文章编号：1671—7848(2010）05—0632一04
     庞清乐
(山东工商学院信息与电子工程学院．山东烟台264005)
     摘    要：提出了基于模糊粗糙集理论的样本归一化方法，用于解决因神经网络分类器在不同类样本间距离较近时训练速度较慢的问题。将神经网络的输入作为粗糙集信息系统的条件属性，神经网络的输出作为决策属性，构建决策表：利用粗糙集理论对训练样本离散化，根据离散化样本与两类不同样本间的距离差和两类样本的能量差，利用模糊集理论对该原始样本进行伸缩处理，然后，对伸缩预处理后的样本进行归一化，最后，用归一化处理后的样本对神经网络进行训练。以配电网故障选线为例，对该方法进行了分析和验证．仿真实验结果表明．经模糊粗糙集理论样本归一化处理后的神经网络训练时间明显缩短  因此，该方法正确、有效。
　　关键词：归一化；粗糙集理论；模糊集理论；神经网络；故障选线
    中图分类号：YP 27    文献标识码：A
l引  言
     基于BP算法的前馈神经网络广泛应用于模式分类中{1}。但是，在应用中存在很多问题，其中，一个最重要的问题就是BP算法的训练时间长，而且，当不同类样本间距离较近时训练时间会更长：为了克服这一缺点，许多学者做了大量的工作，并提出了多种改进该算法{2-4}粗糙集理论{5}是一种处理模糊和不确定问题的新工具，它已成功地应用到很多领域。将粗糙集理论应用于神经网络，主要用于知识发现、数据预处理和基于知识的神经网络建模{6-9}。模糊集理论也是处理不确定性和不精确性问题的工具，将粗糙集和模糊集理论融合一直是人们感兴趣的话题{10-11}。本文提出了基于模糊粗糙集理论的神经网络样本归一化方法，用于缩短神经网络的训练时间，并将该算法成功地应用到基于神经网络的配电网故障选线中{12}。
2基于模糊粗糙集理论的归一化方法原理

3应用于配电网故障选线
 为了验证该方法的有效性，将其应用于基于神经网络的配电网故障选线{12}。
　　1)基于神经网络的故障选线原理在谐振接地系统中，由于在中陆点和地之间存在消弧线圈，导致故障线路和非故障线路的零序电流的幅值和极性非常接近。因而，传统的零序电流幅值比较和相位比较选线方法均失效。对于谐振接地系统，当前比较流行的故障选线方法包括小波分析法、五次谐波法和有功分量法：然而没有一种故障选线方法能在各种故障情况均能实现正确选线。为了提高选线精度，利用神经网络方法，使各种选线方法进行互补、融合。将每种故障选线方法的故障测度作为神经网络的输入，神经网络输出为故障选线结果{12}。
　　2)设计决策表利用交流暂态程序(ATP)建立的仿真模型和模型参数见文献[13]。针对每种单相接地故障情况，做大量的仿真试验。将获得的原始数据分为训练数据和测试数据，其中，训练数据，见表1。

　　因此，采用粗糙集理论的归一化方法的训练时问明显缩短。
　　6)神经网络模型验证根据规则2和规则3对测试样本进行归一化处理，然后将归一化处理后的测试样本输入到神经网络模型，得到故障选线结果。结果表明模型的故障选线精度为99.94。因此，该选线模型正确、有效。
4结语
   为了克服神经网络在不同类训练样本距离较近时训练时间长的缺点，提出基于模糊粗糙集理论的样本归一化方法。首先，利用粗糙集理论约简原始数据表；然后，根据决策表中每个样本与该类样本和其他类样本的最小距离差和相应两类样本的能量差，利用模糊集理论确定该样本需要伸缩的比例，伸缩预处理后样本再进行归一化处理；最后，用归一化的样本训练神经网络，得到神经网络模型。将测试样本归一化后输入到神经网络即可得到问题的结果。将该归一化算法应用到配电网故障选线中，结果表明，该归一化方法明显缩短了神经网络的训练时间。