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。     

基于小波神经网络的船舶缆绳载荷预测方法

在船舶缆绳载荷准确预测的研究中,由于船舶缆绳载荷不仅受到风、流、浪等环境因素的影响,还受到船舶的船型、受风面积、吃水大小等因素的共同影响,因此具有较强的随机性和复杂性,是一种非平稳的时间序列,传统的神经网络预测模型在进行负荷预测过程中,无法处理这种非平稳信号导致很难进行准确测量.提出一种基于小波神经网络的船舶缆绳载荷预测方法,算法结合小波分析的时频局部特性与聚焦特性和神经网络的自学习、自适应和推广能力,将小波基函数作为神经网络的隐含层节点的传递函数,建立小波神经网络预测模型,以船舶缆绳的采集数据作为模型的输入与输出,利用小波函数处理非平稳信号的能量,解决缆绳负荷的非线性问题,凭借神经网络小区域计算能力,对预测结果进行进一步优化.仿真结果表明,小波神经网络用于船舶缆绳载荷数据处理,精度满足要求,具有良好的适用性.     

基于“紧致型”小波神经网络的时间序列预测研究*

分析了“紧致型”小波神经网络的结构和特点。在利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。对太阳黑子年平均活动序列进行了训练和预测,并从网络本身的内在制约因素出发比较了小波网络和BP网络对时间序列进行训练和预测的差异,分析了两者出现差异的本质原因。将多分辨率的小波与神经网络的非线性逼近功能相结合的方法发挥了各自优势,明显提高了预测精度。     

基于小波分析的预测算法在智能商务中的应用

针对智能商务系统数据挖掘的特性，应用小波分析理论，提出了基于小波分析的预测算法，并将其运用于“天商-2000”智能商务系统中。     

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。     

基于小波分解与重构的时间序列预测法

一般的时间序列预测方法对非线性非平稳的信号不适用.本文提出了一种基于多分辨小波分解与重构的预测方法.与一般方法相比,这种方法有效地提高了预测的准确度.     

基于提升方案的冗余Haar小波变换与时间序列预测

针对小波分析存在的边界问题，提出一种基于提升方案的冗余Haar小波变换(Haar_RLWT)。使用该方法得到的系数序列，在具备时移不变性的同时，消除了右侧边界存在数据畸变的现象，使小波分析技术结合神经网络等传统预测模型的方法应用于时间序列预测任务具备可行性。同时为进一步提高预测效果，引入神经网络集成技术以改善网络泛化能力。实验表明，该综合预测模型预测效果与稳定性优于传统预测模型。     

基于小波优化神经网络的离心压缩机故障预测

为了更准确的预测离心压缩机故障,提前发现问题的隐犯,把小波理论和神经网络相结合,建立了小波神经网络在离心压缩机故障预测模型。仿真实验表明,该预测模型具有算法简单、计算收敛速度快、预测精度达95%。     

基于小波方法的Internet流量的预测建模

小波模型是自相似过程的流量模型，Internet流量数据属于非平稳的时问序列，小波变换可将非平稳的时间序列变为多个平稳的分量，再对分量采用相应的回归模型进行预测，然后将各个预测分量利用小波重构成最终的预测流量。通过实例具体说明了如何利用小波变换对Internet流量数据进行分析、预测。     

基于数据挖掘的网络论坛话题热度趋势预报

利用小波分析和神经网络相结合的方法进行网络论坛话题热度趋势的预报。该方法主要是对由帖子的点击数（或回复数）所形成的原始时间序列进行小波多尺度分析,产生一系列子序列并进行评价,并通过BP神经网络进行类别训练,找出使得类内距离最小、类间距离最大的若干系数作为特征系数。对于未知类别的时间序列,把其特征系数送入神经网络进行预测。实验结果表明,将该方法用于网络论坛话题的热度趋势预测,可得出良好的预测精度。     

基于小波包分析及神经网络的汽轮机转子振动故障诊断

根据Bently实验台所采集的碰摩、松动、不对中、不平衡4种典型汽轮机转子振动故障信号,运用小波包分析方法对其进行能量分析并提取故障特征.分析结果表明:小波包分析与信号能量分解的故障特征提取方法,可以获得汽轮机转子振动的故障状态,有较好的故障区分度;另外由于经过小波包分解再重构后所提取的故障特征参数浓缩了汽轮机转子振动故障的全部信息,而BP神经网络具有优良的非线性映射能力,对提取的故障特征参数应用BP神经网络映射,可对汽轮机转子振动故障进行进一步的诊断.诊断结果表明:基于小波包分析及神经网络的故障诊断方法,具有较高的故障识别能力.     

基于RBF网络的模拟移动床PH传感器故障诊断

为了提高模拟移动床控制系统PH传感器的可靠性,提出了一种基于两级RBF神经网络的故障诊断方法。该方法首先利用径向基(RBF)神经网络对传感器的输出序列建立预测模型,通过计算预测输出和实际输出的残差来检测故障的发生,然后对包含故障的残差信号利用小波变换进行特征提取,最后利用RBF诊断网络实现故障诊断。通过把这种方法应用到实际诊断测试中,可达到较准确的诊断结果。     

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。     

小波分析和AR-LSSVM的网络流量预测

为了提高网络流量的预测精度,提出了一种基于小波分析和AR-LSSVM的网络流量组合预测模型。利用Mallat算法对非平稳的网络流量序列进行分解和重构,得到低频信息和高频信息;对具有平稳特性的高频信息用AR模型进行预测,而对体现非平稳的低频信息用LSSVM进行预测;再将各模型的预测结果进行叠加,从而得到原始序列的预测值。仿真结果表明组合预测模型不仅具有较高的预测精度,而且预测性能稳定。     

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。     

基于小波分析的图书馆电子阅览设备故障检测方法

针对图书馆电子阅览设备在长时间运行时受到其他设备干扰的影响,导致设备故障的检测性能变差,以提高图书馆电子阅览设备故障的检测性能为目的,提出了基于小波分析的图书馆电子阅览设备故障检测方法.利用小波分析法将电子阅览设备故障信号与干扰信号分离,采集到无干扰的故障信号,对采集到的电子阅览设备故障信号进行预处理,得到梅尔倒谱系数...     

基于小波包的RBF神经网络网络流量混沌预测

为了提高网络流量预测准确率,提出了基于小波包的RBF神经网络网络流量混沌预测法(WPCRBF).充分考虑到真实网络流量的周期性和噪声的影响,提出了一种改进的时间窗口法来计算最佳嵌入维和时间延迟,并用于上述预测方法中.以真实网络流量数据为实验数据,分别用CRBF、基于小波的RBF神经网络混沌预测法(WCRBF)与提出的WPCRBF进行预测,实验结果表明,该方法能够较准确地对网络流量进行预测.