基于关键输入和多输入层高维小波网络

提出一种基于关键输入和加工工序的多输入层高维小波神经网络结构,该网络结构 是在传统前馈神经网络的基础上,将一部分输入节点根据实际情况移到神经网络的相关隐 层,关键输入节点不仅与随后一层隐节点相连,而且与输出节点相连,更真实地反映了大工 业生产过程中变量之间复杂的函数关系.将该种小波网络模型应用于连铸连轧生产线产品质 量建模,其效果较其他4种神经网络为优越.     

基于小波网络的信号识别算法

为提高小波网络运行速度,缩短小波网络的训练及运行时间,提出一种基于提升小波变换和神经网络算法的改进小波网络——提升小波网络.首先将带有明显特征的信号作为网络输入,经过权值处理输入到隐层节点进行提升小波变换处理,提取信号的低频系数作为隐层节点的输出,再经过权值化处理输入到输出层节点进行0-1输出,进而达到对信号的特征识别...     

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.     

基于粗糙集的神经网络结构优化方法

针对神经网络的结构存在冗余的问题,提出了一种利用粗糙集优化神经网络结构的方法。在保持神经网络处理能力的基础上,利用网络的隐层神经元与网络误差构造决策表并进行属性约简,删除冗余的隐层节点。实验证明,该方法可以简化神经网络结构和减少神经网络的训练时间。     

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．     

基于惩罚函数泛化的神经网络剪枝算法研究

神经网络的隐层数和隐层节点数决定了网络规模,并对网络性能造成较大影响。在满足网络所需最少隐层节点数的前提下,利用剪枝算法删除某些冗余节点,减少隐层节点数,得到更加精简的网络结构。基于惩罚函数的剪枝算法是在目标函数后加入一个惩罚函数项,该惩罚函数项是一个变量为网络权值的函数。由于惩罚函数中的网络权值变量可以附加一个可调参数,将单一惩罚函数项泛化为一类随参数规律变化的新的惩罚函数,初始惩罚函数可看作泛化后惩罚函数的参数取定值的特殊情况。实验利用基于标准BP神经网络的XOR数据进行测试,得到隐层节点剪枝效果和网络权值随惩罚函数的泛化而发生变化,并从数据分析中得出具有更好剪枝效果及更优网络结构的惩罚函数泛化参数。     

基于小波变换的双并联神经网络在混合气体浓度预测中的应用

BP神经网络在混合气体浓度预测中得到广泛应用。针对BP神经网络收敛速度慢的特点,提出了一种新的基于小波变换的并列隐层双并联神经网络结构,这种网络首先对输入数据进行二维离散小波变换,然后用双并联神经网络对变换后两组数据进行训练,确定神经网络的权值和阈值。实验结果证明,相对传统的BP及双并联神经网络,基于小波变换的双并联神经网络的收敛速度加快2～3倍;对混合气体浓度的预测精度也有明显提高。     

ELM网络结构自适应正交搜索算法

由于具有灵活的非线性建模能力和良好的模式识别能力,单隐藏层前馈神经网络(Single Hidden Layer Feedforward Neural Network,SLFN)一直是机器学习和数据挖掘领域关注的焦点.众所周知,网络结构是影响SLFN泛化能力的重要因素之一.给定一个具体应用,如何在训练过程中自动选取最优的隐节点个数,仍是一大挑战.极限学习机(Extreme Learning Machine,ELM)通过随机生成隐藏层节点参数,并利用最小二乘法求解输出层权值的方式来训练SLFN,在一定程度上克服了传统的基于梯度类学习方法收敛速度慢、容易陷入局部最小值等问题.然而,ELM仍需要人为确定隐节点个数,不仅过程繁琐,而且无法保证得到最优或者次优的网络结构.在不影响泛化能力的前提下,为了进一步降低网络的复杂度,本文对ELM进行了改进,通过将网络结构学习转化为子集模型选择,提出了一种隐节点自适应正交搜索方法.首先,利用标准ELM构建隐节点候选池.然后,采用正交前向选择算法选择与网络期望输出相关度最大的候选隐节点加入到模型中.同时,每向前引入一个新的隐节点,就要向后对已选入的隐节点进行逐个检查,将变得不重要的隐节点从网络中删除.最后,设计了一种增强的向后移除策略来纠正前面步骤中所犯的错误,进一步剔除模型内残留的冗余隐节点.本文方法充分考虑了隐节点间的内在联系和相互影响,实验结果表明,该方法不仅具有良好的泛化性能,而且能够产生比较紧凑的网络结构.     

基于循环自构形算法的神经网络结构优化

BP(back propagation)神经网络中隐层节点的个数过多将影响网络的泛化性能和效率,自构形学习算法通过考察网络隐层节点输出之间的相关性来删除和合并隐层节点.但自构形算法在节点的删除和合并时存在网络收敛不一致问题,因此,在自构形算法中引入随机度概念,在分治算法思想的基础上提出了循环自构形算法来优化网络结构.Matlab实验对比验证了循环自构形算法能从不同或相同的隐层节点数剪枝到一致的网络结构,并将网络结构优化至最精简.     

