基于电信行业小波神经网络模型的应用

为对未来电信业务总量和各类用户数进行有效预测, 利用分析历年电信业务总量和各类用户数, 建立小波神经网络预测模型, 以提高预测精度。在神经网络预测模型建立中, 神经网络中的转移函数使用小波函数替代, 从而得到小波基神经网络系统; 通过对自适应学习速度和参数初始值选取的改进, 获得高几率初始参数并加快算法收敛速度。     

多小波密度函数估计方法

密度估计在解决一些统计问题中有着重要的作用,基于小波基的正交性和良好的自适应性,密度函数估计的小波方法比传统非参数密度估计方法有着一定的优越性。本文基于密度函数估计的单小波方法推广到多小波密度估计中,并对多小波密度函数线性估计进行稳健性分析,得到其收敛阶。最后用此方法对实验数据进行处理,通过实例分析说明多小波密度函数估计方法的有效性。     

多变量密度函数的小波估计

本文给出并证明了多变量密度函数的线性小波估计的几个统计性质.基于多变量小波变换,本文主要讨论了多变量密度函数的线性小波估计.在Besov空间中,给定条件下,得到了线性小波估计的几个统计性质,本文并且给出了这些统计性质的证明.     

小波变换在径流序列中应用

小波变换被应用到径流分析中,以获得径流序列的组成,并预测未来的径流.用几个小波函数对观测的径流序列进行了分解和重构,并展示了其发展趋势;用BP神经网络、小波变换结合BP神经网络,对引用的径流序列进行了预测.最后,对影响计算结果的因素进行了分析,并对小波函数在径流分析中的应用提出了建议.     

基于集成卷积小波极限学习的绝缘子故障检测

针对绝缘子因分布位置较远、背景复杂而导致传统方法无法精准并高效识别其故障的问题,提出一种基于集成卷积小波极限学习神经网络(ECWELNN:Ensemble Convolution Wavelet Extreme Learning Neural Network)的绝缘子故障检测方法.首先通过安装在无人机上的工业级摄像机采集现场的绝缘子图像数据并进行预处理;其次将卷积神经网络、自动编码器、极限学习机和小波函数的优势结合,构造集成卷积小波极限学习神经网络,并逐层堆叠建立多个深层神经网络;最后将绝缘子图像样本输入多个深层神经网络进行自动特征学习,将预测结果进行集成并输出最终的故障检测结果.通过实验对比验证了小波函数作为极限学习机网络模型中的激活函数在绝缘子识别领域中的优势.实验结果表明,该方法的平均故障检测准确率达到了98.49％,标准差仅0.20,相比其他方法在图像特征提取和故障检测准确率方面更具优势,适用于绝缘子故障的自动识别.     

SARS传播规律函数的ELMAN神经网络逼近方法

提出了用ELMAN神经网络逼近传染病传播规律函数的方法,给出了影响传染病传播的影响因素简单近似的量化途径。用北京市和山西省的统计数据来验证该方法,验证结果表明,训练后的ELMAN神经网络能较准确的逼近传染病的传播规律函数,该方法对传染病的预测和控制有一定意义。     

基于遗传级联神经网络的化学溶液浓度预测

在化学实验中经常需要对化学溶液各成分的浓度给出比较准确的预测。通过遗传算法来优化级联神经网络，利用神经网络的学习预测能力来预测化学溶液的浓度。首先用小波网络对混合溶液测出的极谱信号进行拟合并提取特征；然后用神经网络对提取的信号特征学习训练到一定程度后，把要预测浓度的化学溶液的极谱信号经小波网络提取的特征输入该网络后，给出预测值。计算结果表明，预测结果基本符合要求。     

Legendre小波神经网络

在BP神经网络的基础上，结合Legendre小波构造了Legendre小波神经网络。由于Legenure小波在区间[0，1)上具有分段表达式并且为多项式的特点，因而构造的Legendre小波神经网络有结构简单、收敛速度快等优点。以神经网络的BP算法作为Lengendre小波神经网络的学习算法，用有6个Legenqdre小波基函数的Legendre小波神经网络对一个函数进行逼近分析，得到了较好的逼近效果。     

电力设备基于小波神经网络故障检测方法的仿真研究

提出了一种基于小波神经网络非线性观测器的故障检测方法。它是将规范正交的小波函数作为基函数网络中的基函数,得到小波神经网络。通过小波的去噪和神经网络的自学习功能,获取系统输入输出的非线性动力学特性,进而实时计算出残差并进行逻辑判决,可提高故障检测的速度和准确率。对同步交流电机的结构损伤故障进行了仿真,结果表明了该方法的有效性。     

神经网络方法在计算沙粒起跃初速度分布中的应用

利用神经网络的自适应、自学习功能,以有限的实验数据为训练样本,建立了描述风速、粒径与沙粒起跳初速度分布函数之间映射关系的神经网络模型.利用此网络可以预测得到实验尚未给出的沙粒初速度分布函数中的拟合参数,可快捷、有效地弥补实验数据的不足.