基于模糊小波神经网络的BDI模型

为克服原有BDI模型可计算性差以及不能处理模糊问题的弱点,提出一种基于模糊小波神经网络(FWNN)的BDI模型,FwNN用神经网络来实现模糊化、模糊承诺和去模糊化的过程,并利用小波基函数作为模糊隶属函数,网络权值和隶属函数的形状均是可学习调整的.以一对一追逃问题为背景的仿真实验验证了模型及算法的可行性.     

基于小波包与Elman神经网络的整流电路故障诊断

引入了一种针对电励磁双凸极发电机的整流电路故障的小波和Elman神经网络相结合的诊断方法.根据整流电压波形的畸变规律,将2个以内的二极管故障分为7类共计22种故障元.选用Daubechies小波作为小波基,对实测的整流电压进行小波包分析,利用小波系数,在各个频带上进行小波信号重构.提取全频带能量特征值,并以此构造故障模式向量作为神经网络的输入,实现了故障的分类和定位.以一台840W、12/8极的电励磁双凸极发电机为实验样机,通过采集大量故障信号并进行信号处理,以故障特征值的容差范围作为误差判别标准,力求诊断误差最小化.实验结果表明,该方法对被分析信号的频率波动和幅值变化均具有良好的鲁棒性,是一种有效的故障诊断方法,具有较高的故障诊断正确率.     

图像鲁棒哈希认证方案

针对图像的鲁棒认证,提出了一种分级视觉哈希认证方案.该方案利用抖动量化的方法提取图像的小波频域特征矩阵,将不同频域特征进行区分作为具有分级性能的认证哈希特征.对特征矩阵进行二值化运算,并采用分块计算数据统计量的方法压缩数据,生成分级认证哈希码.哈希由图像的鲁棒和脆弱特征共同生成,可同时实现对恶意攻击敏感和常规处理鲁棒.通过实验证明了分级视觉哈希方案在鲁棒认证中的有效性.     

基于Haar小波变换的信号到达时间估计

研究了在信号频率、初相、幅度未知条件下,矩形包络复正弦信号的到达时间估计算法。先利用相关检测算法,对信号的起止时间进行粗估计。在检测到信号的条件下,估计出信号频率并将其变换至基带,在一定尺度下对基带信号作Haar小波变换,检测出小波变换模值的峰点位置作为到达时间精估计。给出了小波尺度选取的原则,并推导了到达时间估计的克拉美罗限(CRLB)。计算机仿真表明,信噪比达6 dB时,到达时间估计的均方根误差小于0.8倍的采样间隔,实现了对信号到达时间的精估计。     

一种基于小波的电网谐波检测新方法

在电力系统中存在许多非线性负载,由此产生的谐波对电网的电能质量造成很大的影响.为了保证电网的电能质量,必须监测由此产生的谐波.首先讲解用于谐波检测的小波变换的理论,其次在MATLAB中用FFT、小波分解和小波包变换三种方法对由电焊机产生的谐波电流进行了仿真分析与计算.仿真结果表明:小波分解能够有效地分离基波,小波包变换能够分离任意次谐波.该方法具有普遍适用性,与使用昂贵的专用测量仪器相比,不失为一种好的替代方法.     

小波分维估计法在三峡水库汛期 洪水分期中的应用

汛限水位分期控制能在不降低水库防洪标准的条件下提高水能资源利用效率,而洪水分期是汛限水位分期控制的前提.以三峡水库洪水资源高效利用为背景,在分析三峡水库上下游水文气象特征的基础上,根据水文序列的自相似性,由统计分析法确定了宜昌站洪水分期数目,并选择Db4为小波基,以Mallat算法为基础,提出了小波分维估计法计算模式并计算了宜昌站各分期的分维数,最后确定了三峡水库的汛期洪水分期。结果表明,以小波分维估计法划分的洪水分期与传统研究分期结果一致,但小波分维估计法计算简便,所得分维数结果稳定,表明小波分维估计法应用于洪水分期是可行的和有效的.     

一类动态多尺度系统的模型和估计算法

多传感器信息融合是信息学科的重要研究方向,本文的目的就是对分布在多个尺度上的传感器信息进行融合。本文针对一类动态多尺度系统,在国内外相关研究的基础上,提出一种新的动态多尺度系统建模方法。该模型满足标准卡尔曼滤波条件,给出了基于Haar小波的实现方法,基于此可以获得各个尺度上目标状态线性最小方差意义下的最优估计值。仿真结果令人满意,最细尺度上用本文方法进行估计优于直接进行卡尔曼滤波的效果。     

基于Haar小波运算矩阵的分数阶系统辨识方法

分数阶微积分因为其阶数可以是任意数,因此能够更加准确的描述动态系统。虽然分数阶系统受到了越来越多的重视,可是,如何建立分数阶系统目前仍处于积极探究阶段。考虑到分数阶微分的非局部性,利用小波运算矩阵为工具,给出了一种分数阶系统的辨识方法。其好处在于能够利用小波的多分辨特性对激励信号和响应信号进行数据压缩,从而降低运算矩阵的维数,可解决因矩阵维数过大导致内存溢出的问题。     

一种基于小波网络模型参考自适应控制系统的设计与应用

根据神经网络内模控制的思想,提出了一种基于小波网络的模型参考自适应控制方法。该方法选用两个小波神经网络,分别作为系统模型的辨识器和控制器。此外,为了减小系统误差,在控制器和辨识器之间加入一个小波神经网络,作为非线性自适应滤波器。仿真结果和应用实例表明了该方法的有效性和合理性。     

粒子群算法在小波神经网络中的应用

利用粒子群(PSO)算法对小波神经网络(WNN)中的参数{am，bm，w(am，bm)}进行优化，取代了传统的梯度下降法。并将仿真结果与BP网络进行比较，仿真数据表明，PSO算法在叠代次数、函数逼近误差、网络性能方面均比BP网络有着显著的提高，且在粒子数目较大的情况下能有效避免BP网络无法避免的局部极小值问题。