一种求解最优控制问题的混合WNN-PSO算法

针对最优控制问题的数值求解,提出了一种混合小波神经网络粒子群(WNN-PSO)算法,算法首先利用小波神经网络的非线性逼近能力参数化最优控制轨迹,将最优控制问题转化为非线性规划(NLP)问题,其决策变量为小波神经网络的参数,然后采用粒子群(PSO)算法优化小波神经网络参数,获得NLP问题的全局最优解.针对Bang-Bang最优控制问题和一个经典的化工过程最优控制问题进行仿真研究,验证了所提出算法的可行性和有效性.     

多分辨正交多小波网络的结构与算法研究

小波网络是函数逼近的有力工具。利用多小波函数和多尺度函数的互补性,构造了一种具有分层、多分辨和局部学习特点的正交多小波神经网络。分析了该网络用于函数逼近时的性质,讨论了其结构并在此基础上给出了调整网络权系数的算法。理论分析和GHM多小波网络及db2单小波网络对几种非线性函数的仿真结果都表明,当函数具有一定的光滑性时,正交多小波神经网络的逼近性能优于正交单小波神经网络。     

基于小波神经网络的图像重建算法研究

针对传统的图像重构算法的不足,提出一种基于小波神经网络的图像重建快速学习算法。运用小波神经网络对图像重构进行了仿真研究。实验表明,对于不同的误差模型,小波神经网络采用不同的基函数可以很好地对非线性系统进行逼近,收敛速度快,近似精度高,而且网络规模比较小,计算量少。对计算机视觉和图像处理具有良好的应用价值。     

正交小波网络及其在经济预测中的应用

依据多分辨分析和正交小波分解理论,建立由正交小波函数和正交尺度函数共同作为神经网络的激励函数的正交小波网络,并充分利用二者互补的特性,给出正交小波网络的分层、递阶学习算法,这使得正交小波网络在逼近函数的过程中不存在局部最小的问题,而且可以建立网络结构与逼近精度之间的明确关系;建立了我国人口预测的正交小波网络模型并验证了模型的实际有效性.     

一种新的小波网络快速学习混合策略

针对传统的小波网络梯度学习算法易于陷入局部极值、收敛速度慢且对初始参数很敏感的缺点,将全局性能优越的差异进化(DE)算法和最小二乘算法(LS)有机的结合起来,提出了一种新的快速学习混合策略。该混合学习算法思想是将待训练参数分为非线性和线性两类,利用差异进化算法对小波网络非参数进行全局优化训练,而最小二乘法用于快速训练网络连接权值。非线性函数逼近实验表明,小波网络逼近性能要远优于传统的BP神经网络,相对于使用随机梯度学习算法的小波网络,提出的混合学习算法收敛速度更快,且具有更小的均方差。     

一种基于遗传算法的小波神经网

网络的优化学习是人工神经研究中的一个重要问题.将遗传算法全局性优化搜索和小波分析的时-频局部性特点相结合,本文提出了一种基于遗传算法学习的小波神经网络--遗传算法小波神经网络(WNNGA).三位异或问题和双螺旋问题的实验结果证明,遗传算法小波神经网络不仅继承了小波分析良好的局部性及其神经网络的学习和推广能力,而且具有遗传算法全局快速寻优的特点,是多层前向神经网络学习的一种理想算法.     

基于小波神经网络的大型多辊热连轧机产品质量模型

依据小波的非线性逼近能力和神经网络的自学习特性，提出一种适合高维输入的小波神经网络建模方法。这种小波网络结构类似多层感知器，不同的是隐层神经元的激励函数为小波函数，分别对3种小波函数进行试验，利用多种优化算法训练神经网络，经比较，选择B－样条函数为激励函数，利用L－M算法较为理想，成功解决了32维输入的大型多辊热连轧机钢板材质量建模问题，经过8600组实测数据拟合和检验，测试结果表明，拟合命中率达82．3％，测试命中率达80．5％，表明了该方法的有效性。     

混合递阶遗传算法优化小波神经网络的研究

在研究小波神经网络结构及其学习算法的基础上,提出了一种以混合递阶遗传算法优化小波神经网络的新方法,混合递阶遗传算法是递阶遗传算法和多元线性回归的结合。此方法可同时优化小波神经网络的结构及其参数,具有学习速度快,精度高的特点。并与传统的BP算法进行了对比,证明了本算法的有效性。     

基于多值编码的混合遗传算法的小波神经网络优化

采用多值编码方式构造染色体结构，对小波神经网络的结构和参数进行编码，可以同时确定小波神经网络结构和优化网络参数，简化了问题的求解过程。在遗传算法中嵌入一个梯度下降算子，使得混合算法既有较快的收敛性，又能以较大概率得到全局极值。仿真表明，利用该算法训练小波神经网络，能使网络具有简单的结构形式，较快的收敛速度，较高的逼近精度和较强的泛化能力。     

基于Chebyshev基函数模糊神经网络的快速辨识方法

神经网络的非线性逼近能力的研究是神经网络成为辨识模型的理论基础。首先研究了基于正交多项式函数的神经网络逼近理论和方法,并在此基础上证明了新型Chebyshev神经网络具有良好的非线性并研究了它的全局最优逼近性质。然后提出了一种用于复杂非线性系统辨识的基于Chebyshev基函数的模糊神经网络模型和学习算法。该模型以Chebyshev基函数为隶属函数,规则后件采用输入变量的线性函数,无需调整隶属函数的参数,只是采用BP学习算法学习后件参数,因而大大减少了模型算法的计算量,学习算法简单,加快了学习收敛速度,而且不使网络结构复杂,设计简单。仿真结果表明所提模型和方法的有效性。     

