al.Application of rough sets for edge enhancing image fil2 ters.Proc.of IEEE International C on ference on Image Processing,Los Alam itos,1994,525-52935 Jacks on A et al.R ough sets applied to materials data.Acta M aterialia, 1996,44(11):4475-448436 C ollette T and S zladow e rough sets and spectral data for building predictive m odels of reaction rate constants.Applied S pectroscopy, 1994,48(11):1379-138637 Aijun A et al.Discovering rules for water demand prediction-an en2 hanced rough set approach.Engineering Applications of Artificial Intelli2 gence,1996,9(6):645-65338 W ojcik Z et al.S tructural m odeling using rough sets.Proc.of IEEE Inter2 national C on ference on Fuzzy Systems,New Jersey,1996,761-76639 Nurm i H et al.Probabilistic,fuzzy and rough concepts in s ocial choice.European Journal of Operational Research,1996,95(2):264-277156 控制理论与应用16卷 40 Lambert2T orres G et al.Data M ining into a C ontrol Center Database via R ough Set T echniques.Proc.of the International C on ference on Intelli2 gent Systems Applications to P ower Systems(IS AP’97),Seoul,1997, 246-25041 Zhang Q,Han Z X and W en F S.A new approach for fault diagnosis in power systems based on rough set theory.Proceedings of APSCOM’97,H ong K ong,1997,597-60242 张琦,韩祯祥,文福拴.一种基于粗糙集方法的电力系统故障诊断/警报处理的新方法.中国电力,1998,31(4):32-3843 王珏,苗夺谦,周育键.关于R ough Set理论与应用的综述.模式识别与人工智能,1996,9(4):337-34444 曾黄麟.粗集理论及其应用.