一种基于小波变换和FIR神经网络的广域网网络流量预测模型

该文提出了一种基于小波变换和FIR神经网络的广域网网络流量预测模型,首先采用小波分解把网络流量数据分解成小波系数和尺度系数,即高频系数和低频系数,将这些不同频率成分的系数单支重构为高频流量分量和低频流量分量,利用FIR神经网络对这些分量分别进行预测,将合成之后的结果作为原始网络流量的预测。实验结果表明:采用该模型对实际的广域网网络流量数据进行预测,不仅可以得到较快的收敛效果,而且预测性能比现有的小波神经网络和FIR神经网络要好得多。     

基于小波回声状态网络的声源定位算法

为了解决传统声源定位算法存在定位误差大的问题,提出了一种小波回声状态网络的声源定位算法。首先建立声源定位的阵列信号处理模型,并采集声源信号数据,然后采用小波分解将声源信号分解成为高频与低频两部分,并采用回声状态网络分别对高频与低频数据进行建模,最后采用小波重构对高频与低频估计结果进行融合,并对算法性能进行仿真测试。结果表明,本文算法可以精确对声源进行定位,相对于其它声源定位算法,具有更好的适用性和可靠性。     

采用量子神经网络的音频水印新算法

提出了一种采用小波变换和量子神经网络的音频数字水印算法。首先对分帧的音频信号进行小波分解,利用量子神经网络将音频信号的小波低频系数映射为数字水印;然后利用分类准确小波低频系数替换少量分类模糊的小波低频系数,提高水印检测正确率。实验结果表明,通过合理选择替换门限,可以提高算法的鲁棒性,有效抵御噪声、低通滤波、重采样、重量化等攻击。在无门限条件下,相比BP神经网络的水印检测正确率平均提高约1%。      

非均匀采样信号小波分析误差控制方法

标准的小波分析方法中,信号的低频能量和高频能量不能人为控制,因此在利用低频分量近似原信号时,在一些陡峭变化区域会存在较大偏差。针对这一问题,本文首先分析了小波分解各子带能量与采样频率的关系,发现增加采样频率可以降低高频能量,并给出了部分证明。以此为基础,提出了非均匀采样信号小波分析误差控制方法,考虑到小波分解的高频能量和低频能量存在互补关系,算法利用高频系数作为低频表示误差的判断指标,对误差超限位置处的数据增加采样,然后对修正后的数据进行低频分解;该方法使低频能量可根据误差门限人为进行调整。重构是分解的逆过程,可完全无误的恢复原始信号。实验表明算法对小波分析低频表示误差具有很好的控制能力。      

短期电力负荷在小波包分解下的径向基神经网络预测方法

针对短期电力负荷预测问题,提出一种在小波包分解下的径向基神经网络预测方法。通过小波包分析,将电力载荷及其温度变量对称地分解为低频的近似系数和高频的细节系数。针对不同的小波系数,设计径向基神经网络作为预测器,并通过试错法确定网络合适的结构。网络的训练过程中,采用滑动窗口数据选择策略减少数据样本集,采用随机梯度法更新权值、中心位置和扩展参数。预测的小波系数用于重构出最终的电力载荷值。与前馈多层神经网络的对比数值,实验结果表明,新提出的方法具有较高的预测准确性。     

基于小波多尺度分析的网络流量组合预测方法研究

基于小波多尺度的分解和重构思想,将网络流量通过小波分解成不同尺度下的逼近信号和细节信号,然后分别单支重构成低频序列和高频序列。根据低频序列和高频序列的不同特性,分别采用自回归模型(AR)和线性最小均方误差估计(LMMSE)对未来网络流量进行预测,最后重新组合生成预测流量,通过对真实网络流量的仿真实验,结果显示该方法能比较准确地预测未来的网络流量。     

基于小波包与神经网络的海底电缆故障诊断北大核心

针对海底电缆的故障诊断问题,提出了一种基于小波包与神经网络的诊断新方法。该方法将海缆中光纤的布里渊频移转换成温度和应变数据,首先使用六层小波分解对监测信号降噪,然后对故障数据进行三层小波包分解和重构,再通过提取能量、标准差和Shannon熵等构造特征向量并输入BP(反向传播)神经网络进行训练和测试。实验分析表明,在海底电缆故障诊断中,采用标准差作为特征向量输入BP神经网络中的诊断方法性能最佳。     

