基于小波神经网络的电力系统短期负荷预测模型研究

实现了BP神经网络电力负荷预测模型和小波神经网络电力负荷预测模型.通过对两种神经网络的算法进行理论分析以及两种模型的预测结果比较发现,小波神经网络在神经网络节点数目相同的情况下,小波神经网络比BP神经网络具有更高的预测精度.小波神经网络是一种建立在小波理论基础上的一种新型前馈神经网络,具有许多优良特性.文中所指的小波神经网络的优点,例如所需网络节点少和预测精度高,已经在电力负荷预测中得到验证.表明小波神经网络模型预测精度高,自适应性好,收敛速度也明显快.     

高精度自适应小波神经网络人工智能方法探索

针对当前人工智能方法存在的训练精度瓶颈问题和智能系统对高精度人工智能方法的迫切需求问题,结合小波分析和BP(back propagation)、RBF(radial basis function)神经网络的优点,提出了自适应小波神经网络(adaptive wavelet neural network,AWNN)方法,将其应用于智能视频分析系统和智能控制系统,并验证了AWNN方法可以取得更好的收敛性、准确性、精度等。通过对AWNN方法与经典的神经网络进行理论分析,并与计算机仿真进行对比分析,验证了该方法可以提升经典神经网络的速度和精度;进而通过将AWNN方法植入真实的视频分析系统进行实验,验证了AWNN方法与现有的视频分析技术相比具有更准确的内容分类能力;最终将AWNN方法与经典控制方法相结合,通过与两种现有的神经网络控制方法进行对比分析,验证了AWNN控制方法具有更好的控制性能。     

无线信号自动识别算法的仿真实现

首先对比Hilbert变换构建的解析信号进行时频分析的方法,探讨了基于决策理论的模拟调制方式识别方法。然后在分析该方法缺陷的基础上,提出了基于神经网络的识别方法。神经网络(NN)在进行信号识别时,主要是依据谱峰位置的不同,小波变换在这里则相当于一个数学显微镜,反映信号类别与谱峰位置间的必然联系。利用小波变换并结合简单的三层BP神经网络,即可提取更加精确的待识别信号的时频特征。     

一种广义小波神经网络的结构及其优化方法

从理论上分析了小波神经网络节点过多及鲁棒性差的原因,基于主成份分析 (PCA)的思想提出了一种规模小、抗干扰性强的广义小波神经网络(EWNN)及其优化方法.仿真结果表明,用该方法设计的广义小波神经网络,其非线性逼近能力及稳定性都明显优于普通小波神经网络.     

基于神经网络和小波分析的血细胞识别算法

结合小波变换时频局部化特性和神经网络的优势,提出了一种基于神经网络和小波分析的血细胞识别算法.首先对血细胞信号进行小波分解,然后利用小波分解系数重构信号的能量,结合时域特征参数构造特征向量作为神经网络的输入,最后建立神经网络模型进行训练.通过实验分析了不同条件下的信号识别情况,并与传统的识别算法作了比较,结果表明算法具有较强的血细胞识别能力,与传统的识别算法相比,识别准确度更高.     

基于混沌粒子群优化小波神经网络的短时交通流预测

根据交通流量的非线性、时变性和复杂性等特点,提出基于混沌粒子群CPSO(Chaos Particle Swarm Optimization)优化小波神经网络WNN(Wavelet Neural Networks)的短时交通流预测。结合混沌的随机性和遍历性改进粒子群优化算法,改善粒子群优化算法容易陷入局部最优的问题。利用混沌粒子群算法优化小波神经网络的模型参数,克服传统小波神经网络采用梯度下降法易陷入局部极值和引起振荡效应现象缺陷。仿真结果表明,混沌粒子群优化小波神经网络与粒子群优化小波神经网络和小波神经网络两种方法相比,其提高了收敛速度和预测精度。     

基于改进遗传算法的小波神经网络控制器的研究

小波神经网络是一种引入小波分析理论的前馈型神经网络,其与遗传算法的结合可以得到一种拥有良好全局优化搜索和良好局部时频特性的学习训练途径。本文提出了一种基于改进遗传算法的小波神经网络控制器,此方法可以克服基本遗传算法收敛速度慢,容易陷入＂早熟＂收敛,计算稳定性不好等一系列问题,进一步提高了小波神经网络控制器的性能。最后通过二级倒立摆仿真和实物控制,证明了控制器的有效性。     

基于小波神经网络的开关电源的故障诊断

以非线性小波Morlet基作为激励函数,形成神经元,结合小波变换与神经网络各自的优点,建立集小波分析与神经网络于一体的紧致型小波神经网络;采用能量分布特征提取方法和改进的BP算法,设计了一种基于小波神经网络的故障诊断系统,并应用于开关电源故障诊断中;对实例电路仿真结果表明,该方法能正确识别各种故障状态,准确率高,系统诊断结果与实际相符,验证了该小波神经网络故障诊断系统的有效性。     

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.     

