基于遗传小波神经网络模型的脱机签名鉴定

根据脱机中文签名的特点,提出了一种用基于遗传算法的小波神经网络进行脱机中文签名鉴定的方法.基于遗传算法的小波神经网络模型结合了遗传算法的全局搜索能力和小波神经网络快速高精度的特点,克服了梯度下降法易陷入局部极小和引起振荡效应等缺点.该模型用遗传算法对小波神经网络的各参数进行前期优化训练,再用梯度下降法对参数进行二次优化.实验结果表明,将此模型用于脱机签名鉴定系统,与单独采用BP网络或小波神经网络相比,性能有明显的提高.     

基于改进遗传算法的交通流量小波网络预测

针对小波网络结构不易确定和网络参数随机选择易造成较大预测误差的问题,文章通过对采集的交通流数据进行分析和多次试验判断误差,来确定小波神经网络的结构;提出了一种改良的遗传算法来初始化神经网络的权值参数,并对种群的进化进行分析;最后将遗传算法选择出的最优个体解码成小波网络的权值和因子,用构建的小波神经网络来预测短时交通流量,得出预测结果。研究结果表明改进遗传算法优化的小波网络能够较好地预测输出,并能够降低输出误差均值。     

一种基于BP算法学习的小波神经网络

为发展Szu的基于信号表示的小波神经网络,提出一种多输出的小波网络模型,网络隐层采用框架小波函数、输出层采用Sigmoid激励函数,并选用“熵误差函数”以加速网络的学习速度。奇偶判别和混沌时间序列预测例子的实验结果表明了它具有良好的函数逼近能力和推广能力,收敛速度和均方误差均优于相同结构的多层感知器模型。     

遗传小波神经网络用于极谱信号的滤噪

将遗传算法的全局搜索能力与小波神经网络的强拟合与容错能力相结合,构造了遗传小波神经网络。对模拟和极谱信号处理的结果表明:由于该网络使用遗传算法优化了神经网络的参数,从而避免了网络陷入局部最小和选择网络参数时的人工参与,能够有效地进行滤噪和数据压缩,使神经网络用于化学信号处理的智能化程度得以提高。     

结合遗传算法和阻尼牛顿算法的小波神经网络入侵检测

小波神经网络结合了小波变换和神经网络的优点,具有很强的非线性映射能力和自适应、自学习能力,特别适合于入侵检测系统.但小波神经网络的也有易于陷入局部极小值、收敛速度慢的弱点.对此,本文引入遗传算法来优化产生小波神经网络的初始权值与阈值等,确定一个较好的搜索空间,从而克服小波神经网络易于陷入局部极小值的缺点;同时引入了阻尼牛顿算法,在遗传算法所确定了的搜索空间中对网络进行快速训练,解决传统小波神经网络收敛速度慢的问题,两者构成阻尼牛顿-遗传-小波神经网络.仿真结果表明该方法可行,使神经网络的逼近能力和泛化能力得到了显著提高.     

基于小波神经网络的股票预测

通过将Morlet母小波基函数作为神经网络隐含层神经元的激励函数,构建了Morlet小波神经网络,对网络结构进行了隐含层节点的优化,对股票收盘价的变化进行仿真和预测,实验结果表明,Morlet小波神经网络具有较好的逼近非线性映射的能力,其泛化性能和预测能力较优.     

改进的小波神经网络模型及应用

为改善应用于变参数振动钻削加工过程的仿真和参数优化的小波神经网络的逼近能力和泛化能力,提出一种小波神经网络结构和基于局部学习策略的共轭梯度(LCG:Local Conjugate Gradient)算法,并利用灰色关联分析法对改进网络模型中的3个输入权值进行选取,对网络权值、小波函数的平移因子和伸缩因子的初始值选取给出了原则.通过实验表明,该模型改善了网络性能和仿真效果.     

基于遗传-小波神经网络的短时交通量预测

针对短时交通量的高度非线性,提出一种基于遗传-小波神经网络的预测方法.该方法以前馈多层感知器的神经网络拓扑结构为基础,选择Morlet母小波基函数作为隐含层激活函数,以最简化结构概念进行网络泛化,并将误差反向传播,经遗传算法对网络连接权值修正.实例证明,该方法预测精度高,预测速度较快,能够满足实际工程的要求.     

局部线性模型在小波神经网络中的应用

把一种局部线性模型应用于小波神经网络中,把网络隐层与输出层之间的直接连接权值用一种线性模型来代替以减少隐层节点数目.对带局部线性模型的小波神经网络与一般小波神经网络的性能进行比较,试验结果证明了带局部线性模型的小波神经网络的优越性.     

小波神经网络用于非线性函数逼近的研究

神经网络具有良好的学习特性，而小波变换具有良好的时频局部化特性．将二者结合在一起构成小波神经网络，网络隐层采用morlet小波函数，输出层采用线性函数，使得该网络兼具神经网络和小波变换的优点．分别用小波网络和BP网络逼近一非线性函数，其结果表明，在相同的误差条件下，小波网络的收敛速度要远远快于一般的BP网络．