连续小波过程神经网络及其仿真研究

在小波分析和过程神经网络理论的基础上，提出了连续小波过程神经网络模型，其隐层为过程神经元，隐层激活函数采用小波函数．该网络结合了小波变换良好的时一频局域化性质及过程神经网络可以处理连续输入信号的特点，因而学习能力强，精度高．给出了小波过程神经网络学习算法，并以航空发动机滑油系统状态监测为例，分别利用传统BP网络和小波过程神经网络进行预测．结果表明，小波过程神经网络收敛速度快，精度高，优于BP网络的预测能力，同时也为航空发动机滑油系统状态监测问题提供了一种有效的方法．     

双并联前向过程神经网络及其应用研究

为克服多层前向过程神经网络收敛速度慢、精度低的问题,提出了一种双并联前向过程神经网络模型.在输入空间中引入一组合适的函数正交基,将输入函数和网络权函数表示为该组正交基的展开形式,并利用基函数的正交性简化网络聚合运算过程.给出了相应的学习算法,并以飞机发动机状态监控中发动机排气温度的预测为例验证了模型和算法的有效性.     

小波网络在航空发动机状态监测中的应用研究

为准确监测航空发动机的状态以保障飞行安全,需要对航空发动机这个复杂系统建立精确模型,将人工神经网络很强的非线性映射能力与小波分析特有的时频分析能力相结合可以对复杂的非线性系统进行系统辨识;选择以sigmoid函数为基础的小波基波函数作为神经网络神经元的激励函数,构造了一个三层小波神经网络,利用该小波神经网络对航空发动机转动状态进行系统辨识研究,仿真结果表明小波神经网络能对某型飞机航空发动机转动状态进行准确辨识.     

实现模拟电路高诊断率的方法

针对神经网络诊断模拟电路故障中可能存在误诊这一不足,从多分辨分析理论出发,将一维小波的尺度函数和小波函数进行张量积,把得到的张量积小波的尺度函数和小波函数共同作为网络的激励函数,构造了一种小波神经网络,并用该小波神经网络诊断实例模拟电路.仿真结果表明,该小波神经网络不仅能够诊断出已训练的故障类型,而且还能对新故障进行正确的分类,避免了误诊情况的出现.     

用多小波神经网络诊断模拟电路故障的方法

针对小波神经网络在模拟电路故障诊断中存在"维数灾"这一致命缺陷,根据多小波空间中函数的多分辨率分解思想,构造了一种激励函数为具有紧支撑集、对称性和正交性的多尺度和多小波函数的多小波神经网络.仿真结果表明,多小波神经网络收敛速度比小波神经网络要快得多,有效地解决了"维数灾"问题.仿真实验和理论分析一致.     

基于小波神经网络的IP网络流量预测

采用小波神经网络对网络流量数据的时间序列进行建模与预测。针对BP神经网络预测准确率不太理想的情况,将小波理论引入BP神经网络,引用小波理论中多分辨分析技术对基于BP神经网络的模型进行改进,建立了基于小波神经网络的IP网络流量预测模型。该模型利用小波多分辨分析分解信号,再用已分解的信号序列来训练BP神经网络。实验结果表明,小波神经网络比BP神经网络对网络流量的预测结果精度更高、性能更好,利用小波神经网络预测网络流量是一种可行、有效的方法。     

基于多尺度核函数的铆接件腐蚀疲劳预测

目前腐蚀疲劳破坏预测方法精度不高.提出基于小波多分辨分析法(MRA),在再生核希尔伯特空间构建一种多尺度核函数的最小二乘支持向量机(multi-scale kernel LSSVM,MSK_LSSVM)预测算法.根据Mercer平移不变核定理,构造了多尺度复Gaussian小波核函数.由于多尺度核函数能够通过平移生成L2(R2)子空间的一组完备基,因此MSK_LSSVM可以任意逼近目标函数,更具灵活性.经仿真实验验证,与BP神经网络方法、标准支持向量机、灰色系统预测模型方法对比,机械结构中铆接件腐蚀变化的趋势通过MSK_LSSVM预测,准确率高、时间短.     

