基于小波神经网络的光谱数据表征与分类研究

介绍了一种新的神经网络模型——小波神经网络，利用它并适当选取网络结构和小波基，实现了对化学物质红外光谱的压缩表征和分类，取得了令人满意的效果，说明小波神经网络在光谱处理方面有着光明的应用前景和优越性。     

小波神经网络在农药荧光光谱识别中的应用

对于结构非常相似的农药,它们的荧光光谱也非常相似并且在很宽波长范围内相互重叠.传统的荧光光谱分析法很难对其进行分类识别.一种基于小波分析而构造的新型神经网络--小波神经网络是利用它并适当选取网络结构和小波基,实现了对卡死克、盖虫散和吡虫啉三种农药荧光光谱的分类识别.实验表明,小波神经网络对光谱间的细微结构差别具有良好的识别能力.通过比较发现,在分类识别方面小波神经网络比BP网络具有更高的分辨率及较少的训练次数.     

温度限制串联相关网络-红外光谱法用于中药大黄样品的鉴定分类

将温度限制串联相关网络与红外光谱分析技术相结合,对大黄样品的真伪进行分类。采用小波变换对原始数据进行压缩,将原来的775个数据点压缩到49个数据点,既提高了网络的训练速度又保持了原来的特征谱峰。对45种样品进行了测定和鉴别,正确率可以达到84．4％。对影响分类结果的网络参数,进行了讨论。红外光谱法作为中药鉴别的一种方法与神经网络相结合,使中药鉴别更加快速、方便。     

基于径向基函数网络的浮游植物活体三维荧光光谱分类

将小波变换与神经网络相结合,对浮游植物活体的三维荧光光谱进行分类．首先利用小波变换对数据进行压缩,然后利用径向基函数（Radial Basis Function,RBF）神经网络对光谱曲线进行逼近,从而进行物种的识别,平均识别率高达95．8％．结果表明,该方法较传统的统计方法更方便、准确率更高．     

结合小波变换和RBF神经网络进行光谱自动分类

本文提出了一种基于小波变换和RBF神经网络的天体光谱分类方法。首先利用小波变换除去谱线中的噪声、提取特征谱线；然后使用RBF神经网络分类，RBF网络的输入为提取的特征谱线。实验结果显示该方法具有良好的鲁棒性，算法效率很高，正确分类率(CCR)远远高于经常采用的主成分分析特征提取方法，因此特别适合于低信噪比的光谱数据分类。     

生成对抗神经网络在心电异常识别中的应用研究

针地在使用深度学习方法构建心电异常识别模型,常常由于心电异常事件样本分布不平衡,造成机器识别心电异常事件模型性能表现差的问题,论文提出一种基于生成对抗网络的数据增强方法来获取均匀分布的训练数据集,其主要过程如下:首先使用小波变换消除心电信号中噪声,然后使用压缩感知模型压缩心电信号来减少网络中的参数,利用生成对抗神经网络模型扩充数据集,最后使用卷积神经网络建立分类模型.实验结果表明,使用对抗神经网络能够显著改善数据集中样本分布不均衡的问题,平均F1达到了98.73％.引入压缩感知模型后,在不影响模型性能表现的情况下,将模型参数量减少了28.30％.基于对抗神经网络的数据增强方法可以有效地解决心电异常分类过程样本分布不均衡,利用压缩感知模型方法不仅可以保证模型性能,同时降低了模型的复杂程度.     

小波神经网络在滚动轴承故障诊断中的应用

结合小波变换和神经网络的优势给出小波神经网络的结构模型,研究了小波神经网络的学习算法;针对传统算法收敛速度慢等问题,从学习率和引入动量项两个方面对算法进行改进。应用小波网络对滚动轴承的典型故障进行实例诊断。以7216圆锥轴承在实验台上所测取的数据进行网络训练。用振动信号为网络输入向量,给出训练结果。仿真实例表明,采用小波神经网络能够很好地对故障进行分类,其收敛速度明显要快于相同条件BP神经网络,有效地实现了滚动轴承的故障诊断。     

基于光谱分类的超光谱数据压缩方法

提出了一种基于光谱分类的超光谱图像数据压缩新方法：通过光谱分类把原先的三维遥感图像数据转化为一个分类表和一个光谱表,实现数据压缩。由于光谱分类的精度直接影响压缩和恢复图像的效果,重点比较和研究了三种光谱分类的方法：最大值法,欧氏距离法和小波变换法。实验证明：图像经小波变换法分类压缩后的重建效果最佳,但耗费时间最多;欧氏距离法的重建效果比小波变换法要差一些,所用时间比小波变换法要少的多;最大值法的效果最差,但耗费时间最少。     

基于双树复小波分解的BP神经网络遥感影像分类

为有效解决高分辨率多光谱遥感影像分类模糊性和不确定性以及较好地克服噪声的影响,提出了一种基于双树复小波分解的BP神经网络遥感图像分类方法。首先提取影像的NDVI、纹理特征来降低影像中因"同谱异物"和"同物异谱"引起的分类不确定性;然后对影像的原始光谱波段、NDVI、纹理特征图像进行一层双树复小波分解,提取出图像的低频信息,降低图像噪声以及减少分类中存在的"椒盐"现象;最后将提取的低频子图作为BP神经网络的输入并根据训练好的网络进行分类,得到最终的分类结果。对比实验结果表明该方法的分类结果杂点较少,区域一致性更强,具有较高的分类精度和较好的鲁棒性。     

