基于小波神经网络的目标跟踪的研究

本文讨论了小波神经网络在机动多目标跟踪中的应用,多目标跟踪就是主体为了维持对多个目标(客体)当前状态的估计而对所接收的量测信息进行处理的过程.以非线性大规模并行分布式处理为特征的神经网络可以解决传统的目标跟踪方法的难以解决的计算量组合爆炸问题以及需要确定机动目标的数学模型的问题,将小波分析原理与神经网络相融合,提出了基于小波神经网络的目标跟踪方法来提高系统的学习能力、表达能力以及机动多目标状态的估计精度.仿真实验的结果证明了该方法的有效性.     

模糊小波基神经网络的机器人轨迹跟踪控制

提出一种模糊神经网络控制器并用于机器人轨迹跟踪控制.这种模糊神经网络利用了小波基函数作为隶属函数,可在线根据误差调整隶属函数的形状,使模糊神经网络具有更强的学习和适应能力.仿真与实验结果表明这种网络能很好的用于机器人的轨迹跟踪控制,具有很好的性能.     

基于自适应小波神经网络的定位跟踪系统研究

针对变电站吊车作业视线受限、目标被遮挡等带来的安全隐患问题,论文提出了一种自适应小波神经网络算法,并通过该算法动态控制摄像机角度实现对目标的快速准确定位跟踪。论文利用变结构算法实时调整小波神经网络隐含层的拓扑结构,同时以粒子群优化算法构建参数自学习方法来动态调整小波神经网络的权值、伸缩、平移等参数,提高了系统的收敛速度与抗干扰能力。通过收敛性、阶跃响应和定位跟踪仿真试验,结果表明提出的APSO-VSWNN算法拥有较好的稳定性和鲁棒性,为构建变电站吊车作业实时监控和预警系统提供了应用支撑。     

基于小波神经网络的非线性系统建模研究

研究了用小波神经网络对非线性系统进行建模问题。提出了用带遗忘因子的最小二乘法训练网络的权值,利用递推预报误差算法训练伸缩因子和平移因子的交互辩识算法。仿真结果证明了算法的有效性。     

小波模糊神经网络在非线性函数逼近中的应用

将前馈神经网络与T-S模糊模型相融合构造了一种模糊神经网络,进一步利用小波变换的压缩特性与模糊神经网络相结合构造出一种小波模糊神经网络模型,并应用在非线性函数逼近上。通过仿真,结果表明小波模糊神经网络是最优的。     

基于小波神经网络的非线性系统预测控制研究

提出了一种基于小波基函数神经网络的未知非线性系统的一步超前预测控制算法。该方法利用小波网络学习这个非线性系统,并且应用小波神经网络模型作为系统的预测模型,控制信号直接通过极小化期望输出值与预测输出值之间的偏差来获得,通过对一非线性系统的仿真,表明了该方法的有效性。     

一种用于非线性函数逼近的小波神经网络

提出一种用于非线性函数逼近的小波神经网络，给出了网络的参数训练方法。从信息熵的概念出发，改进了网络参数训练的目标函数，并利用引入动量项的最速下降法训练网络权值、尺度因子和平移因子。仿真实验表明，该小波神经网络用于非线性函数逼近时优于同等规模的BP网络，且其训练方法亦具有收敛速度快、逼近精度高等优点。     

基于小波理论的神经网络模型构造

小波神经网络是由小波分析理论与神经网络理论结合而成的一种神经网络 ,一般来说 ,小波分析与神经网络的结合有两种不同的方式 ,即辅助式结合 (松散式结合 )方式和嵌套式结合 (紧致式结合 )方式。分别对这两种结合方式作了详细描述 ,并且给出了不同结合方式下的各种小波神经网络模型以及相应的学习算法。     

紧支撑小波神经网络用于钢的冷变性能差别

介绍了紧支撑小波神经网络（ＳＣＷＮＮ）的理论和算法,将其运用于钢的冷弯性能判别,判别准克率达到１００％。与ＢＰ算法的计算值和文献所采取的主要成分分析（ＰＣＡ）比较,ＣＳＷＮＮ的判别能力优于ＢＰ及文献中采用的主成分分析。     

紧支撑小波神经网络用于钢的冷弯性能判别

介绍了紧支撑小波神经网络（ＣＳＷＮＮ） 的理论和算法, 将其运用于钢的冷弯性能判别, 判别准确率达到１００ ％ 。与ＢＰ算法的计算值和文献中所采用的主成分分析（ＰＣＡ） 比较, ＣＳＷＮＮ 的判别能力优于ＢＰ及文献中采用的主成分分析。     

Nonlinear Adaptive Wavelet Control Using Constructive Wavelet Networks

In this paper, an adaptive wavelet-network-based control approach is proposed for highly nonlinear uncertain dynamical systems. Wavelet network, as a kind of universal approximator, has two novel properties-orthonormality and multiresolution. The orthonormal property ensures that adding a new resolution (new wavelets) does not affect the existing wavelet network that may have been well tuned. In the sequel, the online adjustment of the structure of the nonlinear adaptive wavelet controller (AWC) can be done in a constructive manner by gradually increasing the network resolution. The multiresolution property, on the other hand, assures a guaranteed improvement of the approximation precision when a new resolution is added. In real life problems we are unable to know the adequate size of a network, either a neural network (NN) or a wavelet network, to produce the required approximation precision. By virtue of the novel wavelet network properties, a coarse or very simple structure can be selected first. If the system fails to converge after the elapse of a dwell time, a new wavelet resolution is considered to be necessary and added directly. In this manner, the AWC can be easily constructed and tuned from the coarse to finer levels until the performance requirement is satisfied. The trial and error way of selecting the network structure, which may lead to either an inadequate or a highly redundant structure, can be avoided. In this paper, the proposed adaptive wavelet network is applied first to a class of nonlinear dynamical systems with a partially known model and an affine-in-input structure. Then, the adaptive wavelet network is applied to a class of nonlinear nonaffine dynamical systems     

