小波神经网络

摘要： 针对小波神经网络存在的局限性,采用粒子群算法对小波神经网络进行优化,并在此基础上建立GPS高程异常值的拟合模型。为了避免粒子群算法陷入局部极小值和收敛速度慢等问题,采用惯性权重非线性递减和自适应学习因子相结合的策略对粒子群算法进行改进,从而提高模型的训练精度。以某矿区实测GPS数据为例,对所建模型的拟合性能进行验证。结果表明,改进后的小波神经网络模型进行GPS高程拟合时具有更高的精度和稳定性。

摘要： 详细介绍小波神经网络和灰色系统理论的基本原理,在舰船瞬时运动模型的基础上,采用组合优化理论,将小波神经网络和灰色系统理论结合,设计一种舰船航行速度预测模型,后期的仿真实验证明,基于组合优化理论的舰船航行速度预测具有较高的精度。

摘要： 【目的】针对在航集装箱船舶纵摇角度预测问题,探索一种基于改进小波神经网络算法,提升其预测能力。【方法】在分析船舶纵摇角度原始数据基础上,引入傅立叶变换,分析计算数据的周期性,确定神经网络拓扑结构,然后将神经网络输入层和隐含层的连接权值融合到隐含层计算值中,使算法得到优化。【结果与结论】优化后小波神经网络能较准确预测船舶纵摇角度值,均方误差(MSE)值为0.0676,平均绝对百分误差(MAPE)值为4.2412,相比优化前分别提升25%和21%,具有更好的预测效果。

摘要： 针对现有集成电路老化故障定位方法中存在的故障定位精度低,定位耗时较长等问题,提出设计基于射频技术的数字集成电路老化故障智能定位系统。通过小波变换与神经网络组建激活函数型网络,通过频率域与时间域中信号识别电路老化故障,构建射频功率放大器,通过传感器发放定位信号至定位通道内,在射频功率放大器收到信号后,收集放电中信号,拟定波形图,实现数字集成电路老化故障坐标定位,以电流控制模块、中央处理器核心模块、射频模块等构建系统。实验证明:所提方法能够精确定位故障电路受损位置,且故障识别效果较好。

摘要： 由于小波神经网络图像还原的效果一定程度上受初始值的影响,因此本文提出了一种基于思维进化算法(Mind Evolutionary Algorithm, MEA)优化小波神经网络方法。思维进化算法本身具有很强的全局搜索能力,因此先用MEA方法得到小波神经网络的初始值,再训练小波神经网络。实验证明,与BP、思维进化算法的BP神经网络(MEA-BP)相比,MEA-WNN方法复原的图像获得了更好的结果。

摘要： 针对传统的线损理论计算方法已不适用于含分布式电源的低压台区线损估算的问题,提出一种基于改进布谷鸟搜索K均值(ICS-K-means)聚类算法和小波神经网络(WNN)的有源台区线损估算方法。首先,基于最大互信息系数筛选线损影响因子,建立有源台区线损指标体系;然后,提出改进布谷鸟搜索聚类算法对样本数据集进行聚类,减少对初始聚类中心的依赖;最后,采用小波神经网络对每类聚类数据集进行训练及测试。算例分析验证了所提方法的准确性和有效性。

摘要： 为了更好地分析CORS站(连续)运行参考站——北京房山站的高程时间序列的变化规律,使其能更好地应用到地壳运动监测.对房山站观测数据进行数据处理,得出其数据类型为非线性、非稳态时间序列,然后采用正则化RBF(径向基)神经网络对其进行相空间重构,使其满足高斯分布.采用小波神经网络进行滤波处理,剔除噪声,采用加窗谱估计得出高程时间序列的平均谱功率和周期性,经过去除趋势FFT周期拟合和BP神经网络预测等处理,并进行计算分析.由数据处理结果可知,北京房山站高程时间序列斜趋势不明显,其中年周期最为明显,高程时间序列受多因素的影响,BP网络能很好地预测高程时间序列.