关于高斯函数的小波性质的研究

本文基于小波理论框架，分析探讨了有关高斯函数的小波特性。根据多尺度微分算予理论和多分辨分析思想，证明了高斯函数构造了一个多分辨分析(MRA)，高斯函数的各阶导数均构成小波基函数。从滤波器组的角度，由高斯函数的导数构成的小波函数构造了低通滤波器的脉冲响应，也可视为一尺度函数。     

小波与神经网络相结合的网络流量预测模型

针对网络流量序列的非线性和多时间尺度特性,提出了一种将小波变换与人工神经网络相结合进行网络流量预测的新模型.该模型吸取了小波变换的多分辨功能和人工神经网络的非线性逼近能力,对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,分别使用RBF神经网络和Elman神经网络进行预测,把两种预测的结果通过BP神经网络合成为最终预测结果.用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果.     

利用小波分析检测航空发动机传感器故障

该文比较了傅立叶变换与小波分析的基本理论并研究了它们在航空发动机传感器故障检测应用中的特点,提出了一种基于小波变换的故障检测方法.该方法针对噪声和故障信号均具有呈现非平稳瞬态特性的特点,利用小波多分辨分析将量测信号分解到不同的频率通道中去,因此它就可以在一定的频率区间内,将故障信号成分和正常信号输出成分区分开来,提高传感器故障检测的准确度.仿真结果表明,该方法借助小波变换强大的时频分析能力,可以准确判定传感器软、硬故障,有效降低误报率和漏报率,具有良好的应用价值.     

Application of temporal difference learning rules in short‐term traffic flow prediction

Studying dynamic behaviours of a transportation system requires the use of the system mathematical models as well as prediction of traffic flow in the system. Therefore, traffic flow prediction plays an important role in today's intelligent transportation systems. This article introduces a new approach to short‐term daily traffic flow prediction based on artificial neural networks. Among the family of neural networks, multi‐layer perceptron (MLP), radial basis function (RBF) neural network and wavenets have been selected as the three best candidates for performing traffic flow prediction. Moreover, back‐propagation (BP) has been adapted as the most efficient learning scheme in all the cases. It is shown that the coefficients produced by temporal signals improve the performance of the BP learning (BPL) algorithm. Temporal signals provide researchers with a new model of temporal difference BP learning algorithm (TDBPL). The capability and performance of TDBPL algorithm are examined by means of simulation in order to prove that the wavelet theory, with its multi‐resolution ability in comparison to RBF neural networks, is a suitable algorithm in traffic flow forecasting. It is also concluded that despite MLP applications, RBF neural networks do not provide negative forecasts. In addition, the local minimum problems are inevitable in MLP algorithms, while RBF neural networks and wavenet networks do not encounter them.     

A multi-resolution wavelet neural network approach for fouling resistance forecasting of a plate heat exchanger

A new framework regarding wavelet neural network, termed a multi-resolution wavelet neural network (MRWNN), is composed based on the theory of multi-resolution wavelet analysis and orthogonal multi-scale spaces. The hidden layer of the network is divided into two parts, neurons with the Meyer scaling activation function and the Meyer wavelet activation function which is orthogonal to the scaling function. Neurons with the scaling function approximate the contour of the aimed function for its lentitude, and neurons with the wavelet function approximate the details of the aimed function for its sensitive trend. Hidden neurons are mapped to different resolution spaces by redefining the network frame depending on the multi-resolution wavelet analysis theory. By incorporating the Gradient Descent Algorithm, the network can be optimized with less interaction within hidden neurons, and thus, it will acquire a further error convergence state when all the correspondent parameters are adjusted in different resolution spaces. When applied to fouling forecasting of a plate heat exchanger, the MRWNN achieved better performance than other neural networks (NNs) when applied to simulations, proving that the MRWNN is effective in nonlinear function approximations.     