Improving the Performance of Feedforward Neural Networks by Noise Injection into Hidden Neurons

The generalization ability of feedforward neural networks (NNs) depends on the size of training set and the feature of the training patterns. Theoretically the best classification property is obtained if all possible patterns are used to train the network, which is practically impossible. In this paper a new noise injection technique is proposed, that is noise injection into the hidden neurons at the summation level. Assuming that the test patterns are drawn from the same population used to generate the training set, we show that noise injection into hidden neurons is equivalent to training with noisy input patterns (i.e., larger training set). The simulation results indicate that the networks trained with the proposed technique and the networks trained with noisy input patterns have almost the same generalization and fault tolerance abilities. The learning time required by the proposed method is considerably less than that required by the training with noisy input patterns, and it is almost the same as that required by the standard backpropagation using normal input patterns.     

采用正交小波网络的非线性系统辨识方法

基于多分辨分析的递阶思想,采用正交小波网络研究了输入样本空间分布非均匀时非线性系统的辨识问题,重点讨论了样本非均匀时网络系的设计问题,并给出了基于该网络系的在线递阶辨识算法,最后利用正交小波网络分别对非线性静态和动态系统进行了仿真辨识。     

一种估计前馈神经网络中隐层神经元数目的新方法

前馈神经网络中隐层神经元的数目一般凭经验的给出，这种方法往往造成隐单元数目的不足或过甚，从而导致网络存储容量不够或出现学习过拟现象，本研究提出了一种基于信息熵的估计三层前馈神经网络隐结点数目的方法，该方法首先利用训练集来训练具有足够隐单元数目的初始神经网络，然后计算训练集中能被训练过的神经网络正确识别的样本在隐层神经元的激活值，并对其进行排序，计算这些激活值的各种划分的信息增益，从而构造能将整个样本空间正确划分的决策树，最后遍历整棵树寻找重要的相关隐层神经元，并删除冗余无关的其它隐单元，从而估计神经网络中隐层神经元的较佳数目，文章最后以构造用于茶叶品质评定的具有较佳隐单元数目的神经网络为例，介绍本方法的使用，结果表明，本方法能有效估计前馈神经网络的隐单元数目。     

基于正交小波网络的非线性系统辨识

本文介绍了一种基于正交小波网络(OWN)的非线性系统的辨识方法。阐述了正交小波网络理论，提供了用正交小波网络进行辨识的方法．并对高炉煤粉喷吹系统的非线性系统进行了动态辨识，结果表明此方法是可行的。     

基于快速确定隐层神经元数的BP神经网络算法

根据多项式理论构造一种以正交多项式作为隐层神经元激活函数的PP神经网络模型。针对该网络提出一种算法,即一种隐层的激励函数为正交多项式及其神经元数目可快速确定的算法。首先通过数学证明从理论上验证了该算法的有效性。然后利用计算机对该算法进行仿真与校验,并与传统的PP算法进行比较。结果表明该算法不仅突破了传统PP神经网络的局限性,如收敛速率慢、最佳隐神经元数难确定等,而且能够达到更高的工作精度,从而从实验上验证了该算法的有效性。     

用含动态隐层的前馈网辨识非线性系统

用含动态隐层的前馈网对非线性系统建立全局成立的输入输出模型,证明了这种辨识结构的可行性,网络学习算法为动态BP法.     

Two Types of Haar Wavelet Neural Networks for Nonlinear System Identification

Since wavelet transform uses the multi-scale (or multi-resolution) techniques for time series, wavelet transform is suitable for modeling complex signals. Haar wavelet transform is the most commonly used and the simplest one. The Haar wavelet neural network (HWNN) applies the Harr wavelet transform as active functions. It is easy for HWNN to model a nonlinear system at multiple time scales and sudden transitions. In this paper, two types of HWNN, feedforward and recurrent wavelet neural networks, are used to model discrete-time nonlinear systems, which are in the forms of the NARMAX model and state-space model. We first propose an optimal method to determine the structure of HWNN. Then two stable learning algorithms are given for the shifting and broadening coefficients of the wavelet functions. The stability of the identification procedures is proven.     

基于小波网络的非线性系统建模与控制

提出了种基于小波网络的非线性系统的建模和控制方法。使用小波网络对未知控制系统建立一步预测模型,基于Ｄｓａｖｉｄｏｎ最小二乘法得到自适应控制律。小波网络的权值由广义递推最小二乘法来学习,尺度参数和平移参数通过稳定的Ｄａｖｉｄｏｎ最小二乘法来获得。仿真结果表明了该方法的有效性。     

基于小波神经网络的非线性误差校正模型及其预测

针对非线性系统的预测问题,在线性和非线性协整理论涵义的基础上,提出利用小波神经网络进行非线性协整系统的非线性误差校正模型的研究,并给出该模型的建模方法．对沪深股市进行实证研究,与线性向量自回归模型进行比较．研究证明,小波神经网络所建立的非线性误差校正模型有较好的预测效果,能够有效地预测非线性经济系统．