摘要： 【目的】利用“大数据”对城市居民出行量(OD)的预测方法进行改进,以期改善传统城市居民出行调查方法费时、费力且准确度不高的问题,同时也为城市公共交通规划与管理提供可靠的数据支持。【方法】结合手机信令数据、公交IC卡、公交GPS以及地铁闸机数据的特点和优势,利用聚类分析等方法获取城市居民公共交通出行的OD矩阵,并利用小波神经网络结合优化后的鲸鱼算法(improved whale optimization a lgorithm-wavelet neural network,IWOA-WNN)对未来时段的出行OD矩阵进行预测。以长沙市为例,选取60 d晚高峰期间的原始数据,利用IWOA-WNN进行预测,并结合时间序列方法进行分析。【结果】与优化前的小波神经网络相比,IWOA-WNN的预测结果更加贴近实际情况,精度达到了93.36%。【结论】本研究提出的数据处理及预测方法具有更高的准确度。

摘要： 在捷联惯导系统中,姿态信息通过惯性测量单元(Inertial measurement unit,IMU)器件来获取,主要包含三轴陀螺仪和三轴加速度计。然而,由于IMU传感器存在系统噪声、漂移误差,且这些误差会随着时间增加而积累,这使得姿态的精度控制变得困难。为了解决陀螺随时间漂移以及周围环境产生随机误差的问题,本文在卡尔曼滤波和神经网络模型的基础上,提出了一种基于小波神经网络——扩展卡尔曼滤波的姿态解算算法,对卡尔曼滤波的结果用小波神经网络予以模型优化,补偿扩展卡尔曼滤波自身存在的模型误差。半实物仿真实验结果表明,该算法提高了姿态解算精度,增强了对环境的自适应能力。

摘要： 为更加有效地对电能质量扰动信号进行分类,将小波变换和神经网络进行有机结合,构建4层小波神经网络模型,同时将混沌引入到粒子群优化算法中,通过混沌运动的特性,提高网络模型训练的收敛速度和精度。使用训练好的网络模型,对正常电压和几种常见电能质量扰动进行分类。结果表明,混沌粒子群优化小波神经网络能够有效地对电能质量扰动进行分类,且具有抗干扰性强,稳定性好的优点。另外,与粒子群优化算法和BP算法相比,使用混沌粒子群优化算法能够更好地对电能质量扰动进行分类,具有更高的分类准确率。

摘要： 由中国西安电波观测站采集的电离层F2层临界频率(f0F2)的资料,利用小波神经网络技术,考虑f0F2随时间的变化特性,提出一种提前一小时预测电离层临界频率f0F2的方法.该方法将f0F2预测问题简化为时间序列预测,网络输入为前三个小时的观测值网络输出为下一小时预测值,模型简单实用.经检验,预测结果与观测数据符合的较好,模型精度稳定可靠.

摘要： 小波神经网络组合模型兼有小波变化良好的时频局部化性质和神经网络强大的非线性逼近能力.本文尝试将潘家口水库1995～2015年21年6～9月逐月径流系列按时间顺序排列,根据小波函数选择准则选用不同序列适用的小波函数,通过小波分解与重构得到高、低频小波系数,并将月降雨、上月来水作为输入构建小波神经网络(WNN)模型进行训练、检验、预测,并与单一神经网络(ANN)模型预测做比较,研究结果表明:小波1神经网络模型结构简单、收敛速度快,月径流变化趋势预测精度较高,具备可靠性和实用性.

摘要： 提出了以小波神经网络技术对托辊音频信号进行分析的方法.首先对音频信息进行小波去噪,去除其中的环境噪声,然后再根据能量法对小波变换后系数进行特征提取,最后将提取的特征向量输送到BP-RBF神经网络模型中对故障进行检测识别.结果 表明,该方法不仅可以实现对托辊故障的检测,而且使用折中法对信号进行小波去噪的效果更明显,能量法能够很好地提取出故障特征信息,BP-RBF组合神经网络对故障的识别精准度也要高于单一神经的BP网络.

