基于LSFD算法的小波模糊神经网络的研究与应用

利用小波变换的多分辨率特性构造小波模糊神经网络模型,并应用在非线性系统的辨识上.在参数学习上,给出了模糊微分与李亚普诺夫稳定相结合的新算法—LSFD算法,并与梯度下降法进行了对比.通过仿真,结果表明小波模糊神经网络模型与模糊神经网络、模糊小波神经网络、小波神经网络和神经网络等模型相比,其性能指标最小,收敛速度更快,更加准确.     

基于蚁群学习算法的模糊小波神经网络控制

通过对模糊小波神经网络控制器的研究,发现小波基函数的平移、伸缩因子和网络边的权值难以确定。于是提出采用蚁群算法对小波神经网络控制器中的各参数进行学习训练。仿真试验表明经过蚁群算法训练出来的参数正确率较高,训练时间较短,且所得到的模糊小波神经网络控制器具有较强的范化能力和自适应功能。     

小波模糊神经网络在非线性函数逼近中的应用

将前馈神经网络与T-S模糊模型相融合构造了一种模糊神经网络,进一步利用小波变换的压缩特性与模糊神经网络相结合构造出一种小波模糊神经网络模型,并应用在非线性函数逼近上。通过仿真,结果表明小波模糊神经网络是最优的。     

基于改进小波神经网络的信息安全风险评估

由于信息安全风险评估具有非线性、不确定性等特点,采用传统的数学模型进行信息安全的风险评估存在一定的局限性。将人工神经网络(ANN)理论、小波分析及粒子群优化算法有机结合,提出了粒子群-小波神经网络(PWNN)的信息安全风险评估方法。首先,采用模糊评价法对信息安全的风险因素的指标进行量化,对神经网络的输入进行模糊预处理;其次,采用粒子群优化算法对小波神经网络进行训练。仿真结果表明,提出的改进的小波神经网络模型可实现对信息系统的风险因素级别的量化评估,克服现有的评估方法所存在的主观随意性大、结论模糊等缺陷,具有更强的学习能力、更快的收敛速度。     

小波神经网络在滚动轴承故障诊断中的应用

结合小波变换和神经网络的优势给出小波神经网络的结构模型,研究了小波神经网络的学习算法;针对传统算法收敛速度慢等问题,从学习率和引入动量项两个方面对算法进行改进。应用小波网络对滚动轴承的典型故障进行实例诊断。以7216圆锥轴承在实验台上所测取的数据进行网络训练。用振动信号为网络输入向量,给出训练结果。仿真实例表明,采用小波神经网络能够很好地对故障进行分类,其收敛速度明显要快于相同条件BP神经网络,有效地实现了滚动轴承的故障诊断。     

基于混合粒子群算法的小波神经网络故障诊断

针对复杂的飞控系统传感器故障类型,建立了故障诊断模型,提取了各种故障数据.构建3层小波神经网络,并提出一种改进粒子群算法--混合粒子群算法对小波神经网络进行训练,该算法使用离散粒子群算法优化小波神经网络连接结构,同时使用基本粒子群优化算法优化小波神经网络权值.将这种改进的小波神经网络算法应用于飞控系统传感器故障诊断中....     

基于改进的粒子群优化的小波神经网络模型的传感器动态建模

提出一种基于改进的粒子群优化算法进化小波神经网络用于传感器动态建模的新方法。介绍了小波神经网络和粒子群寻优算法的原理,并且对粒子群优化算法做了改进。利用传感器动态标定的实验数据,来训练优化小波神经网络的网络结构和模型参数,从而建立了传感器的动态模型。通过Matlab软件仿真实验表明,利用改进的粒子群优化的小波神经网络对传感器进行动态建模,能克服传统BP神经网络模型误差反向传播算法易陷入局部最小,后期训练网络精度不高的缺点,并且相比遗传算法具有较小的复杂度。     

基于改进小波神经网络的网络流量预测研究

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。针对传统小波神经网络训练算法的不足,提出了自适应量子粒子优化算法——AQPSO,用于训练小波神经网络,优化网络参数,建立基于AQPSO算法优化的小波网络预测模型。实验结果表明,该模型对网络流量的短期预测是有效可行的,并具有良好的收敛性和稳定性。     

