用遗传算法确定短序列正交多子波

提出一种利用遗传算法来确定由短序列正交多尺度函数所生成的正交多子波的方法,使寻找多子波的思路变得清晰而简单．     

双正交多子波包理论

多子波与单子波相比,可同时拥有正交性、紧支撑、对称性和高的逼近阶等特性,成为子波研究的一个新热点.为了使多子波对信号分解具有更广泛的适应性,将双正交多子波基扩展到多子波包,建立了双正交多子波包的理论框架,并把有关单子波包的定义、概念和性质推广到双正交多子波包,给出相应的证明,这将为双正交多子波的全频带快速分解和实现奠定理论基础.     

多子波分解与重构技术应用研究

Liu J L,Marfurt K J.Matching pursuit decomposition using Morlet wavelets[C]//SEG/Houston:Annual Meeting,2005:786-790.

Wang Y H.Seismic time-frequency spectral decomposition by matching pursuit[J].Geophysics,2007,72(1):13-20.

John P C,Sun S J,Robert W S.Instantaneous spectral analysis:Detection of low-frequency shadows associated with hydrocarbons[J].The Leading Edge,2003,22(2):120-127.

Satish S,Patrha S R,Phil D A,et al.Spectral decomposition of seismic data with continuous-wavelet transformation[J].Geophysics,2005,70(6):19-25.

高静怀,汪文秉,朱光明,等.地震资料处理中小波函数选取研究[J].地球物理学报,1996,39 (3):392-400.

徐天吉,程冰洁.瞬时谱分析技术与气水识别方法研究[J].石油天然气学报,2008,30(4):73-78.

>>更多...     

多子波分解与重构法砂岩储层预测

鄂尔多斯盆地北部大牛地气田的天然气藏是大型岩性圈闭气藏,储层具有岩性致密、非均质性强的特点,由于地震资料分辨率较低、砂泥岩波阻抗差微弱、煤层反射振幅过强,造成砂体的地震响应特征不明显,储层预测难度极大。通过对叠后地震数据的多子波分解与重构,也就是将地震道分解成不同主频的子波集合,将反映储层频率成分段的子波进行叠加,用于储层含气性预测,在含气砂岩储层预测中取得了良好的效果。     

基于离散小波变换和RBF神经网络的说话人识别

为提高说话人识别系统的性能,结合离散小波变换与RBF神经网络提出一种说话人识别新方法。把小波变换与美尔频率倒谱系数提取相结合,使用离散小波变换代替美尔频率倒谱系数中的离散余弦变换,提取变换谱振幅作为特征参数。使用逼近能力、分类能力和学习速度均更优的RBF神经网络取代常用的BP网络,采用与输入样本相关的方法优化RBF网络初始权值选取。不同语音长度和信噪比的实验表明,系统识别率和鲁棒性均得到了提高。     

遗传算法-神经网络方法的结构损伤识别

应用人工神经网络技术，提取结构的固有频率的变化为特征参数，建立结构损伤识别模型，提出用遗传算法来调整神经网络的权值，并对一个框架模型进行了损伤数值模拟计算，即基于遗传算法一神经网络方法的结构损伤识别的研究。该方法弥补了传统的种经网络BP网络收敛速度慢，易陷入局部极小点等缺陷．结构表明，该方法具有收敛速度快和识别精度高的特点。     

基于改进BP神经网络模型的地面沉降预测及分析

针对区域性地面沉降问题,用遗传算法优化BP神经网络的初始权重,建立了地面沉降预测模型．该模型克服了BP神经网络模型存在的收敛速度慢、易陷入局部极小点的缺点采用后验差检验法对模型拟合结果进行了检验,结果表明模型具有很好地拟合与泛化能力．应用该模型对地下水位影响强度进行了分析,表明地面沉降与地下水位存在一致响应趋势．     

