基于小波神经网络的简支梁桥损伤识别

针对小波神经网络对一维信号逼近能力强的特点,利用灰色理论中的关联分析法,对结构损伤特征参数和损伤指标进行灰关联分析,将所获得的参数间关联度作为把结构动态特征参数整合为一维输入量的权值,进而提出了基于灰色关联分析的小波神经网络模型。为提高网络的收敛能力和逼近效果,应用局部学习策略改进了小波神经网络的学习算法。仿真结果表明,利用上述方法进行结构损伤识别,识别结果明显优于传统的神经网络模型。     

基于小波神经网络的CFG桩复合地基承载力预测

针对BP神经网络学习时间长、收敛速度慢等缺陷,借助小波分析理论,将母小波平移和伸缩构成的小波基作为神经网络的激励函数,通过指导网络的初始化和参数选取,使网络以较简单的拓扑结构实现函数逼近,利用网络训练建立起承载力与其影响因素之间的非线性关系。在相同结构和参数下,与BP神经网络进行分析对比。结果表明：利用小波变换对数据时频局域化分析的能力并结合人工神经网络的自学习功能,使得小波神经网络预测模型具有较强的逼近和容错能力,预测结果比传统的BP神经网络具有更快的收敛速度和更高的精度。     

期望轨迹可变的非线性时变系统迭代学习控制

针对一类存在扰动的未知非线性时变系统,提出了一种在不同次迭代运行过程中期望轨迹可变的迭代学习控制算法.该算法首先构造含未知参数项的系统逆控制,然后利用小波级数逼近逆系统的未知非线性参数,其最佳逼近系数与系统的期望轨迹无关,最后在迭代过程中通过学习的方法修正小波逼近系数,并采用变结构技术抑制系统干扰的影响,设计了在期望轨迹变化情况下的鲁棒迭代学习控制律.算法的收敛性分析表明,随着迭代次数的增加,逼近系数与最佳系数的差异减小.针对机械臂系统的仿真表明轨迹跟踪误差逐次减小并收敛,说明了算法的有效性.     

基于小波神经网络的CFG桩复合地基承载力预测

针对BP神经网络学习时间长、收敛速度慢等缺陷,借助小波分析理论,将母小波平移和伸缩构成的小波基作为神经网络的激励函数,通过指导网络的初始化和参数选取,使网络以较简单的拓扑结构实现函数逼近,利用网络训练建立起承载力与其影响因素之间的非线性关系.在相同结构和参数下,与BP神经网络进行分析对比.结果表明:利用小波变换对数据时...     

BP、模糊、小波网络逼近性比较研究

对神经网络、小波网络和模糊小波网络函数逼近性进行对比,进而对采用正交化选择法和前向选择法净化小波时,小波网络和模糊小波网络对一维非线性函数逼近进行了分析.仿真结果证明模糊小波网络具有高精度的逼近能力和很强的泛化能力,该方法比小波网络和BP网络更优越,并且正交最小二乘法净化小波的性能指标优于前向选择法.     

Besov空间的小波逼近

首先给出了Sobolev空间利用小波算子逼近的逼近阶以及逼近阶对K-泛函的控制估计,进一步给出了小波算子对Besov空间的逼近和刻画.     

基于小波网络的非线性逼近股票分析方法

针对传统方法在股票走势最高点和最低点的预测上不尽人意，收敛速度慢且精度不高的问题，利用小波空间中函数的多分辨分解思想，构造了一种用于学习的小波网络模型．该模型通过子网络酊擎习并且把它们并入整个网络学习，达到全局最优解．实验表明，该网络不但对股价走势逼近的收敛速度快,而且精度高，股票走势最高点和最低点也明显．     

二尺度最小二乘小波支持向量回归

基于小波多尺度理论和最小二乘支持向量机的优越性能,提出了多尺度最小二乘小波支持向量回归,弥补了普通最小二乘小波支持向量回归在单尺度小波空间上对函数进行逼近的不足,使用多尺度上的小波线性组合来逼近L^2（R^d）空间上的任意函数,真正意义上实现了小波分解和最小二乘支持向量机的最佳结合,更有效地继承了小波多尺度学习算法和最小二乘支持向量机的优点,既能达到有效精度而且还计算简便。本文以两尺度为例,通过仿真实验说明了所提算法的有效性。     

恒等逼近与连续小波变换的点态逼近

类似于Ｆｏｕｒｉｅｒ变换,连续小波变换的反演公式与卷积的恒等逼近也存在着密切联系．实际 上,可以将连续小波变换看作是一种逼近单位的构造方法．前人已经对小波变换的点态逼近做过 了充分的讨论,但都没有与恒等逼近相联系．利用恒等逼近证明了几个新的连续小波变换的点态 逼近定理,并在此基础上给出了在不同条件下逼近的误差估计,为信号去噪提供了理论依据．最 后的数值实验成功地进完成了信号去噪,从而验证了这些定理的正确性和相关算法的可用性．     