摘要： 为研究储罐底板三维漏磁检测缺陷量化问题,采用Ansoft Maxwell建立漏磁检测装置的有限元模型,进行三维静态磁场的仿真,获得不同缺陷所产生的漏磁信号数据.在此基础上提取三维漏磁信号特征参数,建立基于小波神经网络的缺陷量化方法,得到缺陷的轮廓尺寸.结果表明,相比于已有方法,小波神经网络缺陷量化方法达到更理想的效果.

摘要： 无线传输技术是今后机场气象探测设备数据交换的发展方向,而机场复杂的电磁环境对无线传输的准确性大幅下降.因此,无线信号的降噪能力决定了无线传输技术的可用性.本文通过实验仿真了MIMO-OFDM系统的数据传输过程,讨论了数据噪声误差对于信道容量的影响,同时使用了小波神经网络进行了数据恢复,通过实验证明了神经网络对MIMO-OFDM系统数据恢复的可行性.实验证明,噪声对于无线通信网络的信道容量有很大影响,而使用神经网络可以较好地进行MIMO-OFDM系统的数据恢复.

摘要： 针对传统的小波神经网络容易陷入局部极小、收敛速度慢和运行效率低等不足,将粒子群优化引入小波神经网络中,提出了一种粒子群优化小波神经网络学习算法.该方法利用粒子群算法优化小波神经网络中的权值(即尺度因子)和阈值(即平移因子),从而可以自适应地选择小波神经网络的参数,提高了算法的收敛性和快速性,克服了传统的小波神经网络容易陷入局部极小、收敛速度慢和运行效率低等不足.实验结果表明,提出的方法是有效的,优于传统的小波神经网络学习算法,能够准确地识别出整个齿轮裂纹的损坏程度.

摘要： MEMS陀螺随机误差是制约器件精度重要因素,也是微惯性导航系统的主要误差源.针对MEMS陀螺随机误差具有非确定性、时变性,以及难以采用精确数学模型进行补偿的问题,提出一种基于遗传算法(Genetic Algorithm,GA)与小波神经网络(Wavelet Neural Network,WNN)相结合的MEMS陀螺随机误差补偿方案.利用小波函数作为网络中隐含层的激励函数,使得小波变换在时频域内既可对信号局部特征进行描述又兼顾神经网络所具有的自主学习和自适应等优点.通过结合遗传算法的全局性寻优特点可弥补小波函数的局部分析特性,将两者进行统一,进而得到具有全局寻优并兼顾局部寻优特点的一种学习训练方法.采用实验室现有的MEMS陀螺进行实验,将静态环境下的MEMS陀螺仪输出作为数据样本,对数据样本进行预处理,然后分别利用WNN和GA-WNN方法对MEMS陀螺仪随机误差开展预测.实验结果表明,GA-WNN方法不仅具有小波变换的局部分析特性和神经网络自主学习、自适应能力,而且还兼顾遗传算法的全局寻优性、适应性和鲁棒性,使得网络收敛速度快且预测更加准确,弥补了单一WNN方法存在的不足.

摘要： 利用2014年11月到2015年5月G6高速内蒙古段沿线的交通气象监测站和所在气象站的观测资料,统计分析了路面温度的变化特征以及路面温度与气象因子的相关关系,利用小波神经网络建立了冬季路面温度预报模型,并进行检验.结果表明,路面温度与气温、相对湿度显著相关.基于小波神经网络建立的预报模型检验精度78.3％到91％,可以为路面温度预报提供参考.

摘要： 提出一种基于气体分解物的电气设备故障诊断系统的研究,采用小波神经网络的故障诊断方法,介绍系统的软硬件组成与实现,并通过与其他方法的比较以突出本方法的优越性.同时将良好的软硬协同应用于电气设备故障诊断中,分析气体分解物的含量并做出电气设备的故障判断与对故障的预测.最后,给出实验数据证明故障诊断系统的可靠性和实用性.

