一种用于非线性函数逼近的小波神经网络算法仿真

提出一种用于非线性函数逼近的小波神经网络算法,分析了网络的拓扑结构,给出了网络的参数估计方法.采用遗忘因子法训练网络的权值,利用具有优良渐近性质的递推预报误差算法训练尺度因子和平移因子,分析并给出两种小波元的个数选择方法.该算法用于非线性函数逼近时优于同等规模的BP神经网络.仿真研究表明,该方法具有收敛速度快,逼近精度高等优点,在为非线性系统建模提供一种新方法的同时,也为复杂非线性系统的辨识提供有益的参考.     

基于小波神经网络的非线性动态系统辨识

采用一种新型小波神经网络对非线性动态系统进行辨识,并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动态函数逼近时优于同等规模的BP网络。     

城市供水管网水量预测的小波神经网络方法

为提高城市供水优化调度的可靠性和实用性，对城市管网水量预测的方法进行了研究．提出了利用小波分解与人工神经网络相结合的小波神经网络管网水量预测模型，该模型以非线性小波基为神经元变换函数，通过伸缩因子和平移因子计算小波基函数合成的小波网络，并从理论上给出了严密的算法；同时通过逐步检验算法，科学地确定了网络结构，克服了普通人工神经网络难以确定网络结构、存在局部极小点等缺点．仿真结果表明，该模型比普通人工神经网络预测模型的预测精度高，并具有很强的适应能力．     

基于小波神经网络的入侵检测系统

利用小波变换在信号处理方面的时频分析能力和神经网络对任意非线性函数的逼近能力，提出了一种基于小波神经网络的入侵检测方法．用小波变换代替普通神经网络的激励函数，能有效地提高网络样本训练的效率和速度，在仿真结果中体现出有很好的收敛速度和学习能力，比较适合用于入侵检测系统中．     

BP网络对小波变换轮廓术中提取相位的校正

在小波变换轮廓术中,采用一维小波变换去解调变形结构条纹包含的物体面形分布时,小波处理所带来的误差分布同被测物体的面形分布及其变化率存在联系.为了减小小波变换轮廓术中相位提取的误差,从小波变换的相关实质出发,提出了利用神经网络的强大学习能力和函数逼近功能来校正相位.该方法以提取相位的一阶和二阶差分、小波尺度因子等相关计算量作为多层前馈型反向传播网络的输入,通过对复杂样本的训练,实现了输入与误差之间的非线性映射.计算机模拟和实验验证了用神经网络校正相位方法的有效性.     

混沌时间序列的自适应正交小波神经网络预测

针对非线性混沌时间序列预测问题,提出一种基于正交小波神经网络的自适应预测算法.根据来自非线性序列模型的期望输入输出数据,利用小波框架理论建立初始的小波神经网络.采用正交化逐步选择方法对于初始小波神经网络进行结构优化,从而建立最精简的网络模型.同时引入在线学习算法在线修改网络权值和小波神经元的参数,从而提高模型的自适应能力和泛化能力.通过对时滞Mackey-Glass超时间序列和时变Lorenz混沌序列的预测,证明了算法的有效性.     

基于人工神经网络的设备可靠性组合预测方法研究

提出了一种基于人工神经网络的非线性组合建模与预测新方法,利用人工神经网络对复杂非线性系统的拟合能力,通过网络训练自适应地调整单一预测模型的权重,并应用MATLAB神经网络工具箱编制了非线性组合预测软件。将该方法应用于某发动机的故障预测,通过与自回归模型、灰色模型和线性组合模型的预测结果对比表明,该方法具有预测精度高,学习与泛化能力强的优点,在设备故障和可靠性预测中具有广泛的应用前景。     

基于神经网络的VBR视频流量建模及预测

为解决视频流量预测问题,结合神经网络和小波技术建模IP(Internet Protocol)网络视频流,提出了利用神经网络预测尺度因子的预测算法.对可变比特率的压缩视频流完成小波分解,得出尺度因子.通过对尺度因子的预测和小波重建,完成视频流量预测.尺度因子的归一化特性简化了神经网络处理过程.对真实VBR(Variable Bit Rate)视频流的流量预测实验表明,模型对IP网络普遍应用的高压缩比视频流具有良好的预测能力.     

灰色技术与小波网络融合的多因素预测模型

针对多因素预测中预测对象与影响因素之间具有非线性相关性、预测对象及其影响因素呈随机性、非线性变化的特点,同时各影响因素对预测对象的重要程度不尽相同,学习样本容量小、信息不充分,充分利用小波神经网络对非线性函数的强大拟合能力和灰色累加技术弱化原始数据随机性、增强规律性的优势,建立了灰色小波神经网络融合的多因素预测模型,并将其应用于交通量预测中.结果表明,与BP网络比较,所建模型可行有效,且提高了预测精度.     

基于改进小波神经网络的汇率预测研究

选取2010-01-01—2010-10-31期间内,美元兑人民币的汇率基准价,以Morlet为母小波基函数,采用紧密结合的的小波神经网络对汇率基准价作非线性逼近,并在此小波神经网络基础上进行改进,并通过Matlab软件对原网络与改进网络的训练过程进行了数值仿真.仿真结果表明,改进网络模型对汇率基准价的预测是可行的,其预测精度更高.     