小波神经网络在短期电力负荷预测中的应用

针对小波网络建模存在难以有效对小波级数进行截断的问题，提出一种基于频带能量的小波级数截断方法，该方法能克服传统方法对个人经验的依赖，确保小波网络的逼近能力；结合正交最小二乘法，将其应用于电力负荷预测中，建立负荷预测的小波网络模型．仿真结果表明：用该方法建立的小波网络模型简洁、明了，结果有效、准确，具有较好的预测能力．     

小波神经网络用于非线性函数逼近的研究

神经网络具有良好的学习特性,而小波变换具有良好的时频局部化特性,将二者结合在一起构成小波神经网络,网络隐层采用morlet小波函数,输出层采用线性函数,可使该网络兼具神经网络和小波变换的优点.作者分别用小波网络和BP网络逼近一非线性函数,其结果表明,在相同的误差条件下,小波网络的收敛速度要远远快于一般的BP网络.     

小波神经网络用于非线性函数逼近的研究

神经网络具有良好的学习特性,而小波变换具有良好的时频局部化特性,将二者结合在一起构成小波神经网络,网络隐层采用morlet小波函数,输出层采用线性函数,可使该网络兼具神经网络和小波变换的优点.作者分别用小波网络和BP网络逼近一非线性函数,其结果表明,在相同的误差条件下,小波网络的收敛速度要远远快于一般的BP网络.     

多小波的插值条件与平衡性研究

在简要分析多小波的逼近性与平衡性的基础上,通过简短的证明得出了具有一定平衡阶的多小波系统,其相应的多尺度函数必具有相同阶逼近的结论.在引入了多小波不同于单小波的插值条件后,得到具有一定逼近阶的多尺度函数,如果同时满足插值条件,则相应系统必然具有相同的平衡阶的结论.     

一族GHM型多尺度函数的构造

从具有2阶逼近的GHM多尺度函数出发，鉴于其逼近阶数相对较低的缺点，利用两尺度相似变换(TST)的方法，构造变换矩阵Mr(ω)，将它的逼近阶提高到了任意大于2的整数，并保持了紧支性和对称性，提高了GHM多小波逼近光滑函数的能力。     

基于小波网络的矿井提升机运行故障趋势预测研究

采用小波网络方法，通过对矿井提升机钢丝绳磨损度、空动时间、衬垫磨损寿命、闸瓦间隙、残压、制动盘偏摆度等关键特征参数的时间序列预测，实现了其特征参数的故障预报，由于小波网络比一般神经网络具有更多的自由度，从而使其具有更灵活有效的函数逼近能力，小渡神经元的良好局部特性和多分辨率学习实现了与信号的良好匹配，使得小渡网络有更强的自适应能力、更快的收敛速度和更高的预报精度，仿真和实验结果表明，预报精度满足要求。     

小波采样的滤波算法研究

针对经典小波采样理论不能如同香农定理应用采样值对连续信号进行滤波,该文在小波采样存在条件下,提出一种基于采样值的小波滤波算法。该算法突破经典小波采样理论仅研究单个Hilbert空间信号重构的局限性,从多分辨分析逼近出发,基于采样值构建信号逼近准则函数,进而计算信号在小波空间的正交投影,实现小波滤波。仿真试验证明该算法能够有效地基于采样值,对连续信号进行小波滤波。     

小波神经网络构造的时频域分析方法

依据离散仿射小波变换理论，给出了小波神经网络模型的几种典型形式，详细讨论了小波基函数网络（ＷＢＦＮ）的时（空）频逼近原理，提出了该网络结构设计的“分解－综合”方法，仿真实验结果证实了上述理论和方法的有效性。     

小波神经网络的研究及其展望

小波分析与神经网络结合的研究，已成为近些年来信号处理学科的热点之一，小波分析具有良好的时频局部性质，而神经网络具有自学习功能和良好的容错能力，将二者结合必具有中大的优势，本文对小波网络的结构形式，学习算法主其应用进行综述，并就其存在的一些问题及其发展趋势进行了探讨。     

点集序列与分形构造（Ⅱ）

本文继续文献［１］讨论了四点插值格式的推广，及其在曲面拟合与图象处理中的应用，给出了伯恩斯坦逼近和分段多项式预小波的细化方程，研究了具有自生的信息复制过程，就此将计算几何、分形几何与小波分析密切联系起来。     

JPEG2000中优化逼近的整型小波变换

提出了一种JPEG2000中整型小波变换的优化逼近方案,并从硬件实现的角度出发,提出相应的基于行提升算法的VLSI结构．该方案在提升步骤中有效保护小波系数的尾数部分,从而确保在小波系数动态范围限定的情况下进一步提高小波变换的精度,从而提高图像压缩的质量．由于在硬件实现中采用基于行的提升变换结构,使水平和垂直方向上的变换能并行处理．实验表明,在XC2V3000型号的Xilinx FPGA上实现该结构所需资源只占27％,时钟频率可达到66MHz以上．与其他小波变换结构相比,该结构不仅改善了小波变换的性能,同时具有并行度高、节省存储空间等优点,并且可以在一幅图像逐行扫描的时间T内完成整幅图像的小波变换．