重庆:重庆大学出版社,199845 E wa Orlowska(ed.).Incom plete in formation2rough set analysis.New Y ork:Physica2Verlag,1998本文作者简介韩祯祥 1930年生.浙江大学教授,博士生导师.研究领域为软计算方法及其在电力系统中的应用.张 琦 1971年生.浙江大学在读博士生.研究方向为粗糙集理论在电力系统中的应用.文福拴 1965年生.浙江大学教授,博士生导师.研究领域为软计算方法在电力系统中的应用. 1期粗糙集理论及其应用综述157。
决策树分类算法的研究及其在电力营销中的应用
决策树分类算法的研究及其在电力营销中的应用随着科技的发展，人工智能在各个领域都取得了显著的成果。
在这个过程中，决策树分类算法作为一种非常实用的机器学习方法，也在电力行业得到了广泛的应用。
本文将从理论和实践两个方面对决策树分类算法进行深入研究，并探讨其在电力营销中的应用。
我们来了解一下决策树分类算法的基本原理。
决策树是一种树形结构的模型，它通过一系列的判断和选择，将数据集划分为不同的子集。
在构建决策树时，我们需要选择一个特征作为划分依据，然后根据这个特征的不同取值，将数据集进一步划分。
这样，经过多次划分后，我们就可以得到一个具有多个叶子节点的决策树。
在训练过程中，决策树会根据已知的标签对每个样本进行分类，从而找到最优的划分方式。
在预测新样本的标签时，我们可以通过遍历决策树的叶子节点，根据预先设定的规则进行判断，从而得到预测结果。
接下来，我们将从理论和实践两个方面对决策树分类算法进行深入研究。
一、理论方面1.1 决策树的优点决策树具有以下优点：(1)易于理解和解释。
决策树的结构直观，可以清晰地展示数据的分布情况和分类规律。
(2)适用于多种类型的数据。
决策树不仅可以处理离散型数据，还可以处理连续型数据，甚至可以处理非线性关系的数据。
(3)容易实现和优化。
决策树的算法相对简单，容易实现和优化。
1.2 决策树的缺点决策树也存在一些缺点：(1)容易过拟合。
当数据集中的特征数量较多或者噪声较大时，决策树可能会过度关注某些特征，导致过拟合现象的发生。
(2)不适用于高维数据。
随着数据维度的增加，决策树的学习效果会逐渐降低。
(3)对缺失值敏感。
如果数据集中存在缺失值，决策树可能无法正常进行分类。
1.3 决策树的剪枝策略为了克服决策树的缺点，我们可以采用一些剪枝策略来优化决策树的结构。
常见的剪枝策略有：预剪枝、后剪枝和混合剪枝。
预剪枝是在构建决策树的过程中就提前停止分裂过程；后剪枝是在生成完整的决策树后，根据某些评价指标来选择性地删除部分叶子节点；混合剪枝则是将预剪枝和后剪枝相结合，以达到更好的优化效果。
粗糙集应用实例
粗糙集应用实例粗糙集是一种基于粗糙关系的数学模型，用于处理不确定性和不完全信息的问题。
它在信息系统领域有着广泛的应用。
本文将介绍几个粗糙集的应用实例，以展示其在现实问题中的有效性。
一、医学诊断在医学诊断中，患者的病情常常存在着不确定性和模糊性。
粗糙集可以通过对患者症状和疾病之间的关系进行建模，帮助医生进行准确的诊断。
例如，医生可以使用粗糙集模型来根据患者的症状和相关的医学知识，确定患者可能患有的疾病，并排除一些不可能的疾病，从而提高诊断的准确性和效率。
二、金融风险评估在金融领域，风险评估是一项重要的工作。
粗糙集可以用于对金融市场中的风险进行评估和预测。
