基于小波神经网络的混沌时间序列分析与相空间重构

探讨了小波神经网络在混沌时间序列分析与相空间重构中的应用,通过混沌时间序列单步预测与多步预测的例子,比较了小波神经网络与MLP的逼近和收敛性能,对最近提出的一种多分辨率学习策略进行了改进,利用连续3次样条小和正交Daubechies小波代替Haar小波对时间序列做小波分解;用改进的学习算法训练网络并应用到混沌序列相空间重构中,实验结果表明,小波神经网络比MLP和ARMA模型具有更强大的逼近能力,因而十分适合应用于时间序列分析中;多分辨率学习算法可作为分析复杂混沌时间序列的一种重要工具。     

基于小波神经网络的流量混沌时间序列预测

在Takens提出的相空间重构模型基础上,应用小波变换对其进行改进,充分考虑噪声对重构结果的影响。将小波神经网络混沌时间序列预测方法引入网络流量预测中,介绍小波神经网络的基本构造和学习方法。实验表明,与RBF神经预测方法相比,小波神经网络预测方法的逼近效果更好、误差更小。     

基于相空间重构小波神经网络的短期覆冰预测

针对输电线路覆冰问题,提出一种基于相空间重构小波神经网络的短期覆冰预测模型。以云南昭通某110 kV输电线路覆冰厚度监测数据为基础,首先求取覆冰时间序列最大李雅普诺夫(Lyapunov)指数,对覆冰厚度进行非线性的动力学分析,确定序列具有混沌特性;其次由C-C法对系统进行相空间重构,找出数据变化的局部规律性;最后采用小波神经网络对相空间轨迹进行预测,并通过蚁群算法优化预测模型参数。实验表明:模型具有良好预测能力,对抗冰工作具有实际指导意义。     

一种差分进化算法优化小波神经网络及其在弱信号检测中的应用

在混沌理论和相空间重构技术的基础上,提出了一种基于小生境自适应差分进化小波神经网络(NADE-WNN)的混沌背景下弱信号检测方法。该方法采用小生境自适应差分进化算法同时优化小波神经网络的结构和参数,简化网络结构,提高网络的学习精度和收敛速度。实验结果表明,与传统的RBF神经网络和小波神经网络预测混沌时间序列的性能相比,该算法优化的小波神经网络具有更高的预测精度和收敛速度,能够较好地检测出混沌背景下的弱信号。     

基于局部投影和提升小波的混沌信号降噪

根据信号和噪声的不同特性,提出了一种基于局部投影和提升小波的混沌信号降噪方法。该方法利用提升小波变换得到实际混沌信号的近似系数,对其进行相空间重构,与实际混沌信号的重构相空间进行比较,来选取局部投影的邻域,在局部邻域内进行奇异谱分析,利用代表吸引子的主分量来重构混沌信号。通过对Lorenz模型和月太阳黑子进行仿真分析,证实了提出方法对混沌信号降噪的有效性。     

基于小波支持向量机的混沌时序预测算法

研究混沌时间序列预测问题,混沌时间序列是一种特殊时间序列,具有高度非线性、混沌性和时变性,传统预测方法精度低。为了提高混沌时间序列预测的精度,提出一种采用小波支持向量机的混沌时间序列预测算法。首先采用相空重构对混沌时间序列进行重构,捕捉时间序列变化轨迹,然后采用小波支持向量机对非线性、混沌性变化规律进行预测,最后采用Lorenz混沌时间序列进行仿真。结果表明,相对于传统预测方法,小波支持向量机提高了混沌时间序列预测精度,降低预测误差,为混沌时间序列提供了一种有效的准确预测途径。     

改进飞蛾捕焰算法在网络流量预测中的应用

传统BP神经网络对网络流量时间序列预测精度低和泛化能力弱。为此,提出一种新的优化BP神经网络的方法。通过小波包分解对网络流量进行多频段序列分解,并采用飞蛾纵横交叉混沌捕焰算法优化的神经网络,对各分解后的子序列进行预测,叠加各子序列的预测值,重构获取实际预测结果。仿真结果表明,与传统BP神经网络预测方法相比,该方法能捕获网络流量的变化规律,具有较好的预测精度、稳定性和泛化能力。     

基于QPSO-FNN的混沌时间序列预测

提出一种太阳黑子月均数混沌时序的模糊神经网络预测方法。该方法根据时间序列的延迟因子和饱和嵌入维数重构相空间,利用Lyapunov指数法判别时序系统的混沌特性,采用混合pi-sigma模糊神经推理方法拟合混沌吸引子特性。其中混合pi-sig-ma模糊神经网络以高斯基函数作为模糊子集的隶属度函数,在线动态调整隶属度函数和结论参数,并采用量子粒子群算法(QPSO)优化网络初始参数,提高预测准确度。该模型具有物理意义清晰、预测精度高以及预测结果确定等优点,仿真实验结果证明了该方法的有效性。     

