基于小波网络的大坝变形监测模型与预报

针对误差反向传递(BP)网络模型收敛速度慢和易陷入局部最小的不足，提出将小波网络用于大坝变形监测的拟合和预报，综合了神经网络与小波分解在函数逼近上的优点。算例证明：小波网络模型的预测值与实测值拟合比BP网络模型的精度有较大提高。     

小波网络的研究进展与应用

首先从小波分析和神经网络各自存在的问题出发，对小波网络的产生原 因和产生形式进行了研究；接着分别从连续小波变换、正交小波变换、小波框架和小波基拟 合几方面，详细地介绍了小波网络的构造理论；然后从小波函数的选择、网络参数初始化、 隐层节点数确定和参数调节算法几方面对小波网络的学习过程进行了讨论；最后介绍了小波 网络的应用，并提出了当前存在的问题和今后的研究方向。     

嘉陵江流域北碚站年输沙量的变化规律及预测研究

首先利用小波变换对北碚站年输沙量的变化规律进行了研究,结果表明:年输沙量呈现出明显的减少趋势;其次,将小波变换结合BP神经网络建立小波网络模型,并利用该模型对北碚站的年输沙量进行预测,同时将预测结果与BP神经网络模型的预测结果进行了比较。认为在缺乏其它相关资料的情况下,单从输沙量和径流量资料出发,小波网络模型的预测效果明显优于BP神经网络模型。由此表明,小波网络模型不仅能对年输沙量的趋势进行预测,还能对年输沙量的大小进行较为准确的预测,从而为在资料较少的情况下进行输沙量的定量分析提供了一种新的方法。     

小波网络模型在隔河岩水库径流预测中的应用

基于小波分析与人工神经网络提出一种小波网络模型,模型吸取了小波分析的多分辨功能和人工神经网络的非线性逼近能力,预测精度较好。在清江隔河岩水库年、月径流中长期预测中,得到满意的结果。     

小波网络模型在年径流预测中的应用

结合人工神经网络（ANN）的较强非线性逼近功能和自学习、自适应特点。充分发挥两者优势，将小波分析与人工神经网络进行耦合（即小波网络模型）。将非线性时间序列实行小波变换．再以小波变换序列作为ANN的输入、原始时间序列作为ANN的输出，最后训练网络并进行预测。     

小波变换、神经网络和小波网络的函数逼近能力分析与比较

摘要： 基于对小波变换和神经网络之间内在联系的分析，利用神经网络不同激励函数的线性组合构造出了相应的小波函数，得出小波函数作为神经网络的激励函数与普通神经网络的激励函数在本质上是一致的结论，并引入了小波网络。通过对小波变换、神经网络和小波网络函数逼近能力的理论分析与比较，认为小波网络在函数逼近方面具有明显的优势，并且分别利用这3种方式对一典型函数进行了仿真逼近的验证。     

嘉陵江北碚站年径流量变化规律及预测研究

首先利用小波变换对北碚站年径流量变化规律进行了研究,结果表明:年径流量呈现出明显的减少趋势,并具有大约9.8a的变化周期.其次结合BP神经网络建立小波网络模型,并利用该模型对北碚站的年径流量进行预测,同时将预测结果与BP神经网络模型的预测结果进行了比较,比较结果表明:小波网络模型对径流变化的预测效果明显优于BP神经网络模型,为径流量的定量分析提供了一种新的方法.     

大坝安全性态的非线性组合监控

利用小波网络构造模型的优化组合函数，以实现对不同的大坝安全监控子模型的非线性组合。将非线性组合函数的拟合转化为小波网络参数的估计，采用遗忘因子法训练网络的权值，利用递推预报误差算法训练尺度因子和平移因子。最后，将该非线性组合模型用于对大坝安全性态的拟合和预测。实例表明，该方法具有很强的泛化能力与自适应数据和函数变化的能力，可以实现大坝安全监控多模型的优化组合，能够有效提高拟合和预测精度。     

一种新的小波网络组合预测模型

基于小波分析和人工神经网络,提出了一种新型的小波网络组合模型.该模型吸取了小波分析和人工神经网络的优点,具有最佳的函数逼近能力,能提高径流预测精度和延长预见期.以长江三峡水电站年平均流量、11月流量最大值及该月上、中、下旬流量最大值预测为例,对建议的模型进行了研究.拟合和检验结果表明小波网络组合模型是满意的,适合于水文水资源预测.     

遗传小波神经网络在大坝变形预测中的应用

针对传统的数学统计模型无法完全描述大坝变形量与多种荷载因素之间非线性映射关系的缺点,引入了一种基于遗传算法的小波神经网络模型,利用该模型对小波神经网络的初始权值、尺度因子进行全局优化搜索,克服了BP神经网络初始化的随机性以及网络易陷入局部极小值的不足,将该模型运用于大坝坝顶的径向、切向位移预测,结果表明,遗传算法优化的小波神经网络模型结构稳定性更好,预测精度较BP神经网络模型、小波神经网络模型有较大提高。     

WRBF网络模型在月径流量预测中的应用

为适应径流序列的不确定性及随机性对预测的影响,将小波变换和RBF网络相结合构造了WRBF网络模型。该模型综合了小波分析的多分辨率优势和RBF网络的非线性逼近功能。黑河流域的模拟结果表明:WRBF网络的稳定性较好,预测合格率较高。     

小波神经网络在柴河水库坝基渗流量预测中的应用

小波神经网络是基于小波变换与人工神经网络的一种前馈型神经网络.文中将小渡神经网络模型应用于柴河水库右坝段坝基渗流量的预测,利用实测资料对其模拟计算结果进行检验.通过与BP神经网络模型的预测结果比较,证明小波网络模型的收敛速度更快、预测精度更高.     