区间小波神经网络(I)——理论与实现

本文提出了前馈神经网络学习的一种新理论——区间小波神经网络,不同于以往工作的是本工作的主要特点有:(1) 采用区间小波空间作为神经网络的学习基底空间,克服了以往神经网络基空间与被学习信号所属空间不匹配问题;(2) 由于采用区间小波理论,克服了原来被学习信号为适应神经网基空间而延拓所带来的不光滑性,使神经元数目得以节约,这在高维学习情形效果极为显著;(3) 神经单元所用活性函数不再为同一个函数.     

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。     

小波神经网络模型的确定性预测及应用

针对神经网络模型预测结果的随机性,构建了一种紧致性小波神经网络工具箱。该方法将小波函数移植到BP网络隐层,并采用一种随机确定状态命令获得确定的预测结果。与编程实现的小波神经网络和BP网络比较,该方法适合于大批量数据训练,对数据样本的适应能力和鲁棒性强,尤其对高频随机时间序列有更好的适应能力,具有预测结果确定及实用性强等特点,可显著提高模型的训练速度、预测精度和预测效率。基于小波包变换和小波神经网络的瓦斯涌出量预测实验证明了所提方法的有效性。     

区间小波神经网络(I)-理论与实现

本文提出了前馈神经网络学习的一种新理论棗区间小波神经网络,不同于以往工作的是本工作的主要特点有:(1) 采用区间小波空间作为神经网络的学习基底空间,克服了以往神经网络基空间与被学习信号所属空间不匹配问题;(2) 由于采用区间小波理论,克服了原来被学习信号为适应神经网基空间而延拓所带来的不光滑性,使神经元数目得以节约,这在高维学习情形效果极为显著;(3) 神经单元所用活性函数不再为同一个函数.     

基于小波变换的多特征融合sEMG模式识别

针对单一特征值表征能力差的情况,根据小波变换的多分辨分析思想,采用基于多种母小波的多特征融合的特征提取方法对表面肌电信号进行特征提取。本实验对十名测试人员进行肌电信号的采集,对日常生活中的四个基本下肢动作进行测试。首先,分别基于DB、Dmey和Bior三种不同的母小波,采用离散小波变换通过不同的分析方法对表面肌电信号进行多尺度分解。然后,通过分析发现,不同肌肉在不同特征提取方式下表征效果存在差异,为了结合不同特征方式的特点对基于不同小波基的特征值进行融合分析并比较。最后,将特征值分别输入到Elman神经网络和BP神经网络进行模式识别并比较分析。实验结果表明：通过对不同特征值进行识别比较,融合处理的特征值可以达到98.7%的识别率,并且,BP神经网络相较于Elman神经网络识别效果更好。     

小波神经网络的遥感图象分类

将小波和神经网络结合起来,提出一种自适应小波函数的神经网络。这种小波函数网络经过训练后,可应用于遥感图象的分类,其分类效果优于最大似然法。     

基于小波域的深度残差网络图像超分辨率算法

单幅图像超分辨率（SISR）是指从一张低分辨率图像重建高分辨率图像.传统的神经网络方法通常在图像的空间域进行超分辨率重构，但这些方法常在重构过程中忽略重要的细节.鉴于小波变换能够将图像内容的"粗略"和"细节"特征进行分离，提出一种基于小波域的深度残差网络（DRWSR）.不同于其他传统的卷积神经网络直接推导高分辨率图像（HR），该方法采用多阶段学习策略，首先推理出高分辨率图像对应的小波系数，然后重建超分辨率图像（SR）.为了获取更多的信息，该方法采用一种残差嵌套残差的灵活可扩展的深度神经网络.此外，提出的神经网络模型采用结合图像空域与小波域的损失函数进行优化求解.所提出的方法在Set5、Set14、BSD100、Urban100等数据集上进行实验，实验结果表明，该方法的视觉效果和峰值信噪比（PSNR）均优于相关的图像超分辨率方法.