多小波正交扩充算法在图像处理中的应用

根据正交多小波的特点,提出了一种利用正交扩充来构造多小波滤波器系数矩阵的方法。同时应用二阶平衡法构建出相应的预滤波器,并给出两个二尺度正交多小波算式。将本文构造的正交多小波与GHM、CL多小波分别进行图像分解处理。仿真试验结果表明:GHM多小波将能量汇聚于LL11层,CL多小波能进一步将能量汇聚于LL11层,而本文构造的多小波2效果优于CL多小波,LL11层的能量达到97.90%。     

基于小波神经网络的风速预测及置信区间估计

小波神经网络是在小波变换理论和人工神经网络的基础上建立的一种新型网络模型,综合了两者的优点,克服了BP神经网络易陷入局部极小点和训练速度慢的缺点．本文建立了小波神经网络模型,采用最陡梯度下降法训练网络,将该网络用于对风电场小时风速的预测,并对预测置信区间进行计算．预测结果表明小波神经网络在训练速度和预测精度方面均优于BP神经网络．     

多小波自适应阈值降噪在故障诊断中的应用

为了提取淹没在强背景噪声下的微弱故障信息,引入多小波自适应阈值降噪方法实现滚动轴承的信号去噪,并结合包络解调提取故障特征.多小波具有多个尺度函数和小波函数,具备单小波无法同时满足的对称性、正交性、紧支性和高阶消失矩等优良特性,可匹配信号中的不同特征信息.基于轴承外圈点蚀故障的仿真信号,分别利用GHM多小波和Db2小波对其进行降噪处理.通过信噪比的定量分析表明,相比单小波而言,多小波的降噪优势明显.针对滚动轴承的微点蚀实验信号和现场实采集的工程数据,多小波自适应阈值技术比单小波方法具有更好的降噪效果,且更易于提取出滚动轴承的早期故障信息.     

BP算法在位移传感器测量精度方面的应用

在较高精度位移测量中,需要对位移传感器的输出进行温度补偿。采用BP(Back Propagation)网络的多传感器数据融合方法,把位移传感器和温度传感器的输出作为网络的输入向量送入融合中心,通过BP网络训练,然后将标定样本送入训练好的神经网络,得到比较准确的位移输出。为克服传统BP网络算法收敛慢、容易收敛到局部最小点的缺陷,采用BP多层前馈神经网络改进算法对传感器特性进行补偿,用MATLAB仿真所得到的结果与原有的实验数据相比较,在相同的温度波动情况下,位移传感器的输出误差比原来的减小了3倍,而且大幅度地节省了时间。     

一族GHM型多尺度函数的构造

从具有2阶逼近的GHM多尺度函数出发，鉴于其逼近阶数相对较低的缺点，利用两尺度相似变换(TST)的方法，构造变换矩阵Mr(ω)，将它的逼近阶提高到了任意大于2的整数，并保持了紧支性和对称性，提高了GHM多小波逼近光滑函数的能力。     

基于小波分析与神经网络集成方法的轴承故障诊断研究

鉴于小波分析与BP神经网络在故障诊断中各自存在的局限性,提出基于小波-BP神经网络的轴承故障模式识别技术.采用具有良好时频局部特性的小波基函数替代传统BP网络的激励函数,从而构造小波-BP神经网络,并且对其进行训练,获得模式识别网络,再用新数据进行网络检验,仿真结果表明该方法实用有效.     

基于多小波噪声方差阈值的信号滤波方法

对信号和噪声的多小波变换进行了研究，根据它们多小波变换下呈现出的截然相反的特征，即随着变换尺度的增大，噪声的变换值迅速减小，而信号的变换值增大，利用相关算法推导并给出了多小波噪声方差阈值的计算公式，基于阈值提出了一种新的多小波信号滤波方法，该方法在噪声方差估计的基础上，对噪声信号变换系数进行处理，减小由噪声产生的系数，同时最大限度地保留有效信号产生的系数，最后由处理后的变换系数进行处理，减少由噪声产生的系数，同时最大限度地保留有效信号产生的系数，最后由处理后的变换系数重构信号，对该方法用典型的GHM双小波进行了仿真分析，结果表明，本文的方法具有很好的滤波效果。     

基于改进BP神经网络算法的多指标综合评价方法的应用研究

研究利用误差反向传播人工神经网络(BP网络)的多指标综合评价问题，以建设工程项目招标评标为背景，建立了多指标综合评价的BP模型，引入附加动量法和变步长算法，对BP神经网络算法改造，大大提高了学习训练速度，运用这种神经网络来解决实际问题，并给出了结果．     

基于小波分析和BP神经网络的图像特征提取

提出一种基于小波分析与神经网络复合模型的图像特征提取方法.利用二维离散小波变换对图像信号进行滤波和边缘提取,作为图像的输入量供BP网络识别分析.构建了3层BP神经网络模型对图像特征进行识别,采用模糊加权算子的模糊化分层,特征提取模板提取图像中的不同特征,输出层采用均方差权值输出.通过对由50幅图像组成的训练集合进行训练和实验验证,结果表明,本方法的分辩误差率在4%以内.     

