基于PCA和神经网络的识别方法研究

在计算机集成制造系统环境下,质量控制图是统计过程控制的重要工具,实际应用中最困难的是识别出控制图中由于异常因素造成的不同异常模式。针对这一问题展开研究,用主成分分析法作为前处理过程进行样本集的选择与优化,提出了基于PCA_改进BP算法的控制图模式智能识别方法。     

基于PCA的GABP神经网络入侵检测方法*

为克服BP算法易陷入局部最小的缺点,同时为减少样本数据维数,提出一种基于主成分分析(PCA)的遗传神经网络方法。通过降维和去相关加快收敛速度,采用改进的遗传算法优化神经网络权值,利用自适应学习速率动量梯度下降算法对神经网络进行训练。MATLAB仿真实验结果表明,该方法在准确性和收敛性方面都优于BP算法,应用于入侵检测系统中的检测率和误报率明显优于传统方法。     

基于小波变换识别去除毛细管电泳中的奇异峰

提出了一种基于小波变换识别去除毛细管电泳中奇异峰的新方法。电泳图预先去噪，再通过选择合适小波分解，奇异峰可很方便地用一级水平细节识别，然后将其投射到时域中的相应位置去除，去除后的区域采用多项式插值代替。该方法不仅消除了奇异峰，而且有效地降低了背景噪声，正常峰的强度仍保持在90％以上，从而提高了信噪比，降低了检测限。     

神经元动作电位模式分类的小波时频分析方法

对神经元动作电位进行模式分类是植入式脑机接口研究的前期关键问题。考虑到来自不同神经元的动作电位在时域或频域特征上的相似性,引入小波分析在时频域上对动作电位进行特征描述。首先以db、sym、bior三类小波函数系为例,分别获取了动作电位的高维小波系数特征;然后对特征分量进行非正态分布特性的KS检验,以实现特征降维;最后通过非监督的K均值方法完成动作电位聚类。实验结果表明：在神经信号噪声水平为0.05dB、0.1dB和0.15dB时,各小波基的分类性能略有不同。其中sym5小波性能突出,动作电位错分率基本稳定在1.21%～181%。最后与主成分分析法(PCA)进行了分类性能的比较,进一步证实了小波时频分析方法(sym5小波)在抗干扰性和稳定性方面的优势。     

基于主元分析和小波变换的开工过程故障识别

针对蒸汽裂解实验装置的开工过程具有间歇操作,变量间相关性高的特点,传统的故障识别方法无法有效处理这种具有较强动态特性的实际工业生产过程.本文提出利用主元分析,用少量主元反映多个动态变量的综合信息,并利用正交小波变换的多尺度时频分析提取主元中表征工况变化的频带特征,对频带特征进行模式归纳分类,进而识别工况.实验结果证实了所提出方法的可行性和有效性.     

基于小波神经网络的云模型

云模型是一种基于语言规则的不确定性推理系统.为了提高辨识精度通常需要增加规则数目,这样在多维输入的情况下容易形成"维数灾".为了解决此问题,利用小波神经网络代替传统云模型的后件隶属云,建立了一种基于小波神经网络的云模型(WNCM).详细分析了WNCM的系统结构,同时给出了参数和结构辨识算法.仿真结果以及与其它方法的对比分析表明,WNCM具有较强的非线性函数逼近能力,在不增加推理规则的前提下,可以实现对系统的精确辨识.     

基于小波神经网络的齿轮箱故障诊断研究

论述了小波神经网络的系统结构及算法,并根据齿轮振动信号的频域变化特征,提取特征向量作为输入,利用小波神经网络建立特征向量与故障模式之间的映射关系,建立了基于该算法的齿轮故障诊断模型。仿真结果表明：与传统的BP神经网络相比,该模型显著缩短了训练时间。该小波神经网络进行机械故障诊断是有效的。     

主成分分析与神经网络的结合在多变量序列预测中的应用

目前预测方法的研究主要集中在单变量时间序列上,本文建立起一种针对多元变量非线性时间序列建模和预测的方法框架.首先,同时考虑序列状态间的线性相关性和非线性相关性,建立初始延迟窗以包含充分的预测信息;然后,利用主成分分析(PCA)方法寻找不同变量在数据空间中的最大方差方向,扩展PCA应用于提取多个变量的综合信息,重构多元变量输入状态相空间;最后,利用神经网络逼近不同变量之间以及当前状态和将来状态之间的函数映射关系,实现多元变量预测.对Ro¨ssler混沌方程和大连降雨、气温序列的预测仿真说明了本文方法的有效性,为多元变量时间序列分析提供了一条新的途径.     

