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。     

基于“松散型”小波神经网络的时间序列预测研究

分析了一种新的时间序列预测模型——“松散型”小波神经网络预测模型。在用神经网络分析时间序列预测方法的基础上,用方差分析的统计方法确定样本序列的长度,从而有效地确定神经网络输入层节点数。运用该模型对太阳黑子年平均序列进行小波分解、重构、预测和合成,得到了序列总的预测效果。同时,将新模型与传统BP神经网络模型的预测效果进行了比较,分析了两者出现差异的本质原因。整体反映了将复杂问题简单化处理、将小波多分辨分析同神经网络的非线性逼近功能相结合的思想。这种思想及方法发挥了小波变换和神经网络的各自优势,明显提高了预测精度。     

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。     

基于神经网络的时间序列预测方法进展

首先对神经网络应用于时间序列预测的方法进行了详细的介绍。在此基础上与传统的预测方法进行了比较,接着概括分析了几种不同的神经和于预测的结果。指出由于神经网络独特的信息处理能力,使得它为一类高度非线性动态关系的时间序列预测提供了一条有效途径。最后,对神经网络在时间序列预测领域的进一下邮     

基于优化遗传小波网络的混沌时间序列预测

研究利用小波神经网络(WNN)预测混沌时间序列。提出了一种改进的小波神经网络训练算法,该方法融合了遗传算法和梯度下降算法两种方法,在遗传算法中嵌入梯度下降算法以解决遗传算法不具有的细节搜索能力,对遗传算法训练后的小波网络再次利用梯度下降算法寻找最优点。对Henon映射混沌时间序列的预测证明了该方法的有效性,实验结果表明该算法能确保小波网络收敛和具有较高的预测精度。     

基于构造性神经网络的时间序列混合预测模型 *

针对传统时间序列预测模型不适应非线性预测而适应非线性预测的 BP算法存在收敛速度慢 ,且容易陷入局部极小等问题 ,提出一种基于构造性神经网络的时间序列混合预测模型。采用构造性神经网络模型 (覆盖算法 )得出的类别值对统计时间序列模型的预测值进行修正 ,建立一种同时考虑时间序列自身周期变化和外生变量因子对时间序列未来变化趋势影响的混合预测模型 ,涵盖了实际问题的线性和非线性两方面 ,提高了预测精度。将该模型应用到粮食产量的预测中 ,取得了较好的预测效果。     

基于构造性神经网络的时间序列混合预测模型 *

针对传统时间序列预测模型不适应非线性预测而适应非线性预测的BP算法存在收敛速度慢,且容易陷入局部极小等问题,提出一种基于构造性神经网络的时间序列混合预测模型。采用构造性神经网络模型（覆盖算法）得出的类别值对统计时间序列模型的预测值进行修正,建立一种同时考虑时间序列自身周期变化和外生变量因子对时间序列未来变化趋势影响的混合预测模型,涵盖了实际问题的线性和非线性两方面,提高了预测精度。将该模型应用到粮食产量的预测中,取得了较好的预测效果。     

基于小波神经网络的时间序列流数据的研究

利用多分辨分析方法，结合小波分析和神经网络思想构建一种新型的神经网络模型——小波神经网络，解决了传统神经网络中隐层节点数难以确定的问题。通过对股票的预测，说明该方法能有效地提高预测精度，避免了人工神经网络模型的固有缺陷。     

基于小波神经网络的时间序列流数据的研究

利用多分辨分析方法,结合小波分析和神经网络思想构建一种新型的神经网络模型———小波神经网络,解决了传统神经网络中隐层节点数难以确定的问题。通过对股票的预测,说明该方法能有效地提高预测精度,避免了人工神经网络模型的固有缺陷。     

基于神经网络的混沌时间序列短期预测

将神经网络理论、预测理论等引入混沌领域，采用了一种基于BP网络的预测方法，给出了该方法中神经网络的具体实现过程，经计算机仿真表明该方法是行之有效的，并给出了具体应用事例。     

