基于改进的量子粒子群优化小波神经网络的网络流量预测

为了改善小波神经网络（WNN）进行流量预测的性能及避免量子粒子群算法（QPSO）搜索后期的早熟收敛缺陷,提出了一种改进的 QPSO。该算法定义粒子群聚拢度,改进收缩—扩张系数使其表示为聚拢度的函数并服从随机分布,以使粒子群具有动态自适应性,避免陷入局部最优,并通过搜索使用 WNN 待优化参数编码位置向量的粒子群的全局最优位置来实现目标参数的优化,使用本算法优化 WNN 参数,建立了基于改进的 QPSO优化 WNN 的网络流量预测模型。使用真实网络流量通过两组对比实验对其预测精度进行验证,证明了该方法的可用性。实验结果表明,该方法的预测精度优于 WNN 和 QPSO-WNN 方法。     

粗糙集约简的WNN隐层节点优化方法

在确保网络性能的前提下,如何确定最佳隐层节点,获得最简网络结构是小波神经网络(WNN)应用推广的关键.对此,引入粗糙集理论,提出了基于信息熵的卡方离散化算法和启发式的属性约简递归算法,利用粗糙集约简过程对WNN隐层节点进行精简,并将其应用于飞行器气动力建模.仿真结果表明,采用改进的粗糙集方法设计WNN,不仅能够简化网络结构,而且与未经结构优化的WNN相比,其模型精度和训练速度都得到了实质性改善.     

基于改进WNN的城市轨道交通客流量预测

针对城市轨道交通短时客流量预测问题,提出了一种基于自适应[t]分布变异的蝙蝠算法（ATM-BA）优化的小波神经网络（WNN）预测模型（ATM-BA-WNN）。在基本蝙蝠算法（BA）中引入带有线性递减控制因子的自适应[t]分布变异,使其具有变异机制,能够跳出早熟收敛。并将ATM-BA与WNN两者相互耦合,利用ATM-BA优化WNN的参数配置,进而提高WNN的预测精度。运用ATM-BA-WNN模型对郑州地铁1号线短时客流量进行预测,并与传统的WNN预测模型、BA优化的WNN（BA-WNN）预测模型以及支持向量机（SVM）预测模型进行比较。仿真结果表明,相较于其他3种模型,所建预测模型预测精度最高,拟合能力更强,误差最小,从而证明了该模型在短时客流量预测领域的可行性及优越性。     

传感器网络中分布式最优小波压缩算法

研究传感器网络中的小波变换问题,提出了一种基于最优小波变换的分布式数据压缩算法。主要工作有：（1）提出基于混合分解的分布式小波变换,利用节点的计算能力减少节点间交换数据产生小波系数的通信开销;（2）提出自适应小波变换,最优变换级根据小波变换的压缩增益和由此产生的网络开销自适应确定。仿真实验表明,和现有的小波数据压缩算法以及非分布式方式相比,提出的算法具有更优的网络性能。     

基于WNN的BP算法的多传感器数据融合研究

小波神经网络（WNN）是将小波理论和神经网络理论结合起来的一种神经网络,有较强的函数学习能力和推广能力及广阔的应用前景。采用基于WNN的BP权值平衡算法对多传感器测量的结果进行特征级的数据融合,融合结果提供给决策级判断。该融合算法避免了BP网络收敛速度慢,易产生局部最优解等缺点,提高了学习的速度、精度。仿真结果表明了该方法的有效性。     

交通流量小波神经网络多步预测研究

针对交通流量混沌时间序列多步预测的问题,提出了一种基于混沌机理的小波神经网络(WNN)快速学习算法.通过将混沌理论和小波分析相结合,建立了交通流量时间序列WNN模型;阐述了混沌学习算法的机理,设计了交通流量WNN混沌时间序列自适应学习算法.仿真试验结果表明,该算法的多步预测性能明显优于应用BP网络和非混沌算法的小波神经网络.     