基于小波神经网络的齿轮箱故障诊断研究

论述了小波神经网络的系统结构及算法,并根据齿轮振动信号的频域变化特征,提取特征向量作为输入,利用小波神经网络建立特征向量与故障模式之间的映射关系,建立了基于该算法的齿轮故障诊断模型。仿真结果表明：与传统的BP神经网络相比,该模型显著缩短了训练时间。该小波神经网络进行机械故障诊断是有效的。     

二进离散小波神经网络在传感器逆向建模中的应用

给出了快速收敛的离散二进小波神经网络的初始化,构造和权值确定的详细方法。并将这类小波神经网络应用于传感器的非线性校正,并给出了仿真实验结果。相对使用随机贪心算法训练的神经网络,快速收敛小波神经网络利用离散二进小波变换的便利,采用启发式的构造算法;具有构造过程复杂度低,构造完成后高度接近目标模型,训练次数少,并可有效避免陷入局部极小点的优点。有效解决了小波神经网络尺度和平移系数在训练时需对小波函数进行求导而影响网络收敛速度的问题。     

Fuzzy wavelet neural network based on fuzzy clustering and gradient techniques for time series prediction

This paper presents the development of fuzzy wavelet neural network system for time series prediction that combines the advantages of fuzzy systems and wavelet neural network. The structure of fuzzy wavelet neural network (FWNN) is proposed, and its learning algorithm is derived. The proposed network is constructed on the base of a set of TSK fuzzy rules that includes a wavelet function in the consequent part of each rule. A fuzzy c-means clustering algorithm is implemented to generate the rules, that is the structure of FWNN prediction model, automatically, and the gradient-learning algorithm is used for parameter identification. The use of fuzzy c-means clustering algorithm with the gradient algorithm allows to improve convergence of learning algorithm. FWNN is used for modeling and prediction of complex time series and prediction of foreign-exchange rates. Exchange rates are dynamic process that changes every day and have high-order nonlinearity. The statistical data for the last 2 years are used for the development of FWNN prediction model. Effectiveness of the proposed system is evaluated with the results obtained from the simulation of FWNN-based systems and with the comparative simulation results of previous related models.     

遗传算法优化小波神经网络的网络流量预测

为了提高网络流量的预测精度,克服小波神经网络收敛速度慢、易陷入局部最优的缺点,提出一种遗传算法优化小波神经网络的网络流量预测模型.首先计算延迟时间和嵌入维数,构建小波神经网络的学习样本,然后采用小波神经网络对网络流训练集进行学习,并采用改进遗传算法对小波神经网络参数进行全局寻优,提高收敛速度和网络学习精度,最后采用网络流量数据对模型性能进行仿真分析.结果表明,相对于对比模型,本文模型的平均误差大幅度降低,训练次数急剧减,减小了二次优化训练的次数,具有更大的实际应用价值.     

Fuzzy wavelet networks for function learning

Inspired by the theory of multiresolution analysis (MRA) of wavelet transforms and fuzzy concepts, a fuzzy wavelet network (FWN) is proposed for approximating arbitrary nonlinear functions. The FWN consists of a set of fuzzy rules. Each rule corresponding to a sub-wavelet neural network (WNN) consists of single-scaling wavelets. Through efficient bases selection, the dimension of the approximated function does not cause the bottleneck for constructing FWN. Especially, by learning the translation parameters of the wavelets and adjusting the shape of membership functions, the model accuracy and the generalization capability of the FWN can be remarkably improved. Furthermore, an algorithm for constructing and training the fuzzy wavelet networks is proposed. Simulation examples are also given to illustrate the effectiveness of the method     

一种基于模糊神经网络的模拟电路故障诊断方法

提出了一种采用小波分析与遗传算法相结合的模糊神经网络对模拟电路进行故障诊断的新方法。该方法采用基于小波分析的主成分分析方法对网络的训练样本进行预处理,提取优化向量后利用遗传算法对模糊神经网络进行训练。对两个模拟电路的诊断实例表明该方法故障覆盖率高,并能有效诊断出同类方法误诊的故障类型。     

