基于小波分析和模糊神经网络的水文预测

提出一种基于小波—模糊神经网络的水文时间序列预测方法．利用小波分析具有“数学显微镜”的特点，分析水文时间序列的频率构成；通过模糊逻辑和神经网络两种理论的融合，对各频率分量进行预测，最后合成预测结果．对浙江源口水库10年间入库水量时间序列的预测实践，验证了方法的有效性。     

模糊神经网络在股票价格预测中的应用

股票的价格受经济、政治、公司经营状况和市场人气等多方面的复杂影响,且各因素自身具有模糊性和混乱性,再加之股票市场是一个非线性的系统,所以急需利用一种较好的方法解决该问题.而模糊神经网络恰能解决上述问题.本文基于模糊神经网络的相关理论建立股票预测模型,并以实例加以验证.     

小波神经网络在绝缘子漏电量预测中的应用

为了实现对绝缘子漏电量的准确预测，提出了基于小波神经网络的预测模型，分析了网络的拓扑结构，给出了网络学习方法．通过对绝缘子漏电量样本数据进行预处理，生成学习样本和测试样本，进而对预测模型进行测试，实现了对绝缘子漏电量的准确预测．将其应用于电业局的绝缘子漏电量预测中，达到了实际应用的精度要求．实验和实际应用表明，该预测模型的误差小，精确度高，能有效地预测绝缘子漏电量。     

小波变换在语音去噪中的应用

提出一种新的基于小波变换的语音去噪算法。利用此特性对信号进行小波域波滤,可从加噪的语音中提取人耳所能接受的频率成份,是一种简单有效的语音去噪算法。     

基于小波神经网络对铁路客运量的预测研究

在现代交通运输中,铁路运输的地位很高,通过建立小波神经网络模型,对客运量做出预测。首先将原始数据通过小波去噪,然后进行归一化处理,最后基于小波神经网络建立预测模型,通过对比未去噪的和去噪,发现去噪后的模型误差小。     

小波变换在信号去噪中的应用

本文基于目前常用的小波去噪方法,通过对第三种阈值方法的分析,以及结合小波多分辨率分解的特性,提出了一种基于梯度自适应学习算法计算阈值的去噪方法。仿真分析了对含噪信号在不同尺度下分解的小波变换系数进行阈值处理,得到了很好的还原效果。     

应用模糊技术的递归小波神经网络太阳日总辐射预测

考虑到人工神经网络在非线性函数逼近方面的特性和小渡函数良好的时频域多分辨分析能力，建立了结舍两者优点的递归小渡BP网络（RWBPNN）模型，用以对地面太阳日总辐射进行准确预测．该模型将气象台的天气阴睛预报进行模糊化处理后输入神经网络，增加有用信息以改善模型的预测精度．同时还提出了批量平均权值法来训练网络，有效地改善了初始参数的选择问题．实例以及模型间的比较说明了本模型应用于太阳辐射预测具有更高精度和实际可行性．     

基于小波神经网络理论的边坡位移预测

研究边坡位移混沌时间序列的预测,利用混沌系统的相空间重构理论,提出基于小波神经网络的边坡位移预测方法.通过计算表明,该方法与其它方法相比可避免误差曲面局部最小,网络节点少,参数确定较为容易,学习效率高,收敛速度快,自适应性强,精度高等优点,为边坡位移预测提供了一种可行的、新的探索途经.     

基于CEEMD小波去噪的一种预测碳排放的新方法

针对模型的输入数据优化问题,本文提出一种基于互补集总经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)小波联合去噪的神经网络碳排放预测方法。首先,采用CEEMD小波联合去噪对数据进行去噪提纯;其次,运用优化后的训练样本和输入数据建立碳排放量预测模型;最后,以“一带一路”主要经济体碳排放量为例,运用改进模型和传统模型分别进行试验仿真。仿真结果表明：经CEEMD小波联合去噪后的时序数据纯度更高,更加平稳;改进后的模型预测拟合效果更优、误差更小。此外,本文进行碳排放外推预测,结果表明：使用CEEMD小波联合去噪联合反向传播(back propagation algorithm, BP)神经网络、模糊神经网络模型在预测中具有可观的容错性能及精确度。     

小波包分析在振动测试信号去噪中的应用

简要阐述了小波分析、小波包分析的基本原理,并在此基础上介绍了利用小波包给信号去噪的一般原理。最后通过计算机仿真,对于一个含有随机噪声的振动测试信号,在默认阈值下比较了小波去噪和小波包去噪效果的不同。     

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.     