小波神经网络在基坑变形预测的研究与应用

针对一般小波神经网络存在的学习时间长,网络预测精度低的问题,提出了对网络输入层权值初始值进行归一化处理的优化方法,改进了原有小波神经网络。将改进后的模型应用于某市轨道交通1号线珠江路站深基坑水平变形预测中。监测结果表明,网络输出值与实测值吻合很好,优化后的小波神经网络收敛速度也更快;同时随着大量最新的监测数据输入到网络中学习,将使深基坑水平变形预测更加精确。     

基于小波分析的汽轮机振动预测研究

针对电厂汽轮机转子振动时间序列的预测比较困难,提出采用小波分解实现趋势预测。小波分解将非平稳时间序列分解成多层近似意义上的平稳时间序列,采用自回归模型对分解后的时间序列进行预测,从而得到原始时间序列的预测值。以某电厂振动信号进行预测结果表明,该算法局部及整体效果优于神经网络模型预测法,验证了该模型对转子振动时间序列预测的精确性。     

基于小波分解和聚类模糊系统的时间序列预测

结合小波分析的多分辨特性和模糊规则的可解释性,提出了一种非平稳时间序列预测方法。首先将时间序列信号分解为各尺度上的细节信号和平滑信号,使用软、硬阈值折衷法消除噪声,并对各层重构信号单独使用聚类模糊系统进行预测,最后将各预测结果累加得到对整个时间序列的预测。仿真试验表明此方法是有效的。     

基于小波的非平稳时间序列预测方法研究

基于小波分析技术,将原始非平稳时间序列分解为一层近似系数和多层细节系数,对其分别采用自回归滑动平均模型以及BP神经网络模型,对各层系数进行建模与预测;通过整合各层系数,得到原始时间序列的预测值。运用这种方法对因特网某节点网络流量数据和某地区日最高气温数据进行预测的结果表明,建立在小波分解基础上的这两种方法都能够有效地应用于非平稳时间序列的预测;而小波-BP神经网络的预测方法无论是精度还是计算复杂度方面都要明显优于小波-ARMA方法。     

基于小波神经网络的云模型

云模型是一种基于语言规则的不确定性推理系统.为了提高辨识精度通常需要增加规则数目,这样在多维输入的情况下容易形成"维数灾".为了解决此问题,利用小波神经网络代替传统云模型的后件隶属云,建立了一种基于小波神经网络的云模型(WNCM).详细分析了WNCM的系统结构,同时给出了参数和结构辨识算法.仿真结果以及与其它方法的对比分析表明,WNCM具有较强的非线性函数逼近能力,在不增加推理规则的前提下,可以实现对系统的精确辨识.     

基于小波神经网络的短时交通流量预测

短时交通流量预测对于改善交通拥堵、减少环境污染具有重大的现实意义。传统神经网络进行短时交通流量预测难度大,精度低。为了提高预测精度,采用一种小波神经网络模型,小波神经网络具有小波分析和神经网络两者的优点,非线性拟合能力强,收敛速度快,训练精度高,可以对短时交通流量预测进行局部分析,非常适合非线性预测。文中建立了小波神经网络模型,构造了交通流量样本集,对样本数据训练至收敛,然后选取一定数量的样本数据进行测试。测试结果表明,采用小波神经网络进行短时交通流量的预测不仅预测精度高,而且收敛速度快,实时性好,具有一定的应用价值。     

基于小波和支持向量机的多尺度时间序列预测

介绍了相空间重构和基于支持向量机的时间序列预测建模技术,提出了基于小波和支持向量机的复杂时间序列预测方法,利用小波对复杂时间序列进行多尺度分解,对重构后的近似序列和细节序列分别利用支持向量机进行回归预测并将结果融合。对股票数据进行预测,试验结果表明该方法预测精度高于单尺度支持向量机和神经网络预测方法,可用于复杂非平稳时间序列的预测。     

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。     

小波变换编码在医学图像压缩中的应用

文章结合医学图像的特点探究了一种图像压缩编码方法：先对图像进行小波分解，然后针对不同层不同子图的特点对小波系数的各部分进行相应处理。小波分解后，低分辨率子图像的小波系数的动态变化范围大，因而采用BP神经网络进行自适应非线性预测编码，而对高分辨率子图像采用基于Kohonen网络的自组织特片映射（SOFM）算法的矢量量化进行编码，上述压缩方法可以在保证重构图像质量良好的情况下获得较大的压缩比，从而可以较好的满足医学图像存储的要求。