基于小波神经网络的智能复合材料损伤定位的仿真研究

信号处理与识别是智能材料结构研究的关键技术之一.笔者采用神经网络、小波变换并结合神经网络两种仿真方法,对复合材料损伤定位进行了定量化对比分析研究.结果表明,通过采用小波变换对信号进行预处理,可明显提高损伤位置的识别率.     

基于小波混沌神经网络的图像复原算法

提出了一种将小波理论和混沌理论应用于改进的连续Hopfield神经网络的图像复原算法.文章在Hopfield神经网络应用于图像复原基础上,引入小波理论和混沌理论对Hopfield网络进行训练和调整,给出具体的小波混沌神经网络算法方案设计,并将改进后的算法应用于图像复原仿真.实验结果证明该小波混沌神经网络的图像复原方法得到的复原图像信噪比更高,可视效果更佳.     

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.     

基于小波神经网络的医学图像分类方法

为了提高乳腺癌早期诊断的准确率,将小波理论与神经网络理论相结合提出改进的小波神经网络算法。将经过预处理的医学图像提取特征值,然后利用基于改进的小波神经网络算法的分类器对医学图像进行分类。通过实验表明此分类器具有较高的分类精度,是有效和可行的;与单独使用后向传播神经网络算法相比分类效果也得到了改善。     

基于动态粒度小波神经网络的空气质量预测

针对空气质量预测,提出了基于动态粒度小波神经网络的预测方法。为了选取合适的粒度,结合实际问题采用不断尝试的方法动态选取最优粒度,在最优粒度空间中求解问题。粒度变换后可以改变空气质量预测问题的求解空间,提高预测的精确度。实验也验证了动态选取的最优粒度作为小波神经网络的输入进行空气质量预测,可以取得更好的预测准确率。     

小波神经网络在黄金价格预测中的应用

通过对影响黄金价格变动的主要因素的研究,提出一种基于小波神经网络的黄金价格预测模型。给出了具体的网络学习算法,并结合算法对黄金价格进行预测。为验证模型有效性,进行了对比测试。分析结果表明,小波神经网络模型比传统的BP神经网络模型具有收敛速度快、预测精度高的特点。     

一种小波神经网络的混沌加密算法研究

概括了小波神经网络的主要理论,将小波神经网络和混沌系统相结合,建立了一种混沌序列的生成模型,给出基于小波神经网络的混沌加密算法,最后对算法进行计算机仿真实验.结果表明小波神经网络具有更快的收敛速度和更准确的逼近能力,而基于小波神经网络的混沌加密算法具有很高的安全性.     

基于谐波小波与神经网络的钢铁价格预测

应用谐波小波分解算法、混沌分析和神经网络理论提出了一种中国钢铁价格趋势预测的谐波小波神经网络模型。应用广义谐波小波分解算法把原始钢铁价格序列分解到不同的频带上,并在此基础上进一步分析表明,钢铁价格存在混沌特性;再经混沌分析和神经网络进行组合预测,提高了模型对多种目标函数的学习能力,有效改进了预测精度。实验表明,与现有方法相比,该方法具有较高的预测精度。     

小波网络在控制系统中的应用

小波分析是80年代中期发展起来的一门新兴的 数学理论和方法,小波网络是在小波分析研究获得突破的基础上提出的一种前馈型网络．本 文对小波网络的结构形式、学习算法以及在控制方面的主要应用进行了综述,并将小波网络 与常规的前馈神经网络作了比较,最后对小波网络在控制系统中的应用提出了几点展望．     

小波网络和RBF网络的抗噪语音识别

针对目前在噪音环境下语音识别系统性能较差的问题,利用小波神经网络融合了小波变换良好的时频局域化性质和RBF神经网络具有最佳分类能力和辨识能力等特性。构建了一个用小波基替代RBF网络中激活函数的小波-RBF神经网络结构,并采用全监督训练算法,实现了基于小波-RBF网络的抗噪语音识别系统。实验结果表明该系统比RBF网络具有更好的识别效果,尤其在噪声环境下,具有更强的鲁棒性。     

基于小波包神经网络的传感器故障诊断方法

讨论了小波包神经网络在传感器故障诊断中的应用问题.文中提出了将小波包分解提取各个节点特征能量与RBF神经网络进行模式分类的传感器故障诊断方法.通过三层小波包分解得到各个节点的分解系数,通过一定的削减算法使得故障的瞬态信号的特征得到加强,再根据重构的时域信号计算各个节点对应的能量,作为特征向量训练RBF神经网络.通过各种故障模式特征数据的训练,RBF网络具有了传感器故障诊断的功能.最后,通过工业锅炉流量传感器数据对训练之后的RBF神经网络进行检验,验证了这种方法的实用性和有效性.