摘要： 将比例距离的概念应用于隧道爆破振动分区中,以速度衰减曲线斜率的大小作为分区计算的依据.在此基础上,提出采用BP小波神经网络的方法对爆破近区振速进行预测,以棋盘山隧道实测数据验证模型可行性.结合泉厦高速公路大坪山隧道工程实例,对临近既有隧道形式的隧道爆破地震波传播规律进行分析、预测.分析表明:(1)在无实测值时,隧道爆破分区可按比例距离大致划分为:比例距离＜5.0为爆破近区;5.0≤比例距离≤9.0为爆破中区;比例距离＞9.0为爆破远区.(2)采用萨道夫斯基经验公式回归所得的隧道爆破振动规律不适用于爆破近区振速预测.(3)BP小波神经网络爆破近区预测模型不仅适用于新建分离式隧道,也适用于临近既有隧道的新建小净距隧道.研究成果对复杂环境下的隧道钻爆施工具有一定的指导意义.

摘要： 本发明公布了一种模糊神经网络控制的混合小波神经网络盲均衡方法，本发明方法包括如下步骤：a.)将发射信号x(n)经过脉冲响应信道得到信道输出向量b(n)；b.)采用信道噪声N(n)和步骤a所述的信道输出向量b(n)得到盲均衡器的输入序列；c.)将步骤b所述的盲均衡器的输入序列y(n)依次经过改进的混合小波神经网络得到输出信号利用模糊神经网络(FNN)来调整改进的混合小波神经网络中神经元小波函数中平移因子和尺度因子的迭代步长，并以均方误差E(n)＝MSE(n)与均方误差的偏差ΔE(n)＝MSE(n)-MSE(n-1)作为模糊神经网络控制器的输入。本发明系统的灵活性高，避免了易陷入局部极小值的困境。

摘要： 本发明提出了小波卷积小波神经网络及情报分析方法与系统，小波卷积小波神经网络及情报分析方法(1000)，包括情报处理流程(100)、全段前向计算流程(200)、wCwNN训练计算流程(300)；可以应用到模式识别、拟合预测、智慧城市、智能警务安防和智能交管领域。该方法包括情报处理、全段网络前向计算、全段网络训练计算流程。该系统包括不受控系统、前端情报板、网络安全与交换设备、海量情报服务器、高性能情报分析器、情报监察控制器。该方法与系统应用时可以通过物联网采集不受控系统大数据信息，快速完成训练，高精度完成智能计算，实现高性能智能系统。

摘要： 本发明公开了一种声表面波型小波神经网络器件，它由输入层功能模块，隐含层功能模块，输出层功能模块三部分组成。其中，输入层功能模块由声表面波器件实现的小波重构功能器件阵列构成；隐含层功能模块，由声表面波器件实现的输入层到隐含层权值求和功能器件阵列和隐含层非线性阈值器件阵列构成；输出层功能模块，由声表面波器件实现的隐含层到输出层权值求和功能器件阵列和输出层非线性阈值器件阵列构成。本发明中声表面波型小波神经网络器件，由于采用无源、体积小、易于大规模生产、成本低、高频特性好的声表面波器件实现了小波神经网络算法，提高了处理信号的频率范围，减少了器件的实现体积，降低了功耗。

摘要： 本发明公开了一种基于小波神经网络的网络故障诊断方法，步骤如下：S1，获取故障和正常状态下的网络数据；S2，对网络故障数据进行数值化和归一化处理，并采用PCA降维算法进行数据降维；S3，创建小波神经网络模型，选用改进的灰狼优化算法，将优化得到的参数作为小波神经网络模型的参数；再将步骤S2处理后的网络故障数据作为输入，反向调整参数时增加动量因子，通过不断训练，完成网络故障诊断模型建立；S4,输入实时网络状态数据，判断网络是否出现故障；S5,输出网络故障诊断结果及故障类别。本发明引入动量因子，提高诊断模型的局部寻优能力；采用改进灰狼算法，优化故障诊断模型的初始参数，避免初始参数选取的随机性。

摘要： 本发明公布了一种模糊神经网络控制的混合小波神经网络盲均衡方法，本发明方法包括如下步骤：a.将发射信号x(n)经过脉冲响应信道得到信道输出向量b(n)；b.采用信道噪声N(n)和步骤a所述的信道输出向量b(n)得到盲均衡器的输入序列；c.将步骤b所述的盲均衡器的输入序列y(n)依次经过改进的混合小波神经网络得到输出信号；利用模糊神经网络(FNN)来调整改进的混合小波神经网络中神经元小波函数中平移因子和尺度因子的迭代步长，并以均方误差E(n)＝MSE(n)与均方误差的偏差ΔE(n)＝MSE(n)-MSE(n-1)作为模糊神经网络控制器的输入。本发明系统的灵活性高，避免了易陷入局部极小值的困境。