基于模型迁移的磨矿过程混合蛙跳算法-小波神经网络软测量建模及重构

摘要：
以磨矿过程的关键工艺指标(磨矿粒度和磨机排矿速率)为预测对象,提出一种基于小波神经网络（WNN）的自适应软测量建模方法.通过对磨矿过程工艺的分析,选取了软测量模型的辅助变量,利用混合蛙跳算法(SFLA)对WNN软测量模型的结构参数(小波函数伸缩因子、平移因子和网络连接权重)进行优化,实现软测量模型输入输出变量之间的非线性映射;并采用模型迁移思想及输入输出修正规划方法实现软测量模型的重构,以解决输入矿石品位改变这一动态工况下的模型自适应校正问题.仿真结果表明,所提出的模型能够显著提高磨矿过程中经济技术指标预测的精度和鲁棒性,满足磨矿生产过程的实时控制要求.
关键词：
磨矿过程; 软测量; 小波神经网络; 混合蛙跳算法; 模型迁移
中图分类号： TK 232
文献标志码： A     

基于小波神经网络的短时客流量预测研究

提出了基于小波神经网络的短时客流预测方法。对具有动态性,受多种因素影响的城轨的客流量进行短时的预测。通过建立小波神经网络对于城轨进行每隔15 min客流量预测。示例结果表明,所建立的小波神经网络的预测模型比其他的典型的预测模型预测精度高,误差小。     

基于神经网络的中国汽车保有量建模与预测

利用改进的BP神经网络对中国2000年、2005年、2010年的汽车保有量进行预测,并与灰色预测的结果进行对比。结果表明,由于神经网络具有很强的学习与泛化能力,因此在处理具有一定程度不确定性的非线性系统的建模与预测方面,神经网络有很好的应用价值。     

用小波神经网络预测高速公路软土地基最终沉降量

高速公路软土地基的最终沉降量与软土工程特性、应力历史、路基剖面形态以及地基处理方法等许多因素有关 ,根据这些因素计算最终沉降量是一个非线性建模问题。利用小波神经网络在非线性建模中的收敛迅速等优越性 ,提出利用小波神经网络预测高速公路软土地基的最终沉降量的方法。通过实例分析表明该方法收敛迅速 ,预测精度高。     

小波变换集遗传算法神经网络的径流预测建模

为获得更精确的径流预报结果,利用dmey小波变换对径流时间序列分解为高频信号和低频信号,再使用遗传算法优化的BP神经网络分别对其进行预测,最后利用dmey小波逆变进行重构,以此建立径流总量预测模型。通过对柳江径流总量进行实例分析,并与遗传算法优化的神经网络模型、BP神经网络模型及传统的时间序列分析方法对比,该方法获得更准确的预测结果。研究结果表明该模型能充分反映径流时间序列趋势,预报稳定性好,预报准确率高,为径流时间序列预测提供一个有效建模方法。     

基于小波神经元网络模型的网损预测方法研究

提出了一种电力系统网损预测的新算法-小波神经元网络预测模型,它以非线性小波基为神经元函数,通过优化伸缩因子和平移因子确定对应务神经元的小波基函数,从而合成小波神经元网络,达到全局最优的拟合效果,克服了普通人工神经元网络学习速度慢、难以确定网络结构、存在局部极小点等方面的缺点,仿真结果表明,该方法准确,并可使学习速度大大提高。     

基于小波分解和长短时记忆网络的地铁进站量短时预测

针对城市地铁车站进站客流量短时预测问题，提出了小波分解和长短时记忆网络(LSTM)相结合的组合预测模型，小波分解和重构可以有效处理数据的波动性，长短时记忆网络可以学习时序信息。以北京地铁西直门站为实例，实现了组合模型对进站量的预测，发现本方法能够得到比较准确的预测效果，平均绝对百分误差为5.48%，与单独使用LSTM和经验模态分解与LSTM结合这两种方法相比分别下降了8.59%和2.94%，表明本方法有更好的预测精度。     

非线性时间序列预测的BP神经网络方法及应用

针对在非线性时间序列的BP神经网络建模预测的基本方法中,存在的建模速度慢,计算较复杂等问题,提出一种改进的BP神经网络动态建模与预测方法,并运用该方法对一非线性时间序列进行了仿真,仿真结果表明此方法的实际应用效果较好。     

径流序列的相空间重构神经网络预测模型

在水文水资源领域中引入混沌理论，将相空间重构理论与神经网络理论相结合，提出了径流时间序列预测模型．通过相空间重构，把一维径流时间序列拓展为多维序列，而多维序列可挖掘更为丰富的信息，有利于神经网络的训练．研究表明，利用神经网络建模可以较好地解决非线性问题，使预测更符合实际．以汉江石泉水库逐月平均入库径流序列为例，建立了径流时间序列相空间重构与神经网络耦合预测模型，计算结果表明，模型有较高的预测精度．