基于多尺度分析与神经网络的需水量预测

采用小波多尺度分解的方法,将需水量时间序列分解为多个较平稳的细节子序列和一个趋势序列,再利用BP神经网络对分解后的各序列进行预测,把预测后的序列聚合重构,得到预测结果。以新疆石河子地区的需水量为例对该方法作了验证。表明多尺度分析与神经网络耦合预测,比单一BP神经网络预测精度更高,可满足实际需要。     

基于多尺度分解与预测误差扩展的可逆图像水印算法

针对现有可逆图像水印算法中嵌入量与图像视觉质量之间的矛盾,提出了一种基于多尺度分解与预测误差扩展的可逆图像水印算法。首先,对原始图像进行多尺度分解,将其分解为同质块和非同质块;其次,通过对同质块进行预测误差扩展来嵌入水印信息;最后,通过计算非同质块信息熵,根据嵌入水印信息量选择合适的非同质块,通过对选取的非同质块进行整数小波变换,在中高频中嵌入剩余水印信息。实验结果表明,该算法易于实现且完全可逆,能有效提高水印嵌入量,具有较高的视觉质量。     

基于多尺度分解的瞬态信号检测

瞬态信号的检测在信号处理研究中占有重要地位。本文在多尺度分解的基础上对含噪声信号进行尺度上和尺度间作两维自适应滤波,并采用逐级消除平均误差的方法对自适应滤波算法进行了改进,从而有效地滤去噪声,达到提取信号的目的。基于瞬态信号的特点,在滤波的方法上提出了反向滤波的方法。实践结果表明,该方法在信噪比较小时仍能取得较好的结果。     

基于小波分解的变尺度多分辨率纹理分割

针对常见的多分辨率分割算法在每一尺度分割过程中信息利用不充分的问题,提出了一种基于小波分解的变尺度多分辨率纹理图像分割新算法.该算法在每一尺度的分割过程中充分利用了各尺度上的有关信息:通过变尺度特征场考虑了更高分辨率尺度上的特征数据;通过变尺度标记场考虑了更低分辨率尺度上的标记数据.从最低分辨率尺度到原始分辨率尺度逐次进行图像分割,低分辨率尺度的分割结果通过直接投影作为相邻的更高分辨率尺度的初始分割,最高分辨率尺度上的分割结果作为本文方法的分割结果.实验表明,该算法具有较好的分类性能.     

基于ELM和FOA的股票价格预测

针对股票价格预测中应用极限学习机预测存在稳定性不理想的问题,提出了一种改进果蝇优化极限学习机（IFOA-ELM）预测模型的算法。在该算法中,果蝇群通过不断调整群半径来优化ELM的输入层与隐含层连接权值和隐含层阈值,并以优化后的结果为基础,构建ELM预测模型。将IFOA-ELM模型用于股票价格预测。实验表明,与ELM和FOA-ELM相比,IFOA-ELM在股票价格预测中具有更高的预测精度和更好的稳定性。     

基于动态记忆反馈的改进ELM故障预测方法应用研究

随着工业系统复杂性的逐步增加,对故障预测的实时性和准确性提出了更高的要求.对此,提出一种基于动态记忆反馈的改进ELM神经网络模型进行故障预测.此模型在结构上增加了反馈层用于记忆隐含层输出,并从反馈层记忆的信息中提取数据变化趋势特征,从而动态更新反馈层的输出权值.通过对非线性动态系统的下一时刻输出进行预测,并对预测输出进行诊断,达到故障预测的目的.通过人工数据Sinc验证和TE过程实例应用表明了所提出方法具有预测精度高、动态适应能力强等优点,对非线性时序系统具有较好的预测能力.     

CNN多层特征融合与ELM的乳腺疾病诊断方法

针对传统计算机辅助诊断方法准确率低、耗时长的问题,提出卷积神经网络(Convolutional Neural Networks,CNN)多层特征融合与极限学习机(Extreme Learning Machine,ELM)的乳腺疾病诊断方法。利用CNN从乳腺X光图像中提取多层特征;提出多尺度池化操作将各层提取的特征进行融合;使用极限学习机分类器进行乳腺疾病的快速诊断。实验结果表明,该乳腺疾病检测方法平均准确率高达97.13%,诊断时间是6.43 ms。该方法能有效地提高乳腺疾病诊断的准确率,缩短诊断时间,且具有较好的鲁棒性和泛化能力。     