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．     

基于小波分解-卷积神经网络和支持向量回归的短期负荷预测

为了提高短期负荷预测精度,考虑到除历史负荷数据之外的其他因素对短期负荷预测的重要影响,提出了一种基于离散小波分解(wavelet decomposition, WD)、卷积神经网络(convolutional neural network, CNN)和支持向量回归(support vector regression, SVR)的负荷预测模型。首先,该方法通过小波分解算法对历史负荷数据进行分析与重构,得到长度相同的历史负荷数据,降低了原始序列中非平稳性对预测精度的影响;其次,对天气因素、日期类型进行特征构造,得到特征数据;最后,将处理后的负荷数据输入卷积神经网络支持向量回归机模型,将天气特征数据输入反向传播(back propagation, BP)神经网络支持向量回归模型,通过两个模型结果的叠加得到最终的预测值。实验结果表明,模型的预测精度和效率优于传统的CNN网络、SVR网络以及输入不进行划分的CNN-SVR模型,验证了其可行性。     

非参数估计的小波网络经济预测模型

小波网络是一类由小波构成的神经网络 .在给出基于正交尺度函数的小波网络的基础上 ,建立非参数回归估计的小波网络预测模型 ,并进一步将它应用于经济建模中 .     

基于小波分解的径流非线性预测

利用小波变换原理将具有非平稳特征的径流序列进行分解，使其平稳项与随机项分离。对平稳项采用传统的AR模型加以预测，而通过对随机项的混沌特征研究，发现其具有明显的混沌特征，进而提出了基于非线性混沌动力学的预测模型方法。最后通过小波对所提出的AR NCDF预测模型预测结果予以重构，实现对原始径流序列的预测。该方法通过实例验证具有较高的精度，是一种实际可行的方法。     

基于粗集理论与神经网络的电力系统负荷预测VoIP系统的QoS

介绍了一种基于粗集理论与神经网络相结合的电力系统负荷预测方法.运用粗集理论方法对不确定、不完整的历史数据进行属性的约简分析,并将约简后的属性作为人工神经网络的输入进行负荷预测;改进基因算法对神经网络权值修正.算例表明该方法可行、有效.     

子波神经网络在火灾探测中的应用

论述了用于信号识别的子波神经网络的结构和算法,并根据火灾传感器信号处理的特点,提出了将其用于火灾探测的方法,在子波神经网络中采用了子波函数和共轭梯度优化方法．实验表明,子波神经网络对火灾信号具有很好的学习和探测能力,与ＢＰ神经网络火灾探测方法相比,所提出的方法能够更快和更准确地探测各种标准实验火．     

基于灰色BP神经网络的装备保障费用预测模型

装备的保障费用是装备全寿命周期费用的重要组成部分,为了科学合理地预测武器装备的保障费用,通过分析装备保障费用的构成及其影响因素,考虑到装备保障费用数据量有限、复杂多变、非线性,用单一预测模型预测精度不高,因此建立了基于灰色系统理论和BP神经网络的组合预测模型,将灰色系统模型善于处理小样本数据和BP神经网络优于解决复杂非线性问题的优点有效地结合起来,对基于非线性时间序列的保障费用进行预测。仿真实例表明该组合模型的预测结果比传统单一模型所得到的预测结果总体误差要小,可以有效提高装备保障费用的预测精度。     

模糊理论在电力负荷预测中的应用

提出了一种预测电力系统负荷的新方法。该法首先根据模糊聚类分析的方法对电力负荷及其相关环境因素的历史样本进行归纳分类，然后采用合适的模糊数及模糊集刻画出各类样本中负荷变化的模式及环境因素的特征，最后，由未来环境因素状态判定未来负荷变化属于哪种模式，从而预测出电力负荷的未来值。文中以我国某省中期负荷预测为例，说明了所提方法的有效性。     

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。