基于小波神经网络的导弹武器装备研制费用预测

介绍了开展导弹武器装备研制费用预测的重要性,提出了基于小波神经网络的导弹武器研制费用预测模型,并研究了模型的算法;提出建立导弹武器研制费用预测模型库.     

基于改进小波神经网络的动车组牵引电机故障趋势预测

针对小波神经网络在多维输入情况下易于陷入局部极小值、收敛速度慢的弱点,引入Levenberg Marquardt(LM)算法优化小波神经网络,解决传统小波神经网络收敛速度慢的问题。基于传统小波神经网络和LM算法改进的小波神经网络分别建立预测模型,用于动车组牵引电机的故障趋势预测,通过MATLAB软件对两种预测模型的训练过程进行了数值仿真,仿真实验结果表明改进小波神经网络建立的故障预测模型提高了小波神经网络的预测精度,同时加快了神经网络的收敛速度,是一种有效的预测模型。     

基于小波神经网络的涡轮增压发动机性能预测研究

为了能够准确地预测出涡轮增压发动机的性能参数值,利用了小波神经网络建立对其进行性能预测的神经网络模型,可以研究涡轮增压发动机主要指标与性能参数之间的关系.根据粒子群优化算法,利用MA丁LBA软件实现了小波神经网络计算,对涡轮增压发动机了性能预测,预测效果表明,小波神经网络预测模型具有较的预测精度.     

基于遗传退火优化的小波神经网络预测模型

为了获得更准确的预测结果及更优良的预测性能,将遗传退火算法与小波神经网络相结合,设计了一种基于遗传退火优化的小波神经网络预测模型。利用MATLAB开发出界面友好、使用方便的图形用户界面,通过实例仿真进行了验证。     

可重入制造系统的产出短期预测方法研究

针对可重入制造系统处于高度不确定性环境中,其产出时间序列的非线性特征,提出了基于遗传小波神经网络的产出短期预测方法,使预测模型具有小波的优良逼近性质和神经网络的自学习自适应性质,同时,采用遗传算法训练神经网络参数,利用遗传算法隐含并行性和全局搜索性的特征,丰富优化过程中的搜索行为,增强全局和局部意义下的搜索能力和效率。通过半导体生产线实例,进行了验证,结果表明所提出的基于遗传小波神经网络的产出短期预测方法的预测性能要优于传统BP神经网络算法。     

基于小波分析和神经网络的传感器故障诊断

结合多维度特征提取和故障识别方法,提出一种基于小波分析和神经网络的传感器故障诊断方法。运用小波变换模极大值特征提取方法和高频小波能量特征提取方法,在小波分解层数和小波类型两个不同维度对传感器信号进行特征提取,提取的特征矩阵具有序列特性。研究结果表明：特征矩阵相对于特征向量,对不同信号具有更明显的区分度;运用LSTM神经网络对传感器进行故障诊断,根据不同压力工况下的传感器特征数据集,训练针对不同压力工况的LSTM神经网络预测模型,提高了预测模型的泛化能力;对LSTM神经网络预测方法进行试验验证,基于预测模型对随机压力工况下发生的随机故障进行预测,预测准确率达到98.33%。     

遗传小波神经网络在烟机运行状态趋势预测中的应用

本文针对BP神经网络极易收敛于局部极小点、过拟合及网络泛化能力不足等缺点,在构建小波神经网络基础上引入了遗传算法的全局优化搜索来加以优化,建立了基于遗产算法的小波神经网络烟机状态预测模型,得到了更高的学习精度和更快的收敛速度。在MATLAB软件环境下,对燕山石化烟气轮机测得的50个振动烈度值运用BP、WNN以及GA—WNN对比预测。结果表明,GA—WNN模型预测能力较高。     

基于GA_BP算法的化工设备设计人工时预测

针对目前人工估算人工时预测精度低的问题,提出基于遗传算法优化反向传播神经网络的算法建立人工时预测模型,对化工设备设计人工时进行定量预测.首先对化工设备设计项目的管理流程和设计特点进行分析;然后对用户数据库中的历史项目数据进行统计,并对统计数据进行参数的贡献度和相关性分析,同时结合参数在预测时获取的难易程度,选择出适当的人工时预测模型输入参数;再建立基于反向传播算法的预测模型,并针对反向传播算法的缺陷选择遗传算法优化反向传播神经网络和支持向量机算法进行建模,预测结果表明遗传算法优化反向传播神经网络算法更适合化工设备设计人工时预测.采用基于遗传算法优化反向传播神经网络算法的模型进行了实例预测.     

基于小波去噪和FG-Markov的货运量预测（英文）

为消除传统灰色马尔科夫预测模型的灰色偏差及抗干扰性能,考虑货运量预测的随机性和非线性特征,提出了基于小波变换和模糊灰色马尔科夫(FG-Markov)的货运量预测模型。基于小波包对非平稳随机信号的数据分析能力,运用小波包分解策略,对货运量历史数据进行小波包分解。在此基础上,引入模糊灰色变量,提出了模糊灰色马尔科夫链(FG-Markov)来获取小波包系数转移概率矩阵,并通过重构小波包系数进行货运量预测。为验证预测模型的有效性和精确度,将其应用于兰州铁路枢纽集装箱货运量预测,并与神经网络等预测模型进行了比较分析。实例分析表明,基于小波和FG-Markov的预测模型可以提高预测精度。     

基于小波神经网络的工程陶瓷动态车削力预测

以小波分析和BP神经网络为基础,构建了小波神经网络预测模型。使用CA6140车床对氟金云母陶瓷进行了干车削试验,并用三向测力仪测量了切削过程的切削力变化趋势。基于小波包中的Wpbmpen函数对切削力信号进行了降噪处理,切削力信号在降噪后有明显改善,能更形象地表达出切削力的变化趋势。基于小波神经网络对切削力进行了预测,结果表明:小波神经网络预测值、信号降噪处理值和试验值都非常相近,说明切削力在预测过程中具有一定的可靠性,小波神经网络预测前对切削力信号的降噪处理是合理的。