基于特征尺度及多尺度分解的纹理分割

在计算机视觉领域，纹理识别及分割是图像低层次处理中一个重要的问题。文章依据视觉信息处理的生理学理论，提出了一种新的纹理分析算法。该算法通过搜寻纹理图像的特征尺度并配合连续整数尺度滤波上的特征尺度统计对纹理进行分层分析。并基于特征尺度上的分层分析提出一种纹理分割算法。实验结果证明了该算法的有效性。     

基于EMD和ELM相结合的门诊量预测模型研究

针对门诊量波动幅度较大的时间序列预测问题,先采用经验模态分解(EMD)将非线性较强的原始数据进行分解,然后通过极限学习机(ELM)将分解后的各个序列分量进行建模,最后将各个分量的预测值相加得出最终结果。将BP神经网络、ELM两个单一模型与EMD-ELM组合模型进行对比验证,实验结果表明组合模型的精准度明显好于两个单一模型。     

基于改进ELM的无线传感网络水温预测方法研究

为有效地对工厂化水产养殖进行指导和管理,解决实际生产中水温数据预测精度低、稳定性差等问题,在分析水温影响因素的基础上,通过天气指数的计算对传感器采集的异常数据进行校正,进而提出一种遗传算法（GA）结合改进极限学习机（ELM）的池塘水温预测模型（GA-ELM）。在模型建立的过程中,采用Softplus对传统ELM的激活函数进行改进,在GA算法获取ELM最佳初始权值和偏置参数的基础上,对实现数据校正的池塘水温数据进行预测。将GA-ELM与BP神经网络和标准ELM网络模型进行对比,GA-ELM的预测指标MAE、MAPE和RMSE分别为0.1543、0.0054和0.1876,实验结果表明,GA-ELM模型有较好的预测性能,能高效、稳定地实现水温的预测。     

基于多层小波分解的日前太阳辐照度预测研究

由于太阳辐照度的随机波动特性,大型光伏发电并网会给电力系统的运行带来极大困难,光伏发电功率的预测是解决此问题的关键措施之一.提出了一种基于多层小波分解的太阳辐照度预测方法,首先,根据天气状态将每日的辐照度曲线划分为不同的波动模式;然后针对不同天气下的波动模式分别建立预测模型,使用多层小波分解后的数据预测第二天连续24小时的辐照度值;最后建立基于数据驱动的融合模型,将不同天气模式下的辐照度多层小波分解预测值进行融合,以获得最终的辐照度预测结果.仿真结果表明辐照度预测结果精度与小波分解层数和天气模式高度相关,且所提算法能够有效提高短期辐照度预测精度.     

基于ELM的多结构变形QR码分类校正研究

针对不同曲面上QR码变形多样化、识别率低的问题,考虑到极限学习机(ELM)对大量数据的快速分类能力,提出了一种基于ELM的多结构变形QR码分类校正算法。在欧式距离量化变形特征后,运用ELM算法把变形结构分为平面变形、半曲面变形和全曲面变形三类,并利用不同分类系数改进QR码坐标透视变换算法,得到校正坐标值。实验结果表明,此方法不仅提高了QR码在曲面上的校正准确率,而且通过分类提高了曲面变形和平面变形QR码的校正速度。     

基于小波多尺度奇异值分解的人脸识别

作为一种矩阵分解方法,奇异值分解可用于提取图像的代数特征。图像的奇异值特征具有很多好的性质,如稳定性、几何不变性、对噪声的不敏感性。但是只用一个尺度的图像奇异值特征难以获得高识别率。基于小波变换和奇异值分解,提出了基于小波多尺度奇异值分解的图像特征提取方法,将多个尺度的小波子图奇异值特征组合起来用于人脸识别,在ORI, YALE和JAFFE 3个人脸数据库上的识别率分别达到82.11%,100%和95.68%.     