Filtering method of rock points based on BP neural network and principal component analysis

Filtering is an essential step in the process of obtaining rock data. To the best of our knowledge, there are no special algorithms for use in the point clouds of rock masses. Existing filtering methods remove noisy points by fitting the surface of the ground and deleting the points above the surface around a range of values. This type of methods has certain limitations in rock engineering owing the uniqueness of the particular rockmass being studied. In this paper, a method for filtering the rock points is proposed based on a backpropagation (BP) neural network and principal component analysis (PCA). In the proposed method, a PCA is applied for feature extraction, and for obtaining the dimensional information, which can be used to effectively distinguish the rock and other points at different scales. A BP neural network, which has a strong nonlinear processing capability, is then used to obtain the exact points of rock with the above characteristics. In the present paper, the efficiency of the proposed technique is illustrated by classifying steep rocky slopes as rock and vegetation. A comparison with existing methods indicates the superiority of the proposed method in terms of the point cloud filtering of rock masses.     

小波神经网络在北京河湖水华预测中的应用

针对不同季节水华生长的不同特点,在对水华生长规律研究的基础上,运用小波分析对表征水华的叶绿素信号进行降噪处理,建立一种结合小波变换与神经网络相结合的水华预测模型（WANN模型）,该模型既有神经网络的自学习能力特性,又有小波的局部特性,并将其应用到北京夏季河湖水华预测中。通过小波多分辨率分析,对样本包含的信息进行充分挖掘,提取反映其变化规律的成分,有效避免了原始数据中噪声对网络的干扰,提高网络的性能,WANN模型预测结果与BP网络预测结果对比,具有较高的预测能力,从而获得相对理想的预测效果。     

Differentiating types of muscle movements using a wavelet based fuzzy clustering neural network

Abstract: The electromyographic signals observed at the surface of the skin are the sum of many small action potentials generated in the muscle fibres. After the signals are processed, they can be used as a control source of multifunction prostheses. The myoelectric signals are represented by wavelet transform model parameters. For this purpose, four different arm movements (elbow extension, elbow flexion, wrist supination and wrist pronation) are considered in studying muscle contraction. Wavelet parameters of myoelectric signals received from the muscles for these different movements were used as features to classify the electromyographic signals in a fuzzy clustering neural network classifier model. After 1000 iterations, the average recognition percentage of the test was found to be 97.67% with clustering into 10 features. The fuzzy clustering neural network programming language was developed using Pascal under Delphi.     

基于主成分分析和BP神经网络的煤岩界面识别

针对现有煤岩识别方法由于提取的时域参数过多,存在识别速度慢、实时性差等问题,提出了一种基于主成分分析和BP神经网络的煤岩界面识别方法。该方法首先提取采煤机滚筒扭矩的时域信号,然后利用主成分分析方法对该时域信号进行压缩,最后将得到的最终信号输入到BP神经网络进行煤岩识别。仿真结果表明,该煤岩识别方法不仅满足了识别率,还提高了识别速度,为提高滚筒调高响应速度奠定了基础。     

基于遗传算法的小波神经网络在多组分气体检测中的应用

由于利用不分光红外吸收法（NDIR）的多组分气体传感器对汽车尾气（主要成分为CO2、CO、HC化合物）进行同时测量时,所测气体浓度是交叉吸收干扰后的结果,造成测量误差大,分析精度低。针对此问题,将遗传算法优化的小波神经网络用于建立基于红外光谱的三组分气体定量分析模型中。采集CO2、CO、HC的浓度信号,作为模型输入,通过模型回归分析,得到对应的混合气体组分浓度,解决气体之间相互干扰的问题。最后通过实验数据对模型性能进行仿真分析,结果表明,该模型的平均误差相比于传统模型明显减低,取得较好的精度。     