高频地波雷达中断信号恢复方法研究

信号中断是造成高频地波雷达回波谱信噪比下降的主要原因之一.在传统的中断信号恢复方法-自回归(Autoregressive,AR)模型的基础上,提出了基于反向传播(Back Propagation,BP)神经网络的信号恢复方法.通过实测数据验证了两种方法的处理效果,结果表明:BP神经网络的预测误差小于AR模型的预测误差,随着预测点数的增加,误差增长率小于AR模型,同时BP神经网络恢复方法对海洋回波信号能量损失较小.     

利用改进邻域小波系数处理FBG传感信号

阈值和阈值函数的选取是小波去噪的关键.经小波分解变换后,低频部分包含大量的有用信号,而噪声分布于整个小波域内的高频部分,其中包含少数有用信号的细节信息.采用固定阈值和阈值函数处理时会造成高频部分的有用信号细节信息丢失.基于邻域小波变换将分解层数引入阈值和阈值函数中,使用动态阈值和阈值函数处理不同分解层数下的小波系数,来保留不同层数下的细节信息.仿真结果表明所提方法的信噪比和信噪比增益最大,且均方差最小,相关系数逼近于1,原始信号与重构信号相似度得到提高,改善了去噪效果.     

基于VMD的通信辐射源个体识别方法

针对通信辐射源细微个体指纹信息难以提取的问题,根据辐射源指纹产生机理,提出了将接收信号中的数据部分过滤而保留指纹噪声的研究思路,设计了基于变分模态分解的识别方法.该方法采用变分模态分解将接收信号分解为主要包含数据信息的低频分量和主要包含指纹信息的高频分量,并设计深度卷积神经网络对分解后的高频分量进行特征提取和分类识别....     

小波去噪和神经网络在电力负荷预测中的应用研究

为了降低历史负荷数据噪声对负荷预测的影响,提高电力负荷的预测精度,提出了一种基于小波去噪和BP神经网络的电力负荷预测方法。首先,对所得电力负荷数据进行了小波变换去噪处理,有效去除了噪声,然后利用BP神经网络在非线性处理中的优异特性,对小波去噪后的电力负荷进行了BP神经网络建模训练及仿真。实验结果表明:相比于其他电力负荷模型,该方法可以有效提高电力负荷的预测精度,是一种有效的电力负荷预测方法。     

小波分析和ARIMA的信息安全态势预测

针对信息安全态势变化的复杂性,为了保证信息系统的正常工作,提出小波分析和移动平均回归模型(ARIMA)的信息安全态势预测模型。首先对当前信息系统的安全状态进行分析,并采用小波分析对信息系统的原始状态信号进行变换,得到信号的低频分量和高频分量,然后分别采用ARIMA的低频分量和高频分量进行预测,并通过逆变换得到信息系统的安全状态预测值,最后采用VC++编程实现信息系统的安全态势预测实验。实验结果表明,该模型获得了较高精度的信息安全态势预测结果,预测结果具有重要价值。     

WNN在短期电力负荷预测中的应用

通过对小波神经网络和BP神经网络的结构和算法进行理论分析,并对实际电力负荷预测算例进行对比研究,结论证明小波神经网络本身适合对波动性的信号进行预测,而且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,因此采用小波神经网络有利于减少隐节点数目。     

基于提升小波变换的红外图像双重滤波算法

为了有效抑制红外图像中的随机噪声,采用一种基于提升小波变换的双重滤波算法来进行处理。该算法对含有噪声的红外图像实现第1次提升小波分解,然后对获得的低频和高频分解系数再次实现提升小波变换,舍弃由低频系数经过第2次提升小波变换后获得的低频系数以及由高频系数经过第2次提升小波变换后获得的高频系数。对剩余的高频系数和低频系数分别采用改进阈值函数模型以及改进非局部均值滤波算法进行处理,在此基础上实现小波系数重构。为了改善滤波后图像视觉效果,再引入直方图均衡化算法进行处理。通过理论分析和实验验证,获得了相关的标准测试图像和红外图像测试结果以及峰值信噪比和结构相似度测试数据。结果表明,该滤算法对于高质量地去除红外图像中的噪声是有帮助的。     