一种用于故障诊断的演化小波神经网络

针对小波神经网络实现故障模式识别时存在的“维数灾”问题 ,提出了利用遗传算法在小波网络的学习过程中优化网络结构的方法 ,可有效减少小波基元 ,加速收敛。同时为提高遗传优化的收敛速度和精度 ,避免“早熟”现象 ,采用基于实数编码的遗传算法。给出了各个控制算子的自适应调整策略 ,并设计了增加和删除操作对遗传算法进行改进。仿真结果证明了该算法的有效性。     

Wavelet-Based Elman Neural Network with the Modified Differential Evolution Algorithm for Forecasting Foreign Exchange Rates

It is challenging to forecast foreign exchange rates due to the non-linear characters of the data. This paper applied a wavelet-based Elman neural network with the modified differential evolution algorithm to forecast foreign exchange rates. Elman neural network has dynamic characters because of the context layer in the structure. It makes Elman neural network suit for time series problems. The main factors, which affect the accuracy of the Elman neural network, included the transfer functions of the hidden layer and the parameters of the neural network. We applied the wavelet function to replace the sigmoid function in the hidden layer of the Elman neural network, and we found there was a "disruption problem" caused by the non-linear performance of the wavelet function. It didn't improve the performance of the Elman neural network, but made it get worse in reverse. Then, the modified differential evolution algorithm was applied to train the parameters of the Elman neural network. To improve the optimizing performance of the differential evolution algorithm, the crossover probability and crossover factor were modified with adaptive strategies, and the local enhanced operator was added to the algorithm. According to the experiment, the modified algorithm improved the performance of the Elman neural network, and it solved the "disruption problem" of applying the wavelet function.These results show that the performance of the Elman neural network would be improved if both of the wavelet function and the modified differential evolution algorithm were applied integratedly.     

FWNN for Interval Estimation with Interval Learning Algorithm

ＦＷＮＮｆｏｒＩｎｔｅｒｖａｌＥｓｔｉｍａｔｉｏｎｗｉｔｈＩｎｔｅｒｖａｌＬｅａｒｎｉｎｇＡｌｇｏｒｉｔｈｍＷａｎｇＬｉｎｇ，ＬｉｕＦａｎｇ＆ＪｉａｏＬｉｃｈｅｎｇＳｔａｔｅＫｅｙＬａｂｏｆＲＳＰａｎｄＮＮＲｅｓｅａｒｃｈＣｅｎｔｅｒ，Ｘｉｄｉａｎ...     

连续小波神经网络优化结构研究

通过仿真实验发现凭经验选取小波神经网络隐层小波基,所得结构并不最优.为此,本文将遗传算法与小波神经网络结合起来进行研究.利用遗传算法来优化小波神经网络的结构,确定小波基的个数,采用BP算法来训练小波神经网络中的伸缩因子、平移因子和连接权值.仿真结果表明,该方法能准确搜索到最优结构,是切实可行的.     

基于小波神经网络的胎号识别算法研究

针对人工神经网络的特点,对传统BP算法进行了改进。采用小波神经网络方法,有效克服了传统BP算法在实际应用中学习收敛速度慢和容易出现局部极小点的缺点。以轮胎胎号字符识别为例,分别用投影法和Hu不变距方法进行特征提取,并将所提取的特征用作神经网络输入层的神经元。将所设计的小波神经网络经训练后用于胎号的识别。仿真结果表明,小波神经网络在字符识别方面是一个十分有效的方法。     

基于误差反传小波神经网络的船舶横摇时间序列预报

结合小波分析和神经网络的特点，建立了应用于船舶横摇运动时间序列预报的误差反传小波神经网络结构并给出了算法。作者利用多输入、单输出小波神经网络预报模型进行了仿真，取得了良好的仿真效果。此方法不仅可应用于横摇运动时间序列预报，亦可用于纵摇、艏摇的时间序列预报。     

自适应T-S型模糊径向基函数网络

针对T-S型模糊推理系统的模型参数辨识问题,充分利用模糊推理系统的可理解性与神经网络的学习能力,提出一种自适应T-S型模糊径向基函数网络。为设计满足精度要求的最小结构神经网络,在对网络学习动态进行分析的基础上,给出了网络拓扑结构的动态构造学习算法。在不需要任何先验知识的情况下,能够根据任务复杂度和学习进度进行网络隐层节点的自适应增加、合并和删除操作。将该网络应用于非线性函数逼近问题,取得较好的效果。     

基于小波网络的非线性组合预测方法研究

提出了一种基于小波网络的非线性组合预测新方法，以克服线性组合预测方法在解决非平衡时间序列组合建模问题所遇到的困难和存在的不足，并给出了相应的学习算法求解小波函数线性组合的尺度和时延参数以及神经网络权值。理论分析和大量的应用实例表明：本方法具有很强的泛化能力与自适应数据和函数变化的能力，在处理诸如经济时间序列这种具有一定程度不确定性的非线性系统的组合建模和预测方面有较高的应用价值。