通过对市场数据进行分析和建模，可以使用粗糙集模型来识别可能的风险因素，并进行风险评估。
例如，投资者可以使用粗糙集模型来识别潜在的投资机会，并预测市场的风险和不确定性，从而帮助他们做出明智的投资决策。
三、客户关系管理在企业经营中，客户关系管理是一项重要的工作。
粗糙集可以用于对客户数据进行分析和建模，从而帮助企业了解客户的需求和行为。
例如，企业可以使用粗糙集模型来识别潜在的高价值客户，并预测客户的购买行为和偏好，从而进行精确的市场定位和个性化的营销策略。
四、图像处理在图像处理领域，粗糙集可以用于图像分割和特征提取等任务。
例如，在图像分割中，粗糙集可以通过对图像像素之间的关系进行建模，将图像分割为不同的区域。
在特征提取中，粗糙集可以通过对图像的局部特征进行分析和建模，提取出图像的重要特征，从而实现图像的自动识别和分类。
五、智能交通系统在智能交通系统中，粗糙集可以用于交通流量预测和交通拥堵控制等任务。
例如，通过对历史交通数据进行分析和建模，可以使用粗糙集模型来预测未来的交通流量，并根据预测结果制定合理的交通控制策略，从而减少交通拥堵和提高交通效率。
六、社交网络分析在社交网络分析中，粗糙集可以用于对社交网络中的用户行为和关系进行建模和分析。
例如，在社交网络中，可以使用粗糙集模型来识别潜在的社交关系，并预测用户的行为和兴趣，从而实现个性化的推荐和社交网络分析。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ａｂ ｔａ ｔ ｓｒ ｃ ：Ａｓｔ ｎ ｐｅ ｔ ｎ ｄ ｍ ａ ｓｏ ｅｔａ ｓ ｉｓｏ ｉ ｉ ｅ ｅ ｓ ｒ ｏ ｅ ｈａ ｃ ｈ ｆ ｃｅ ｃ ｆｐ ｈｅｉ ｓ ｃｉ ｅ ｎｄ ｆｔ ｒ ｎ ｍ ｓｉ ｎ，ｔ ｓｎ ｃ ｓ ａｙ ｔ ｎ ｎ ｅ ｔ ｅｅ ｏ ｈ ｉ ｉ ｎ ｙ ｏ ｏｗｅ ｎ ｐ ｃ ｏ ｒｉ ｓ ｅ ｔ ｎ． ｉ
计 划。
针对这个 问题 ，参考文献一提 出了一种基于巡检 知识的线路巡检智能决策方案【， ｌ该方案的基本原理是 】
在 一 定推 理策 略 的 控 制 下 ，利 用 知 识库 中 的 规 则 对 事
旦制 定，将 严格执行 ，这样就忽略 了特殊突 发事件
对输 电线路 的影响 ，不 能及时处理和 防范突 发 自然灾 害对输 电线路造 成的损害 。因此 电力巡检部 门在定期 巡检 计划 进行的 同时，常常辅助 开展 临时巡 检工作 。 但 是这种 巡检 机制并不科学 ，其适用 范围只 是在巡检 线 路出现 重大险情后才 开展 ，因此也 不能有 效的预先 第 ２ ０卷 第 ６ 期
ｈｔ：ｗ ｗ． Ｓａ ｒ． ｔ ／ ｗ Ｃ —． ｇｃ ｐ／ — ｏ ａ
计 算 机 系 统 应 用
粗糙集与决策树理论在输 电线路巡检中的应用①
段 其 昌 ，程 有 富
（ 庆 大 学 自动 化 学 院 ， 重 庆 ４ ０ ３ ） 重 ０ ０ ０
摘
ａ ｃ ｒｃ ｃ ｕ ａ ｙ．
Ｋｅ ｙｗｏｒ ｓ ｔａ ｓ ｓ ｉ ｎｆｎ ｓｉ ｐ ｃ ｉ ｎ ｄ ｔ ｎｎ ｄ ｃ ｓｏ ｅ ； ｏ ｇ ｅ ｄ ： ｎ ｍ ｓｏ ｅ ｒ ｉ ｉ ｎｓ ｅ ｔｏ ； ａａｍ ｉ ｇ； ｅ ｉｉ ｎ ｔ ｅ ｒ ｕ ｈ ｓ ｔ ｉ ｒ
ｌ 引 言
