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。     

一种用于非线性函数逼近的小波神经网络

提出一种用于非线性函数逼近的小波神经网络，给出了网络的参数训练方法。从信息熵的概念出发，改进了网络参数训练的目标函数，并利用引入动量项的最速下降法训练网络权值、尺度因子和平移因子。仿真实验表明，该小波神经网络用于非线性函数逼近时优于同等规模的BP网络，且其训练方法亦具有收敛速度快、逼近精度高等优点。     

基于模糊RBF神经网络的函数逼近

提出了一种模糊RBF网络,将模糊逻辑的知识表达以及推理能力和RBF网络的快速学习和泛化能力结合起来,网络结构参数可按实际问题调整,仿真表明网络具有较快的学习速度和较高的函数逼近精度。     

单体模糊神经网络的函数逼近能力

研究了单体模糊神经网络的函数逼近能力,由于在ＭＦＮＮｓ中神经元的基本运算由原来的积－和运算改为求极小－极大运算,网络的函数逼近性质发生了很大的改变。给出了单调传递函数的ＭＦＮＮｓ按序单调特性,连续映射定理以及非函数一致逼近定理,从而说明ＭＦＮＮｓ虽然能够保持连续映射,但不如原神经网络具有函数逼近能力。     

非线性函数逼近小波神经网络的优化及仿真

提出一种用于非线性函数逼近的小波神经网络的训练算法。分析了网络的拓扑结构,给出了网络的参数估计方法,即混合递阶遗传算法,该算法是递阶遗传算法和多元线性回归的结合,仿真研究表明该方法逼近精度高,为非线性系统建模提供了一种新方法。     

小波神经网络逼近能力及Thau 定理推广

首先提出神经元数目有限的小波神经网络对一大类Ｌｉｐｓｃｈｉｔｚ函数的逼近能力定理;然后对Ｔｈａｕ定理进行推广,得到几个实用性较强的推广定理;最后通过构造一种基于推广Ｔｈａｕ定理的小波神经网络非线性观测器,展示出该逼近定理的应用前景。     

正则模糊神经网络是模糊值函数的泛逼近器

通过分析多元模糊值Bernstein多项式的近似特性，证明了4层前向正则模糊神经网络（FNN）的逼近性能，该类网络构成了模糊值函数的一类泛逼近器，即在欧氏空间的任何紧集上，任意连续模糊值函数能被这类FNN逼近到任意精度，最后通过实例给出了实现这种近似的具体步骤。     

基于小波神经网络的HRTFs逼近与声频仿真

头部相关传递函数是指从声源到耳鼓的谱滤波器,它因提取了声源的方位信息,所以在声频仿真中,它是非常重要的立体听觉定位曲线。由于ＨＲＴＦｓ随声源的相对位置、频和听觉对象不同而变化,并与其自变量之间还存在着非常复杂的非线性关系,所以三维声音仿真的实现需要处理庞大的ＨＲＴＦｓ的数据。     

基于小波网络的信号识别算法

为提高小波网络运行速度,缩短小波网络的训练及运行时间,提出一种基于提升小波变换和神经网络算法的改进小波网络——提升小波网络.首先将带有明显特征的信号作为网络输入,经过权值处理输入到隐层节点进行提升小波变换处理,提取信号的低频系数作为隐层节点的输出,再经过权值化处理输入到输出层节点进行0-1输出,进而达到对信号的特征识别...     

一种新型模糊神经网络函数逼近器

论文提出了一种新型模糊小脑模型神经网络(NFCMAC),它采用模糊隶属度函数作为接收域函数,能够获得较常规CMAC连续性强且有解析微分的复杂函数近似,具有计算量少,学习效率高等优点。同时研究了NFCMAC接受域函数的映射方法、隶属度函数及其参数的选取规律和学习算法。仿真结果表明NFCMAC具有良好的泛化能力和逼近精度,具有较高的收敛速度。     

基于模糊小波神经网络的主机入侵预测

综合利用模糊技术、神经网络与小波技术,提出一种主机入侵预测模型FWNN-IP。将系统调用按危险度进行分类,并为高危险度的系统调用赋予较高的值,利用模糊化后的系统调用短序列分析程序(进程)的踪迹,达到入侵预测的目的。实验结果表明,FWNN-IP模型能够及时预测程序(进程)中的异常,采取更加积极主动的预防措施抵制入侵行为。     

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。     

基于模糊小波神经网络的提升机恒减速制动系统的研究

针对提升机恒减速制动系统采用常规PID控制方式、模糊控制方式存在控制效果差的问题,提出了一种基于模糊小波神经网络的提升机恒减速制动系统的设计方案。该系统采用小波基函数作为模糊隶属函数,利用神经网络的自学习能力和小波基良好的局部特性来增强模糊控制的自适应能力,并采用遗传算法对小波基函数的平移、伸缩因子以及控制器的连接权值进行训练,使网络参数达到全局最优。Matlab仿真结果表明,该系统具有良好的动态特性和较高的控制精度。     

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.     

基于时频空间的非模型组合导航滤波方法

针对传统的组合导航方法存在建立模型困难和数据维度大等问题,提出了一种利用小波神经网络,直接对解算后的位置速度误差信息进行非线性预测的方法,该方法充分利用小波神经网络强大的时频分析与非线性预测能力,摆脱了数学模型的桎梏,避免模型建立中引入新的误差,并采用多个并行网络对数据进行降维处理,大大降低了计算量。以卡尔曼滤波为参照进行仿真实验,结果表明,该方法能够有效提高组合导航系统的精度与实时性,为组合导航滤波提供一种新的可行路径。     

模糊小波神经网络的研究及其应用

针对小波神经网络训练时间较长且易陷入局部极小值的缺点,文章提出了将小波神经网络融合模糊算法的方法,并建立了模糊小波神经网络模型及其训练算法,给出了该模型在变频调速系统故障预测中的应用实例。应用结果表明,模糊小波神经网络提高了网络训练速度,达到了优良的函数逼近效果。     

基于参数调整的动态模糊神经网络算法

模糊逻辑与神经网络结合形成的模糊神经网络同时具有易于表达人类知识、存储与学习分布信息的优点,基于此,提出一种基于参数调整的动态模糊神经网络算法。采用扩展卡尔曼滤波器法将全局算法划分为线性和非线性部分,线性参数由最小二乘法和滤波器法决定,非线性参数由训练样本和启发式法直接决定,线性和非线性参数可进行实时更新。仿真结果表明,该算法能保证更简洁的结构和更短的学习时间。     

基于WTFMC算法的递归模糊神经网络结构设计

针对递归模糊神经网络(Recurrent fuzzy neural network, RFNN)的递归量难以自适应的问题, 提出一种基于小波变换–模糊马尔科夫链(Wavelet transform fuzzy Markov chain, WTFMC)算法的RFNN模型.首先, 在时间维度上记录隐含层神经元的模糊隶属度, 并采用小波变换将该时间序列进行分解, 通过模糊马尔科夫链对子序列的未来时段进行预测, 之后将各预测量合并后代入递归函数中得到具有自适应性的递归量.其次, 利用梯度下降算法更新RFNN的参数来保证神经网络的精度.最后, 通过非线性系统建模中几个基准问题和实际污水处理中关键水质参数的预测实验, 证明了该神经网络模型的可行性和有效性.