基于优化小波神经网络的宏观经济预测技术研究

一个国家或地区的未来宏观经济走势是实时变化的,且受到许多干扰因素的影响。传统的预测方法无法有效解决此类非线性系统的准确预估问题,因此提出一种基于优化小波神经网络的宏观经济预测方法。不同于现有的BP网络预测模型,采用小波神经网络模型进行宏观经济预测。此外,采用智能群体算法中的狼群算法对小波神经网络模型的权值进行优化。采用归一化后的某省份经济数据对提出的模型进行学习训练。预测结果表明,相比BP提出方法具有更高的准确性。     

光纤传感信号的模糊神经网络处理研究

为精准识别处理光纤传感振动信号、实现通信线路异常实时报警,提出了基于模糊神经网络的光纤传感信号处理方法,通过光纤传感采集异常事件振动信号,运用小波包分解对振动信号实施降噪处理,并提取到振动信号的低频与高频特征向量,对振动信号特征向量进行量化处理,将其作为输入,构建基于概率的模糊神经网络分类器,完成对光纤传感振动信号的处...     

基于VDM和小波阈值的语音降噪方法研究

针对带噪声的语音信号,提出了基于变分模态分解（VMD）和小波阈值相结合的去噪方法。首先,采用VMD对带噪声道信号进行分解,从而得到分解后的固有模态（IMFs）信号;然后,引入T检验对各IMFs分量进行低频和高频区分,对其中的高频分量用小波阈值进行噪声滤除;最后,对将低频IMFs分量和滤波后的高频IMFs分量进行重构,从而得到降噪后的具有较高信噪比的语音信号。通过实验验证,本方法与EMD和小波阈值联合算法相比,具有更好的去噪性能,具有一定的实用价值。     

基于EMD.ARXG模型的网络舆情预测研究

针对复杂的网络舆情数据,传统的模型预测已经无法对大数据背景下的舆论趋势进行有效的预测,因此,提出一种基于EMD.ARXG(经验模态分解-自回归)改进的组合模型来应对复杂的网络舆情预测,该模型弥补了单一预测算法的缺陷,提高了预测模型的准确性。以"韩国萨德"事件和"全国两会"事件作为舆情热点对其进行预测实验,引入WNN(小波神经网络)与EMD-BPNN(BP神经网络)进行舆情预测,并与EMD.ARXG模型进行实验对比,实验结果证明,EMD.ARXG模型具有较好的预估准确度。     

基于多尺度特征融合的φ-OTDR系统相似信号识别方法

为解决分布式相位敏感光时域反射计系统现有事件识别方法对于相似振动信号识别困难这一问题,提出了一种基于多尺度特征融合的相似信号识别方法。在该方法中,原始信号首先通过经验模态分解和小波包分解被分解为不同频率范围内的子信号。随后,分别提取原始信号和子信号的时频特征和近似熵特征,并利用主成分分析法对所提取的特征进行融合。最后,通过构建一个6层轻量反向传播（BP）神经网络分类器,训练分类模型并利用测试集验证模型分类度。该方法对小车经过和行走等相似信号的识别准确率可分别达到98.5%和98.0%,对于敲击和摇晃差异性大的信号的识别准确率可达100%。相比于直接从原始信号中提取特征并结合时频图的卷积神经网络方式,所提方法的综合识别准确率分别提高了8.4%与9.0%,相似信号的识别准确率分别提高了13.5%与12.4%。结果表明,该方法在保证差异性大的信号的高识别准确率的基础上,显著提高了相似信号的识别准确率,对于拓展分布式光纤传感的应用范围有重要的价值。     

基于时间序列分析的气象观测数据预测

提出一种短期预测风速变化趋势的方法,首先使用小波分析技术对风速数据进行分析,研究各频域数据变化趋势,然后使用长短时记忆网络(LSTM)对低频区域数据进行预测,使用卡尔曼滤波技术对高频区域数据进行预测,最后对各频域预测数据进行重构,实现对风速数据短期预测。采用本地机场2019年1月份10分钟风速数据进行验证,实验结果表明,该方法能够有效预测出风速变化趋势,为该风速预测提供了一种有效的方法。