ｓ ｔｍ ｓａ ｌｓ ｅ ｔｔ ｒ ｄｃ ｏ ｄ ｌｏ ｒ ｎ ｍ ｉｓｏ ｉ ｅ ｂ ｓ ｄ ｏ ｏ ｇ ｅ ｅ ｒ ｎ ｅ ｉｉ ｎ ｔｅ ．Ｔｈ ｌｓ ｙｓｅ ｅ ｔｂｉｈ ｓａ ｓａｅ ｐ ｅ ｉｔ ｎ ｍｏ ｅ ｆｔａ ｓ ｓｉ ｎ ｌ ａ ｅ ｎ ｒ ｕ ｈ ｓ ｔ ｉ ｎ ｈ ｔ ｏ ｙ ａ ｄ ｄ ｃｓｏ ｒ ｅ ｅｒ ｅ ｕ
Ｔａ ｉ ｇ ａｌｆ ｃｏ ｓｗｈｃ ａ ｅｓｇ ｉ ｃ ｎ ｆｅ ｔ ｎ ｔ ｅ ｒ ｎ ｎ ｔ ｔｓｏ ｈ ａ ｓ ｓ ｉ ｎ ｌｎ ｓｉ ｔ ｏ ｉ ｅ ａｉ ｎ ｔ ｉ ｋ ｎ ｌ ａ ｔ ｒ ｉｈ ｈ ｖ ｉ ｎ ｆ ａ ｔｅ ｆ ｃｓｏ ｈ ｕ ｎ ｇ ｓａｕ ｆｔｅ ｔ ｎ ｍｉｓｏ ｉ ｅ ｎ ｏ ｃ ｎｓｄ ｒ ｔｏ ， ｓ ｉ ｉ ｒ ｈ
要 ：针对输 电线路巡检需求 ，为 了提 高巡检 的效率 ，充分考虑 了影响输 电线路运行状态 的各种因素 ，采用
基于粗糙集理论 与决策树的数据挖掘方法 ，建立 了输 电线路运 行状态预 测模型 ，将从输 电线路历史异常数据 中
提取 的规则应用 于输 电线路异常预测 ，根据预测 结果可 以制 定出科 学合理 的巡检计划 ，经过测试 样本 的验证 ， 该模型有较高的准确率 。
ｗｈｉｈ ｅ ｔａ ｔｆｏ ｈ ｏ ｌａ ｐ ｙ ｉ ｅａ ｎｏ ｍｉｙ ｐ ｅ ｉ ｔ ｎ ｏ ｅ ｔａ ｓ ｓｉ ｎ ｆｎ ｓ ｈｅｍ ａ ａ ｅ ａ ｒ ｕ ｃ ｘ ｒ ｃ ｒ ｍ ｔ ｅ ｍ ｄｅ ｐ ｌ ｎ ｔ ｂ ｒ ｔ ｒ ｄ ｃ ｏ ｆｔ ｎ ｍｉ ｓｏ ｅ ．Ｔ ｎ ｇ ｒｃ ｍ ｗｏ ｋ ｏ ｔ ｈ ｉ ｈ ｒ ｉ ａ ｓ ｉｎ ｉ ｃ ｎ ｅ ｓ ｎ ｂ ｅ ｉ ｓ ｅ ｔｏ ａ ｎ ａ ｃ ｒ ａ ｅ ｗｉ ｈ ｓ ｕｌｓ ｃｅ ｔ ａ ｄ ｒ ａ ｏ ａ ｌ ｎ ｐ ｃ ｎ ｐｌｎ ｉ ｃ ｏ ｄ ｎｃ ｔ ｔ ｅ ｅ ｒ ｅ ．Ｔｈｓ ｍ ｏ ｅ ｓ ｐ ｏ ｅ ｎ ｖ ｉ ｈ ｒ ｉ ｆ ｉ ｈ ｉ ｄ ｌ ｉ ｒ ｖ ｎ ａ ｄ ｈａ ｅ ａ ｈ ｇ ｅ
关 键 词 ： 输 电线 路 巡检 ； 数据 挖 掘 ； 决策 树 ；粗 糙 集
Ａｐｐｌ ａｔｏ ｆＲｏ ｈ Ｓ ｔａ ｃ ｓｏ ｅ ｉ ｉ ｎ ｏ ｕｇ ｅ ｎｄ Ｄｅ ｉｉ ｎ Ｔｒ ｅＴｈｅ ｒ ｏ Ｉ ｐｅ ｔｏ ｆＰｏ ｒＴｒ ｎｓ ｉｓｏ ｎｅ ｃ ｏ ｙ ｔ ｎｓ ｃ ｉ ｎ ｏ ｗｅ ａ ｍ ｓ ｉ ｎ Ｌｉ ＤＵＡＮ — ａ ｇ ＣＨＥ Ｑｉ Ｃｈ ｎ ． ＮＧ ｕＦ Ｙｏ — ｕ
输电线路巡检是为确保 电力线路 正常运 行而采取 的检 查措 施，主要是通过制定和执行 固定和 临时的巡
检 计划 来 实现 。 其 中 ， 固 定 的 定 期 巡 检 的不 足 之 处在 于 巡 检 计 划
一
据 ，所 以，我们可 以充分利用这 些历史运行数据 ，采
用 数据挖掘技术实现对输 电线路 未来一段时 间可能 出 现 的异常运行情况进行预测 ，以此 来制定科学的巡检
实数据进 行匹配并获得结论的过程 ，匹配过程 是通过
将 一个 巡检事实与知识化 的历史 巡检 记录逐个 匹配 的 方法来得到对应 的巡检事实属 性值 ，然后再与上层知
识 库进 行 匹 配 ，最 后 与 第 三 层 知 识 库 进 行 匹 配 ，直 至 找 出最 终 的巡 检 决 策 方 案 。 该 方 案 的基 本 原 理 来 看 ， 从