基于遗传小波神经网络的白酒识别电子鼻

为研究不同品质白酒快速识别的电子鼻技术,利用自制的电子鼻采集四种白酒样品的气味数据,建立了BP神经网络分类模型。针对BP算法普遍存在的收敛速度慢、易陷入局部极小且网络参数需要人工设定的缺陷,提出一种将遗传算法的自适应全局优化搜索能力、小波分析的非线性逼近能力和BP算法自学习能力结合在一起的遗传小波神经网络白酒识别模型。仿真结果表明,与BP神经网络和小波神经网络相比,GA-WNN分类模型的收敛速度和分类准确率都得到了较大提高,可应用于白酒识别电子鼻。     

基于多级小波神经网络的毒品爆炸物能量 色散识别①

利用小波神经网络自适应学习分类的优点,提出将多个小波神经网络并联使用,改进小波网络结构,在每个小波特征空间中确定小波神经元个数和初始化合适的小波基,用多级小波神经网络对毒品爆炸物的X光能量色谱的进行了识别分类。实验表明,用多级小波神经网络可以实现对不同种类毒品爆炸物的识别和鉴定,为X光能量色散技术用于毒品爆炸物的检测和识别提供了一种有效的方法。     

Wavelet entropy and neural network for text-independent speaker identification

In the present study, the techniques of wavelet transform (WT) and neural network were developed for speech based text-independent speaker identification. The first five formants in conjunction with the Shannon entropy of wavelet packet (WP) upon level four features extraction method was developed. Thirty-five features were fed to feed-forward backpropagation neural networks (FFPBNN) for classification. The functions of features extraction and classification are performed using the wavelet packet and formants neural networks (WPFNN) expert system. The declared results show that the proposed method can make an effectual analysis with average identification rates reaching 91.09. Two published methods were investigated for comparison. The best recognition rate selection obtained was for WPFNN. Discrete wavelet transform (DWT) was studied to improve the system robustness against the noise of −2 dB.     

模糊小波基神经网络的机器人轨迹跟踪控制

提出一种模糊神经网络控制器并用于机器人轨迹跟踪控制.这种模糊神经网络利用了小波基函数作为隶属函数,可在线根据误差调整隶属函数的形状,使模糊神经网络具有更强的学习和适应能力.仿真与实验结果表明这种网络能很好的用于机器人的轨迹跟踪控制,具有很好的性能.     

小波神经网络的遥感图象分类

将小波和神经网络结合起来,提出一种自适应小波函数的神经网络。这种小波函数网络经过训练后,可应用于遥感图象的分类,其分类效果优于最大似然法。     

基于小波分析与神经网络的交通流短时预测方法

提出基于小波分析与神经网络的交通流短时预测方法，把多维输入进行小波分解降维，预测由多个子网络独立完成，有效解决了多维神经网络的映射学习容易产生“疆数灾”的问题．示例结果表明，该方法比典型的神经网络预测准确度高、误差小．     

A multi-resolution wavelet neural network approach for fouling resistance forecasting of a plate heat exchanger

A new framework regarding wavelet neural network, termed a multi-resolution wavelet neural network (MRWNN), is composed based on the theory of multi-resolution wavelet analysis and orthogonal multi-scale spaces. The hidden layer of the network is divided into two parts, neurons with the Meyer scaling activation function and the Meyer wavelet activation function which is orthogonal to the scaling function. Neurons with the scaling function approximate the contour of the aimed function for its lentitude, and neurons with the wavelet function approximate the details of the aimed function for its sensitive trend. Hidden neurons are mapped to different resolution spaces by redefining the network frame depending on the multi-resolution wavelet analysis theory. By incorporating the Gradient Descent Algorithm, the network can be optimized with less interaction within hidden neurons, and thus, it will acquire a further error convergence state when all the correspondent parameters are adjusted in different resolution spaces. When applied to fouling forecasting of a plate heat exchanger, the MRWNN achieved better performance than other neural networks (NNs) when applied to simulations, proving that the MRWNN is effective in nonlinear function approximations.     

Classification of faults in gearboxes — pre-processing algorithms and neural networks

Classical signal processing techniques when combined with pattern classification analysis can provide an automated fault detection procedure for machinery diagnostics. Artificial neural networks have recently been established as a powerful method of pattern recognition. The neural networkbased fault detection approach usually requires preprocessing algorithms which enhance the fault features, reducing their number at the same time. Various timeinvariant and timevariant signal preprocessing algorithms are studied here. These include spectral analysis, time domain averaging, envelope detection, Wigner-Ville distributions and wavelet transforms. A neural network pattern classifier with preprocessing algorithms is applied to experimental data in the form of vibration records taken from a controlled tooth fault in a pair of meshing spur gears. The results show that faults can be detected and classified without errors.     

基于小波神经网络的开关电源的故障诊断

以非线性小波Morlet基作为激励函数,形成神经元,结合小波变换与神经网络各自的优点,建立集小波分析与神经网络于一体的紧致型小波神经网络;采用能量分布特征提取方法和改进的BP算法,设计了一种基于小波神经网络的故障诊断系统,并应用于开关电源故障诊断中;对实例电路仿真结果表明,该方法能正确识别各种故障状态,准确率高,系统诊断结果与实际相符,验证了该小波神经网络故障诊断系统的有效性。     

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。