免疫小波网络在水轮发电机组故障诊断中的应用

水轮发电机组的振动原因非常复杂,难于通过理论分析的方法在故障原因和故障征兆之间建立对应关系,而小波网络在处理复杂非线性函数关系上优于其他的神经网络。为此,结合水轮发电机组的振动特点和小波网络的结构特点,建立了免疫小波神经网络模型。对小波网络结构参数进行优化时,应用免疫系统的调节原理,依据抗体的适应度和抗体浓度的大小,来确定其选择概率;并利用适应度函数动态调整交叉概率和变异概率。理论分析及实例结果表明,该模型收敛速度快,精度高并有较好的泛化能力,为水轮发电机组状态监测及故障诊断提供了一种新途径。     

基于小波变换的水文时间序列分解

运用Mallat算法和Daubechies小波，介绍了基于小波变换的水文时间序列分解方法。通过小波变换，将水文时间序列分解成不同时间尺度的确定性序列和随机序列，为建立水文时间序列中长期预报耦合模型打下了基础：以长江寸滩站日平均流量和年最大流量序列为例，进行了小波变换：通过对分解后的序列进行重构，结果是满意的。     

基于小波分析的径流分级组合预报模型

为进一步提高径流预报精度、降低预报的不确定性,利用小波分析法提取径流系列的概貌和细节成分;采用BP网络模型、RBF网络模型、SVM模型分别模拟预报,进行径流分级。根据不同级别的径流,对预报结果予以变权重组合,构建了基于小波分析的径流分级组合预报模型,并对其预报结果作了分析和总结。宜昌站中长期径流预报结果表明,组合预报模型能够较好地提高预报精度。     

基于人工免疫系统小波网络的电力市场出清价预测

市场出清价具有非线性和多时间尺度的特性,而小波网络具有多分辨和非线性逼近的功能。为此,采用人工免疫系统优化小波网络各个参数,用优化后的小波网络来描述市场出清价的变化规律并对次日市场出清价进行预测。研究结果表明,人工免疫系统小波网络预测精度较高,具有广阔的应用前景。     

基于小波分析的月径流ARIMA预测方法

将一种基于小波分析的自回归滑动平均求和（ARIMA）模型用于月径流的预测。首先利用小波变换良好的局部化特性，将月径流序列分解成不同时间尺度上的子序列；然后对各个子序列利用ARIMA模型进行预测。将采用基于小波分析的ARIMA模型的预测结果与直接使用ARIMA模型的预测结果进行比较，结果表明引入小波变换提高了月径流预报精度。     

小波分解与变换法预测地下水位动态

通过小波分解方法将地下水位动态的非平稳时间序列分解为多个细节信号序列和逼近信号序列，然后运用时间序列自回归模型及人工神经元网络模型对各信号序列分别进行模拟预测，模拟结果比单纯用自回归法或人工神经网络模型更接近实测值，说明通过小波分解方法进行地下水位动态模拟和预测是适合的；同时用小波变换方法对地下水位动态进行了宏观分析，使隐藏的规律性显现出来，揭示出地下水位动态变化中除了具有一个水文年内的周期性变化规律外，还存在2～3年间隔的波幅强弱变化，可以推断未来短期内地下水位动态发展仍将延续当前总体下降的趋势，与小波分解方法得到的预 测结果相吻合。     

基于多尺度小波变换WNN的灌区灌溉水量研究

选取Daubechies(db6)小波系对陆浑灌区1970—2013年的降水量及作物需水量时间序列进行多时间尺度水平分解,以得到的1970—2003年的小波系数为输入数据、灌溉水量为输出数据,构建多尺度小波变换的小波神经网络进行预测模拟,并利用单隐层BP、双隐层BP神经网络和小波神经网络分别进行了预测比较,结果表明:基于多尺度小波变换的小波神经网络模型的模拟精度和预测的稳定性均高于其他3种模型,4种预测模型的预测值平均相对误差排序为单隐层BP神经网络双隐层BP神经网络小波神经网络多尺度小波变换的小波神经网络。     

基于遗传算法优化的小波神经网络在中长期水文预报中的应用——以三门峡为例

造成中长期水文预报研究和预报困难的主要原因是水文现象本身的复杂性和不确定性,以及内部复杂的非线性关系,针对这些问题,本文建立了一种小波神经网络时间序列模型,并用遗传算法对小波神经网络的连接权值和伸缩变量、平移变量进行优化。使用这种模型对黄河三门峡站逐年月天然流量进行预报检验,并将检验结果与传统的小波神经网络和BP神经网络进行对比,从模型预报精度、趋势性和稳定性3个方面进行分析,分析发现,这种遗传算法优化的小波神经网络时间序列模型能够有效地克服传统的小波神经网络和BP网络容易陷入局部极小的缺陷,能够对水文现象的趋势性作出较精确的预测,具有良好的预报精度和稳定性。