小波支持向量机的网络流量预测研究

研究网络流量准确预测问题,由于网络流量存在混沌性、非线性、自相似性的特点,导致当前预测方法的网络流量预测精度差。为提高网络流量预测精度,提出了小波支持向量机的网络流量预测模型。首先根据混沌动力系统对网络流量时间序列进行相空间重构,然后采用支持向量机对其进行建模,并利用小波核函数提高支持向量机的泛化能力。进行仿真的结果表明,支持向量机方法提高了网络流量的预测精度,减少训练时间,泛化能力更优。仿真结果说明,小波支持向量机具有更强的实用价值。     

基于小波神经网络的混沌时间序列预测

本文提出了一种用小波神经网络进行混沌时间序列预测的方法,并介绍了小波神经网络的基本构造和学习算法。在此基础上,通过由Logistic方程产生的混沌时间序列对该神经网络进行模拟实验,证明了该神经网络具有较好的预测效果。     

小波图象去噪综述

小波图象去噪已经成为目前图象去噪的主要方法之一。在对目前小波去噪文献进行理解和综合的基础上，首先通过对小波去噪问题的描述，揭示了小波去噪的数学背景和滤波特性；接着分别阐述了目前常用的3类小波去噪方法，并从小波去噪中常用的小波系数模型、各种小波变换的使用、小波去噪和图象压缩之间的联系，不同噪声场合下的小波去噪等几个方面，对小波图象去噪进行了综述，最后，基于对小波去噪问题的理解，提出了对小波去噪方法的一些展望。     

基于快速G小波变换的图像压缩及放大

本文采用离散小波变换的方法，利用Ｇ小波变换对ＴＩＦＦ格式的灰度进行了压缩及放大。利用Ｇ小波基函数的性质，提出了快速Ｇ小波变换的实现方案，使得Ｇ小波变换的速度得到了显著的提高，另外，对Ｇ小波变换进行了一些改进，使图象可以按任意比例进行压缩及放大；在小波变换后以按地数据进行了量化处理，提高了图象的保真度。     

基于小波的自适应快速图像降噪算法

本文提出了一种基于小波变换的、自适应阈值确定算法。较之著名的SureShdnk算法,它降低了算法复杂度,提高了降噪效果,更快更好地实现了图像降噪。实验结果表明,在大多数场合,本算法的降噪效果优于SureShdnk,同时,算法时间复杂度有了很大的降低。     

小波分析软件及电子资料

小不皮分析在自动化领域的应用日益广泛,针对其应用开发的软件也日趋增多,为了了解国内外小波分析软件的开发现状,充分利用已有的工作,减少软件开发过程中的重复劳动,促进小波分析在自动化领域的应用,文中介绍了国内外已有的小小以分析软件,包括我们开发的基于小波变换的控制系统分析与设计的软件平台WaveLab。同时为了增进小波分析研究领域的交流合作,指出了国内外关于小分析的著名电子资源。     

EZW编码中一种改进的小波零树系数分类算法设计

本文提出了图像EZW编码中一种新的分类算法，它采用从细层到粗层的扫描顺序进行分类，克服了由粗到细的分类过程中来回扫描零数结构的不足，能够减少编码中的扫描工作量，有利于提高编码速度。     

基于Haar小波的图像变换方法的研究

系统地介绍了基于快速滤波器组卷积算法的第一代小波和基于提升方案的第二代小波。通过对图像先行后列分离,结合惰性滤波器进行奇偶分割,由欧几里得算法求出预测算子和更新算子,实现了由此提升方案构造的Haar小波1级图像分解。实验结果表明提升方案构造的Haar小波实现起来相当容易,简化了很多复杂的计算过程,其本身的诸多特点更便于在实际中应用,且在变换后的效果上,与第一代基本无差异。     

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。     

Artificial wavelet neuro-fuzzy model based on parallel wavelet network and neural network

From the well-known advantages and valuable features of wavelets when used in neural network, two type of networks (i.e., SWNN and MWNN) have been proposed. These networks are single hidden layer network. Each neuron in the hidden layer is comprised of wavelet and sigmoidal activation functions. First model is derived from adding the outputs of wavelet and sigmoidal activation functions, while in the second model outputs of wavelet and sigmoidal activation function are multiplied together. Using these proposed networks in consequent part of the neuro-fuzzy model, which result summation wavelet neuro-fuzzy and multiplication wavelet neuro-fuzzy models, are also proposed. Different types of wavelet function are tested with proposed networks and fuzzy models on four different types of examples. Convergence of the learning process is also guaranteed by performing stability analysis using Lyapunov function.     

小波分析神经网络技术在故障诊断中的应用

本文对小波分析、神经网络及小波分析与神经网络相结合的小波网络在故障诊断中的应用进行了介绍,并指出了这一领域有待进一步研究的问题和发展趋势。     

小波基和噪声对信号奇异性检测性能的影响*

在分析小波变换物理本质和奇异性检测原理的基础上,研究了小波基和白噪声对信号奇异性检测性能的影响。仿真结果表明,对于信号本身的突变性,支撑区较短的小波基具有较好的检测效果,且检测性能一般不受噪声的影响;而对于K阶奇异信号,只有具备K阶或K+1阶消失矩的小波基才能检测出这类信号的奇异性。同时,由于这类信号的奇异性十分微弱,易被噪声扰动,因此难以保证在噪声背景下准确检测信号中的奇异性质。