基于多孔多方向小波的SAR图像正则化超分辨重构

针对SAR图像超分辨重构问题,建立了基于多孔多方向小波域的正则化模型。在选取正则化参数时,提出一种自适应确定方法,该方法无需知道噪声大小和图像的先验知识,提高了确定正则化参数的准确性;求解模型时用FR共轭梯度法来改善算法的收敛性。最后将该算法分别与空域中正则化算法和小波域及轮廓波域中正则化算法进行了比较,仿真实验结果表明,该算法较好地再现了各种边缘信息,其重构结果均优于其他三种方法。     

Hessian正则化Logistic回归模型

针对大数据量的图像分类问题,Laplacian正则化的半监督学习方法获得了广阔的应用前景。然而Laplacian正则化使分类函数趋向于常数函数而易导致较差的推测能力。提出了基于Hessian正则化的Logistic回归模型用于图像分类,Hessian正则化可以较好地预测区域之外的数据点。在MIR Flickr数据库上进行图像分类实验,与SVM、Logistic回归和Laplacian正则化的Logistic回归方法相比,Hessian正则化的Logistic回归模型更有效。     

基于Shearlet的双正则化图像压缩采样恢复

针对图像压缩采样中正交小波变换方向有限和单一正则化的问题,提出了一种基于Shearlet的双正则化图像压缩采样恢复算法。该算法用Shearlet作为图像的稀疏表示,用交替最小化对联合正则化模型进行求解。实验结果表明,该算法恢复的图像与单一的全变分正则化方法和小波变换相比有更好的视觉效果,更高的峰值信噪比。     

在多尺度Contourlet域中的SAR图像正则化超分辨

针对SAR图像超分辨重构问题,建立了基于多尺度Contourlet域的正则化模型。在选取正则化参数时,提出一种自适应确定方法,该方法无需知道噪声大小和图像的先验知识,提高了确定正则化参数的准确性;求解模型时用FR共轭梯度法来改善算法的收敛性。将该算法分别与空域中正则化算法和小波域中正则化算法进行了比较,仿真实验结果表明,该算法较好地再现了各种边缘信息,其重构结果均优于其他两种方法。     

Reliable multiclass cancer classification of microarray gene expression profiles using an improved wavelet neural network

Properly designing a wavelet neural network (WNN) is crucial for achieving the optimal generalization performance. In this paper, two different approaches were proposed for improving the predictive capability of WNNs. First, the types of activation functions used in the hidden layer of the WNN were varied. Second, the proposed enhanced fuzzy c-means clustering algorithm—specifically, the modified point symmetry-based fuzzy c-means (MSFCM) algorithm—was employed in selecting the locations of the translation vectors of the WNN. The modified WNN was then applied to heterogeneous cancer classification using four different microarray benchmark datasets. The comparative experimental results showed that the proposed methodology achieved an almost 100% classification accuracy in multiclass cancer prediction, leading to superior performance with respect to other clustering algorithms. Subsequently, performance comparisons with other classifiers were made. An assessment analysis showed that this proposed approach outperformed most of the other classifiers.     

基于遗传小波神经网络的冷轧轧制力预报研究

依据小波函数的非线性逼近能力和神经网络的自学习特性，提出一种适合高维输入的小波神经网络建模方法，这种网络结构类似于多层感知器，不同的是隐层神经元的激励函数为小波基函数．为使小波神经网络具有更高的学习精度和更快的收敛速度，将遗传算法、小波神经网络和梯度下降算子结合起来，提出一种遗传小波神经网络．将该网络应用于冷轧轧制力的预报，仿真结果表明预报精度大为提高．     

基于小波神经网络的电梯交通流预测

小波神经网络随着输入维数的增加,网络参数将呈指数倍增加,导致收敛速度下降.在研究统计学理论的基础上,提出了以结构风险最小化为目标的训练方法.该方法最大限度地保证了网络的泛化能力.将该网络应用于电梯交通流的预测,得到了比传统BP神经网络更优的效果.     