利用基于小波特征提取的网络模型解析色谱重叠峰

提出了一种新的色谱重叠峰解析模型——基于小波特征提取的RBF神经网络模型。首先利用小波变换奇异性的检测原理,从原始色谱信号中提取特征点,这些特征点蕴含了反映色谱峰形状的信息,包括重叠峰个数、保留时间等信息。由小波变换获得的特征点来确定RBF网络的隐节点数目和网络参数的初值,即将拐点对数作为隐节点数目,将峰宽估计值作为输出层连接权的初值,将峰高估计值作为隐节点宽度的初值。再用RBF网络来拟合原始重叠色谱信号,梯度下降法训练后获得的网络参数作为解析结果,实现了重叠色谱峰的分离。实验结果表明:本方法快速、准确、可靠,能有效解析未知组分数的重叠峰。     

基于小波包和Zernike矩特征提取的车牌字符识别

提出了一种基于小波包和Zernike矩特征提取的车牌字符识别方法。首先针对数字字符特殊的字体结构,采用了数学形态学方法进行滤波处理。预处理后,对待识别字符进行三层小波包分解,获取第三层各节点小波包系数;同时对小波包分解后的第二层各节点进行重构,并分别计算重构后所得图像的Zernike矩;最后对获得的小波包系数和重构后所得图像的Zernike矩所组成的特征空间进行降维处理,并利用BP神经网络对车牌中的数字进行识别。实验结果表明,该方法效果良好。     

基于小波网络的传感器故障检测

针对常规BP网络存在的问题,在小波网络的基础之上将其结构进行改进提出复合小波网络,代替BP网络用于传感器的故障检测,为避免由于传感器输入信号突变引起的传感器输出与观测器预测值产生较大偏差而导致的误诊断,提出将检测方法加以改进。仿真实验表明,复合小波网络较BP网络和未改进的小波网络收敛速度快、预测精度高,更适用于故障检测;采用了复合小波网络的改进的检测疗法既提高了检测的快速性,义提高了可靠性。     

一种新型的无线传感器网络覆盖算法

在无线传感器网络中,传感器节点分布通常具有随机性和密集性,如何进行有效覆盖控制和节省能源是研究无线传感器网络的一个重要课题,提出了一种基于二进小波变换的无线传感器网络覆盖算法。将网络覆盖优化问题转化为一个离散信号模型,利用小波模极大值理论求解此信号的极值点位置。通过Matlab实验仿真,并分析了各个参数对实验结果的影响,表明网络在完全覆盖条件下该算法能有效除去冗余节点,求解的最小节点数比文献的算法要节省66%以上,从而降低了无线传感器网络能量和成本,从侧面验证了该算法具有一定的优越性。     

基于正交基的小波神经网络的优化设计

文章提出一种基于多分辨率学习的正交基小波神经网络结构的设计方法，网络权值的学习采用阻尼递推最小二乘算法。该方法能有效地解决训练精度和泛化能力差的问题。仿真结果表明它是一种非常有效的小波神经网络结构的设计方法。     

小波分析及其在控制中的应用

对小波分析的主要研究方向和特点进行综述,并阐述了小波分析在模型辨识、有约束问题的求解等控制领域中的应用,特别论述了小波神经网络的结构、学习算法及其优良的逼近性能,最后介绍了目前已有的基于小波分析的自适应控制方案,并对未来的研究做了探讨。     

小波神经网络在农药荧光光谱识别中的应用

对于结构非常相似的农药,它们的荧光光谱也非常相似并且在很宽波长范围内相互重叠.传统的荧光光谱分析法很难对其进行分类识别.一种基于小波分析而构造的新型神经网络--小波神经网络是利用它并适当选取网络结构和小波基,实现了对卡死克、盖虫散和吡虫啉三种农药荧光光谱的分类识别.实验表明,小波神经网络对光谱间的细微结构差别具有良好的识别能力.通过比较发现,在分类识别方面小波神经网络比BP网络具有更高的分辨率及较少的训练次数.     

基于小波变换的分布式WSN数据融合模型研究

针对无线传感器网络节点硬件、能量受限问题,分析现有数据融合方法,提出一种基于小波变换的分布式WSN数据融合模型,该模型对现有环结构模型进行改进,并加入数据验证环节,策略性地减少传输的数据量,并利用小波提升方案对数据进行融合处理,降低数据表示和传输的复杂度。通过仿真实验,证明了DDA-WT算法能有效降低网络节点的能耗,延长整体网络的生存期。     

基于小波的非平稳时间序列预测方法研究

基于小波分析技术,将原始非平稳时间序列分解为一层近似系数和多层细节系数,对其分别采用自回归滑动平均模型以及BP神经网络模型,对各层系数进行建模与预测;通过整合各层系数,得到原始时间序列的预测值。运用这种方法对因特网某节点网络流量数据和某地区日最高气温数据进行预测的结果表明,建立在小波分解基础上的这两种方法都能够有效地应用于非平稳时间序列的预测;而小波-BP神经网络的预测方法无论是精度还是计算复杂度方面都要明显优于小波-ARMA方法。     

传感器网络中层次簇模型的数据压缩算法

提出一种传感器网络中层次簇模型的分布式数据压缩算法。将传感器网络映射成一个层次簇,基于低级簇内节点部署的相对规则性和超级簇内节点部署的相对不规则性,分别采用不同的小波变换模型来进行数据压缩。理论分析和实验仿真结果表明,该算法有较好的逼近性能,能对传感器网络中的数据进行有效压缩,可更大程度地降低传感器网络中的数据传输量,从而进一步延长整个网络的生命周期。