遗传算法在神经网络权值优化中的应用

讨论了基于遗传算法的神经网络权值优化问题,并通过实验仿真将该算法与BP算法进行比较,从而验证了该算法的可行性与有效性。     

遗传算法–神经网络方法的结构损伤识别

应用人工神经网络技术,提取结构的固有频率的变化为特征参数,建立结构损伤识别模型,提出用遗传算法来调整神经网络的权值,并对一个框架模型进行了损伤数值模拟计算,即基于遗传算法-神经网络方法的结构损伤识别的研究。该方法弥补了传统的神经网络 BP 网络收敛速度慢,易陷入局部极小点等缺陷. 结构表明,该方法具有收敛速度快和识别精度高的特点。     

基于遗传算法的神经网络权值优化

针对BP算法学习效率低、收敛速度慢，以及易陷入局部最优等缺点，提出了一种新型的、基于自然选择和基因遗传学原理的随机搜索算法——遗传算法(Genetic Algorithm)，并论述了它在BP神经网络中权值优化的问题。仿真结果表明，用遗传算法优化BP神经网络的权值收敛速度快，并有效解决了BP算法易陷入局部最优的问题。     

基于神经网络的手写体数字识别

本文将奇异值分解方法用于神经网络结构优化。通过收敛后网络的权值矩阵作ＳＶＤ分解，根据分解结果确定出较适宜的隐层神经元数目，这样神经网络结构得以简单化，连接权的数目将减少，从而使计算理减少，节约存贮资源及时间。     

一个神经网络分类器的构造

提出了一个构造径向基函数神经网络分类器的有效方法,利用快速聚类和统计的方法确定网络中间层及中间层到输出层间的权值,把构造的分类器用于手写体数字的分类实验,取得了比较好的结果。     

三种初值选取方法对BP神经网络收敛速度影响的比较

运用MATLAB软件及其BP神经网络工具箱函数，结合一个实际的例子比较了三种初值选取的算法对BP神经网络收敛速度的影响。     

BP网络初始权值的选取方法

研究了运用BP网络对经过旋转任意角度的二值图像的训练和识别,提出了具有一定借鉴性的网络初始权值的选取方法,并在实验中对各种不同的旋转图像进行了训练和识别,所训练出的BP网络正确识别率高达90%以上.     

修正初始权值的BP网络在CSTR故障诊断中的应用

将BP算法和使用复合法修正初始权值的BP算法运用到CSTR模型中进行故障诊断。采用复合法对初始权值进行修改,避免了BP算法中初始权值的随机性带来的收敛缓慢甚至瘫痪现象,并结合CSTR模型的故障诊断进行了仿真运算,与BP网络的比较表明了改进算法在运算效率上的优势。     

判别混沌与噪声的局部可变神经网络方法

为了解决多对单类型的分类问题（ 尤其是无限多对单） ，提出了一种处理多对单问题的新型神经网络模型———局部可变权值神经网络，并将其应用于混沌信号和噪声的判别．局部可变权值神经网络学习算法与传统神经网络类似，但在工作时可根据网络输入来调整神经网络局部权值．从最后分类结果看，无论是在学习时间还是在分类精度上，局部可变权值神经网络比传统神经网络都要好     

一类折线模糊神经网络的存在性

应用折线模糊值函数的表示定理和Weierstrass第一逼近定理构造了一个三层折线模糊神经网络,并借助折线模糊数的优良性质证明了折线模糊神经网络对连续折线模糊值函数具有泛逼近性.     

基于Hopfield神经网络的系统优化

分析Hopfield型神经网络的系统特征及其优化方面的应用原理,证明了DHNN的权值公式,改进了基于Hopfield型神经网络的系统优化模式,总结相对传统优化方法的特点。     

模糊算子神经网络的函数逼近能力

研究模糊算子神经网络的函数逼近能力，首先提出传统神经网络和模糊神经网络的一般模型即模糊算子神经网络，又将其进一步推广为广义模糊算子神经网络，考虑这两种通用模型的代数结构和分析性质，给出其连续函数的一致逼近定理，其结论是传统神经网络逼近性质的推广，适用于由任何连续算子构成的多层神经网络（模糊神经网络）。     

神经网络对Rd上连续函数最佳逼近的一个注记

本文构造了一类单隐层神经网络,使其逼近Rd上连续函数的速度达到最佳代数多项式逼近速度,并刻划了该类单隐层神经网络的逼近性质．