主成分分析的神经网络及其在木聚糖酶最适pH建模中的应用

木聚糖酶结构与功能、性质的关系错综复杂,传统的回归分析往往不能满足要求。本文采用主成分分析法对样本数据集进行预处理,将得到的新样本数据集输入神经网络,籍助于均匀设计（UD）,构建了木聚糖酶氨基酸组成和最适pH的模型。当学习速率为0．08、动态参数为0．7、Sigmoid参数为0．92,隐含层结点数为9时,模型的拟合残差为0．00109,对pH值拟合的平均绝对百分比误差为3．29％,同时具有良好的预测效果,预测的平均绝对误差为0．59个pH单位。比文献报道的用逐步回归方法更好。     

基于小波包分析及神经网络的汽轮机转子振动故障诊断

根据Bently实验台所采集的碰摩、松动、不对中、不平衡4种典型汽轮机转子振动故障信号,运用小波包分析方法对其进行能量分析并提取故障特征.分析结果表明:小波包分析与信号能量分解的故障特征提取方法,可以获得汽轮机转子振动的故障状态,有较好的故障区分度;另外由于经过小波包分解再重构后所提取的故障特征参数浓缩了汽轮机转子振动故障的全部信息,而BP神经网络具有优良的非线性映射能力,对提取的故障特征参数应用BP神经网络映射,可对汽轮机转子振动故障进行进一步的诊断.诊断结果表明:基于小波包分析及神经网络的故障诊断方法,具有较高的故障识别能力.     

An adaptive wavelet differential neural networks based identifier and its stability analysis

In this paper, identification problem of a general class of nonlinear dynamic systems is fully considered using adaptive wavelet differential neural networks. In these networks, the activation functions are described by wavelets where parameters are tuned adaptively. The stability analysis of such identifiers is performed by means of Lyapunov analysis. Asymptotic convergence of the error and boundedness of the parameters are proven. To validate the approach, the neuro-identifier is applied to both the Van der pole oscillator and the twin-tanks plant. The simulation results show that the proposed neuro-identifier outperforms the sigmoid based differential neural network identifier.     

基于改进多尺度主元分析的故障监测

针对工业过程数据的非平稳性、含噪声以及随机性等特点,提出一种改进多尺度主元分析方法用于过程故障监测。首先利用小波阈值去噪的方法,消除原始过程数据中的大部分高频随机噪声,使得数据不受噪声的影响,然后利用小波分解将去噪后的数据分解成逼近系数和细节系数,分别在各个尺度上建立主元分析模型,对各个尺度小波系数消噪并重构得到综合尺度的故障监测模型。将该算法应用于田纳西伊士曼(Tennessee Eastman)过程中进行验证,仿真结果表明,与传统PCA以及MSPCA方法相比,改进的算法减少了误报率和漏报率,提高了过程监测的准确性。     

PCA与PCNN结合的遥感图像分割方法

提出了一种基于主分量分析（PCA）与脉冲耦合神经网络（PCNN）结合的遥感图像分割方法。通过对图像在每个像素的邻域的基础上进行主分量分析,产生每个图像像素的特征向量,再用PCNN对得到的特征图像进行点火分割。实验结果表明,与传统方法比较,该算法在分割结果、实时性以及稳健性方面具有较强的优越性。     

基于谐波小波与神经网络的钢铁价格预测

应用谐波小波分解算法、混沌分析和神经网络理论提出了一种中国钢铁价格趋势预测的谐波小波神经网络模型。应用广义谐波小波分解算法把原始钢铁价格序列分解到不同的频带上,并在此基础上进一步分析表明,钢铁价格存在混沌特性;再经混沌分析和神经网络进行组合预测,提高了模型对多种目标函数的学习能力,有效改进了预测精度。实验表明,与现有方法相比,该方法具有较高的预测精度。     

基于小波神经网络的语音端点检测算法

为了提高语音端点检测效果,将小波分析和神经网络相融合,提出一种基于小波神经网络的语音端点检测算法（WA-PCA-RBF）。利用小波分析提取语音信号的特征向量,采用主成分分析法选择语音信号特征,消除冗余特征,将选择特征向量作为RBF神经网络输入,通过遗传算法优化RBF神经网络参数建立语音端检测模型。结果表明,相对于传统语音端点检测算法,WA-PCA-RBF提高了语音端点检测正确率,具有更好的适应性和鲁棒性,可满足实际系统需求。