基于小波和支持向量机的多尺度时间序列预测

介绍了相空间重构和基于支持向量机的时间序列预测建模技术,提出了基于小波和支持向量机的复杂时间序列预测方法,利用小波对复杂时间序列进行多尺度分解,对重构后的近似序列和细节序列分别利用支持向量机进行回归预测并将结果融合。对股票数据进行预测,试验结果表明该方法预测精度高于单尺度支持向量机和神经网络预测方法,可用于复杂非平稳时间序列的预测。     

基于多尺度稀疏LSSVM的时间序列预测

最小二乘支持向量机在提高了支持向量机的运算速度的同时,失去了解的稀疏性.构造的多尺度稀疏最小二乘支持向量机,首先通过小波包分解对于数据进行多尺度描述,同时采用最小二乘支持向量机的学习算法获得数据之间的尺度相关性,可以实现解的稀疏性和可解释性,从而实现了系统的多尺度分解、子系统建模与合成的一体化.通过在时间序列预测上的应用可以发现,此模型在获得稀疏解的同时,极大地提高了系统的性能.而且,可以获得输出结果在不同尺度上的贡献度,增加了系统的可解释性.     

基于多尺度随机共振变换的微弱信号检测

针对在高噪声背景下微弱信号的检测,以绝热近似小参数的随机共振理论为依据,根据随机共振的噪声选择性和频率敏感特性,提出了基于多尺度随机共振变换的微弱信号检测方法.将含噪输入信号经小波变换分解为不同尺度频率的信号成分后,通过引入归一化变换来调节各尺度信号成分的大小,再将不同尺度的分解信号作为非线性双稳系统的输入,从而实现大参数条件下微弱信号的检测.数值仿真结果表明:该方法可以从高噪声背景下提取微弱信号,并能获得较高的输出信噪比,在信号检测领域具有很好的应用前景.     

基于PCA—ELM的煤矿突水预测方法研究

针对采用传统算法建立煤矿突水预测模型存在训练速度慢、泛化能力差、测试精度不高等问题,提出了一种将PCA与ELM相结合的煤矿突水预测方法,并利用该方法建立了煤矿突水预测模型。该方法以煤矿突水历史数据为样本,利用PCA得到煤矿突水主控因素,将仅包含主控因素的样本数据划分为训练集、验证集和测试集;然后把训练样本作为ELM的输入,对模型进行训练;最后利用样本数据验证模型。实验结果表明,相较于传统算法,该方法输入变量少,建模和运算时间短,模型的运行速度和预测精度较高。     

高分辨率遥感影像的多特征多核ELM分类方法

针对高分辨率遥感影像地物分布复杂多变,利用ELM的快速分类性能,提出了一种ELM的多特征多核高分辨率遥感影像分类方法。首先利用多尺度分割算法将原始影像粗分为若干地物区域;然后依据区域合并准则对粗分割图像合并得到典型地物特征的对象信息,并提取分割对象的光谱特征与空间特征;最后以多种核函数加权组合的方式构建多核ELM对影像分类,获得最终的分类结果。实验结果表明,所提方法不仅降低了对目标训练样本的要求,同时还提高了分类的准确性、及时性和完整性。     

基于GA优化ELM的船舶交通流预测模型

为了提高船舶交通流预测的效率和准确率,分析了船舶流量预测中的影响因素多、非线性、随机性等问题,建立了ELM(极限学习机)预测模型。同时为了避免极限学习机算法受输入权值矩阵和隐含层偏差随机性的影响,算法又采用GA(遗传算法)对极限学习机的输入权值矩阵和隐含层偏差进行优化,建立GA-ELM船舶交通流预测模型。利用上海洋山港船舶流量对该模型进行了实例分析,通过MATLAB仿真进行预测,将GA-ELM模型与单纯的BP模型、ELM模型进行对比和分析,结果表明:GA-ELM模型具有更高的预测精度和效率,从而能够相对准确、高效地对船舶交通流量进行预测。     

一种基于多尺度小波分解的图象镶嵌技术

为了获得一种具有艺术视觉效果的镶嵌图象,提出了一种基于多尺度小波分解的图象镶嵌技术,该技术首先对原始图象的各子块区域和图象库中的每一幅图象进行多尺度小波分解;然后逐层计算各图象小波分解系数的标准方差和它们之间的相似距离,并据此从图象库中选取与原始图象中的各子块区域最佳匹配的贴图,再将其镶嵌到原始图象中的对应区域;最后对贴图进行逐像素的颜色校正,使贴图的颜色与原始图象尽可能一致.同时,根据人眼观察某个区域时往往通过取整或将细节取平均来得到一个总体强度效果这一视觉特性,使最终的镶嵌图象具有在近处看到的是各个贴图的内容,而在远处观看则是原始图象的总体轮廓的视觉效果.利用计算机来自动地生成这种镶嵌图象的实验结果表明,该方法是有效的.