摘要： 本发明提出了小波卷积小波神经网络及情报分析方法与系统，小波卷积小波神经网络及情报分析方法(1000)，包括情报处理流程(100)、全段前向计算流程(200)、wCwNN训练计算流程(300)；可以应用到模式识别、拟合预测、智慧城市、智能警务安防和智能交管领域。该方法包括情报处理、全段网络前向计算、全段网络训练计算流程。该系统包括不受控系统、前端情报板、网络安全与交换设备、海量情报服务器、高性能情报分析器、情报监察控制器。该方法与系统应用时可以通过物联网采集不受控系统大数据信息，快速完成训练，高精度完成智能计算，实现高性能智能系统。

摘要： 本发明公开了一种基于小波神经网络和小波技术的变压器噪声预测方法，利用小波基函数取代传统BP神经网络隐含层神经元双曲正切S型激励函数，并在调整神经网络参数时引入动量因子，使得预测模型具有更快的收敛速度和更高的误差精度。利用小波分解技术对振动和噪声数字信号经行分解，将得到的小波低频系数作为预测模型的输入-输出对，当建模完成后，利用小波重构技术对预测得到的小波低频系数经行重构，得到预测的噪声数字信号。本发明不仅减少了训练样本的数量，缩短了神经网络中神经元的训练时间，而且还避免因变压器实测噪声数据中含有环境高频干扰噪声而导致预测效果差的问题。

摘要： 本发明公开了一种声表面波型小波神经网络器件，它由输入层功能模块，隐含层功能模块，输出层功能模块三部分组成。其中，输入层功能模块由声表面波器件实现的小波重构功能器件阵列构成；隐含层功能模块，由声表面波器件实现的输入层到隐含层权值求和功能器件阵列和隐含层非线性阈值器件阵列构成；输出层功能模块，由声表面波器件实现的隐含层到输出层权值求和功能器件阵列和输出层非线性阈值器件阵列构成。本发明中声表面波型小波神经网络器件，由于采用无源、体积小、易于大规模生产、成本低、高频特性好的声表面波器件实现了小波神经网络算法，提高了处理信号的频率范围，减少了器件的实现体积，降低了功耗。

摘要： 本发明公开了一种基于小波神经网络的网络故障诊断方法，步骤如下：S1，获取故障和正常状态下的网络数据；S2，对网络故障数据进行数值化和归一化处理，并采用PCA降维算法进行数据降维；S3，创建小波神经网络模型，选用改进的灰狼优化算法，将优化得到的参数作为小波神经网络模型的参数；再将步骤S2处理后的网络故障数据作为输入，反向调整参数时增加动量因子，通过不断训练，完成网络故障诊断模型建立；S4,输入实时网络状态数据，判断网络是否出现故障；S5,输出网络故障诊断结果及故障类别。本发明引入动量因子，提高诊断模型的局部寻优能力；采用改进灰狼算法，优化故障诊断模型的初始参数，避免初始参数选取的随机性。

摘要： 本发明实施例公开基于小波神经网络的网络流量预测方法，确定进行网络流量预测的空间区域、采集时间段和采集间隔，通过网络流量监测软件在采集时间段对空间区域的实时网络流量按照采集间隔进行采集，获得每个采集时间点的网络流量数据；将网络流量数据拆分为训练数据组和测试数据组，对训练数据组的网络流量数据进行编组，构建小波神经网络模型，对编组后的训练数据组A进行训练，采用训练完毕的小波神经网络模型对空间区域中测试数据组的采集时间段的网络流量进行预测，将预测结果与测试数据组实际值比较；采用指标进行预测评价，满足预设的误差精度后，将训练完毕的小波神经网络模型用于空间区域的网络流量预测。精度高，方法简单，泛化性强。