基于模糊递归小波神经网络的葡萄酒品质预测

针对葡萄酒品质预测模型难以建立的问题,提出一种基于模糊递归小波神经网络的葡萄酒品质预测模型。利用葡萄酒物理化学指标和品酒师打分作为模型的输入输出,采用梯度下降算法在线学习隶属函数层中心、宽度和小波函数平移因子、伸缩因子、自反馈权重因子以及输出层权值。仿真实验时,首先利用Mackey-Glass混沌时间序列进行了性能测试,然后利用UCI数据集葡萄酒品质数据对所建立的品质预测模型进行了验证。结果显示,与多层感知器、径向基函数神经网络等传统前馈神经网络相比,构建的模糊递归小波神经网络品质预测模型具有更高的预测精度,更加适合于葡萄酒的品质预测。     

基于机器学习的能力评价与匹配研究

目前,高校学生就业形势严峻,针对企业看重的能力对学生做出评价,有助于企业选拔人才,同时也能提高学生的竞争力。采用层次分析法和模糊评价相结合的方式对高校学生的综合能力进行评价。为了解决模糊系统无法自动调整隶属函数参数的问题,有效结合模糊理论和神经网络架构的优点,提出了引入神经网络的综合评价改进算法;并设计具有时频局域化特性的小波神经网络,能够更好地模拟非线性函数,用于预测学生适合的职位。分析实验结果表明,基于改进模糊神经网络算法的能力评价模型与小波网络职位匹配模型,能够提升系统精度与自适应能力,评价结果客观,对学生的能力评价及就业选择具有指导意义。     

Prediction and identification using wavelet-based recurrent fuzzy neural networks

This paper presents a wavelet-based recurrent fuzzy neural network (WRFNN) for prediction and identification of nonlinear dynamic systems. The proposed WRFNN model combines the traditional Takagi-Sugeno-Kang (TSK) fuzzy model and the wavelet neural networks (WNN). This paper adopts the nonorthogonal and compactly supported functions as wavelet neural network bases. Temporal relations embedded in the network are caused by adding some feedback connections representing the memory units into the second layer of the feedforward wavelet-based fuzzy neural networks (WFNN). An online learning algorithm, which consists of structure learning and parameter learning, is also presented. The structure learning depends on the degree measure to obtain the number of fuzzy rules and wavelet functions. Meanwhile, the parameter learning is based on the gradient descent method for adjusting the shape of the membership function and the connection weights of WNN. Finally, computer simulations have demonstrated that the proposed WRFNN model requires fewer adjustable parameters and obtains a smaller rms error than other methods.     

基于小波模糊神经网络的实时交通流预测

实时交通流预测是智能运输系统研究的重要内容之一.本文将小波分析的相关知识与模糊神经网络相结合,给出了基于小波模糊神经网络的交通流预测模型,采用小波函数作为模糊隶属度函数,用神经网络来实现模糊推理,完成对下一个周期性交通流的估计.同时,用遗传算法来优化整个网络,实测数据验证这种方法预测精度高,收敛过程平稳,适应性强.     

一种基于改进T-S模糊推理的模糊神经网络学习算法

针对模糊神经网络学习算法计算量过大,在预测模型设计中提出了基于改进T-S模糊推理的模糊神经网络学习算法。主要工作如下:首先,改进T-S模糊推理方法,定义基于偏移率的T-s模糊推理方法;然后,通过将此模糊推理方法与基于合成规则的模糊推理方法及距离型模糊推理方法相比较可以看出,所提方法有较少的计算量,且比较有效;最后,在此基础上改善了模糊神经网络学习算法,并将其应用于天气预测与安全态势预测。测试结果表明,该方法明显改善了学习效率,减少了预测模型设计中的学习次数与时间复杂度,并降低了学习误差。     

模糊神经网络技术的新近发展

本文从模糊系统与神经网络作为自适应模型无关估计器时智能特性的研究，模糊控制器的神经网络实现技术，改善神经网络学习性能的模糊控制技术，面向对象的模糊神经网络开发平台的研究等方面介绍了模糊神经网络技术的研究现状，并针对目前的模糊逻辑，神经网络，子波变换，遗传算法等的集成化技术进行了探讨，并融入了作者关于定性与定量知识有机集成的柔性核理论的基本思想。