贝叶斯正则化在信息安全风险评估中的应用

为提高网络信息安全风险评估效率,提出了一种基于贝叶斯正则化(BR)神经网络的风险量化评估模型.在信息安全风险分析方法(ISRAM)基础上,利用模糊理论对评价指标进行量化处理,使用BR算法对BP神经网络进行训练.模型仿真实验结果显示,BR算法相比传统的LM算法在训练性能和训练状态上存在一定优势,BR算法的训练拟合度可达9...     

基于炉区分段的BP神经网络钢坯温度预测

利用神经网络可以逼近任意非线性系统的特点,建立加热炉内钢坯温度预报模型。由于钢坯的边界热流系数和热传导系数、比热、重度等物理参数都是随温度变化的函数,所以,按加热炉的分区采用多个BP神经网络进行分段预测,以适应钢坯的物理参数的变化。仿真结果表明:所建模型简单,精度高,能满足工程实际需要。     

人工神经网络用于采煤机故障诊断系统初探

分析了典型的有导师监督模型ＢＰ网络、无导师监督模型ＡＲＴ网络的工作过程，探讨了将这两种神经网络应用于采煤机故障诊断的可能性     

基于BP神经网络整定的PID温度控制

展示了一种基于BP神经网络的PID控制器,利用神经网络的自学习特性,将神经网络与PID控制方法相结合,采用3层前向网络,动态BP算法,实现对温度控制系统的在线智能控制,显示了BP神经网络PID控制方法很强的鲁棒性,同时也显示了神经网络在解决高度非线性和严重不确定系统方面的能力．仿真结果表明,此种PID在温度控制中能够取得较满意的效果．     

BP神经网络算法的改进及在Matlab中的实现

分析了BP神经网络算法收敛速度慢的原因，研究了一种提高其收敛速度的方法，即将动量法和批处理方法结合起来对BP算法进行改进，提高学习速度，并给出了算法思想，用Matlab神经网络工具箱对神经网络进行了初始化和训练，仿真测试结果证明该方法是可行，具有实用性。     

基于混沌分析的BP神经网络模型及其在负荷预测中的应用

结合混沌分析理论和BP神经网络，提出在混沌相空间建立BP神经网络模型。运用混沌方法构成训练样本及确定神经网络的网络结构，用神经网络拟合相空间相点演化的非线性关系。并利用该模型对具混沌特性的电力系统日负荷时间序列进行短期预测，对比了标准BP网络模型和混沌线性回归模型的预测结果，结果表明基于混沌分析的BP神经网络模型的预测精度较高。     

基于神经网络模型的信息融合技术

介绍了信息融合概念以及在信息融合领域中常见的BP神经网络和在此基础上发展而来的模糊神经网络和混沌神经网络,指出利用神经网络技术与信息融合技术相结合进行分析研究具有较大的拓展空间,信息融合的神经网络适用于更广泛的领域.     

运用GA-BP神经网络研究时间序列的预测

神经网络能以任意精度逼近非线性函数,以神经网络为基础的时间序列预测模型能很好地反映信息的非线性发展趋势。该文在分析传统BP网络缺点的基础上,用具有良好全局搜索能力的遗传算法来改进神经网络。详细讨论了GA算法的优化神经网络初始权值和阈值的思想和理论。在阐述预测方法同时,用具体例证分析了GA-BP网络预测的性能和特点。结果表明,基于GA-BP神经网络在预测精度和适应性方面高于传统的BP神经网络。     

城市日用水量预测的神经网络方法

介绍了城市日用水量预测的BP神经网络方法,分析了日用水量的变化规律和影响因素.以每日最高温度、最低温度、晴雨情况、星期及前一日用水量为输入节点,预测日用水量为输出节点,建立了日用水量预测神经网络模型,编制出预测模型的计算机程序.通过实测数据进行了模型检验,对预测结果进行了分析.     

BP神经网络在预测路基沉降中的应用

为了预测高速公路路基最终沉降量，首先依据影响软土路基沉降的因素选取参数建立了BP神经网络预测最终沉降量模型．结合成都一南充高速公路沉降实测资料及其它文献中大量路基沉降资料，利用BP神经网络预测了其各自最终沉降量．通过检验样本验证，预测精度较高，能够满足实际需要．并对BP神经网络在公路建设中的应用提出了一些注意事项．     

基于单层感知器的辨识方法及其应用

单层感知器神经网络模型是多层感知器神经网络———ＢＰ网络的基础,对单层感知器学习算法的改进是进行ＢＰ网络学习算法改进的基础。把带遗忘因子的递推最小二乘辩识算法的原理应用到单层感知器的学习算法中,提出了单层感知器的改进学习算法。这一改进算法克服了常规学习算法不适于在线学习的缺点。仿真实验的结果证实,基于改进学习算法的单层感知器完全可以满足线性系统在线辨识的要求。最后分析了这种改进算法的优点及其具有这些优点的原因