A Wavelet Neural Network Based Non-linear Model Predictive Controller for a Multi-variable Coupled Tank System

In this paper, a novel real time non-linear model predictive controller(NMPC) for a multi-variable coupled tank system(CTS) is designed. CTSs are highly non-linear and can be found in many industrial process applications. The involvement of multi-input multi-output(MIMO) system makes the design of an effective controller a challenging task. MIMO systems have inherent couplings,interactions in-between the process input-output variables and generally have an complex internal structure. The aim of this paper is to design, simulate, and implement a novel real time constrained NMPC for a multi-variable CTS with the aid of intelligent system techniques. There are two major formidable challenges hindering the success of the implementation of a NMPC strategy in the MIMO case. The first is the difficulty of obtaining a good non-linear model by training a non-convex complex network to avoid being trapped in a local minimum solution. The second is the online real time optimisation(RTO) of the manipulated variable at every sampling time.A novel wavelet neural network(WNN) with high predicting precision and time-frequency localisation characteristic was selected for an MIMO model and a fast stochastic wavelet gradient algorithm was used for initial training of the network. Furthermore, a genetic algorithm was used to obtain the optimised parameters of the WNN as well as the RTO during the NMPC strategy. The proposed strategy performed well in both simulation and real time on an MIMO CTS. The results indicated that WNN provided better trajectory regulation with less mean-squared-error and average control energy compared to an artificial neural network. It is also shown that the WNN is more robust during abnormal operating conditions.     

基于遗传小波网络的飞控系统故障诊断研究

针对飞行控制系统的传感器故障诊断问题,构造基于Mexico hat小波的小波神经网络,采用改进的自适应遗传算法优化所构造的小波网络的网络参数,并应用训练好的小波网络对飞行控制系统的传感器故障进行诊断.通过在Matlab/Simulink中建立飞控系统传感器的数字仿真模型并进行计算机仿真,得出所构造的小波网络能很好地诊断出飞控系统传感器的三类故障.仿真结果表明,用遗传算法训练小波网络,收敛速度快,且不会陷入局部最优点,训练好的小波神经网络的收敛性、故障诊断能力及泛化性均强于传统的BP神经网络.     

Intelligent system based on local linear wavelet neural network and recursive least square approach for breast cancer classification

A new learning technique for local linear wavelet neural network (LLWNN) is presented in this paper. The difference of the network with conventional wavelet neural network (WNN) is that the connection weights between the hidden layer and output layer of conventional WNN are replaced by a local linear model. A hybrid training algorithm of Error Back propagation and Recursive Least Square (RLS) is introduced for training the parameters of LLWNN. The variance and centers of LLWNN are updated using back propagation and weights are updated using Recursive Least Square (RLS). Results on extracted breast cancer data from University of Wisconsin Hospital Madison show that the proposed approach is very robust, effective and gives better classification.     

小波神经网络在飞控系统辨识中的应用研究

选择以sigmoid函数为基础的小波基波函数构造了一个小波神经网络,利用小波网络对复杂的飞控系统对象进行在线辨识研究,仿真结果表明小波神经网络基本满足某型飞机飞控系统在线辨识的要求。     

基于SA-PSO的小波神经网络汽轮机故障诊断

针对传统小波神经网络的问题,提出了一种基于模拟退火粒子群算法优化小波神经网络并用于汽轮机故障诊断.先使用模拟退火粒子群算法对小波神经网络的参数进行初步优化,再用小波神经网络进行二次优化训练.实验结果表明,所提出的SA-PSO-WNN算法与WNN、PSO-WNN算法相比,网络的训练速度更快,全局搜索能力更强,网络的泛化能力更好,具有很好的实用价值.     

基于小波神经网络的板形板厚综合系统逆控制

针对板形板厚综合系统具有强耦合、非线性、含纯滞后环节的特点,提出一种基于小波神经网络的逆控制方案.利用两个结构相同的小波神经网络构造Smith预估器,预估器的输入参数与时延阶次无关,能较好地解决小波神经网络对维数较为敏感的问题.采用神经网络逆控制的思想设计小波神经网络控制器,引入多步预测性能指标函数对控制器权值进行在线训练.仿真研究表明,该控制方案具有较快的响应速度和良好的动态性能.