导读:本文包含了小波网络论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:小波,神经网络,网络,汽油机,算法,函数,油膜。
小波网络论文文献综述
魏浩[1]（2019）在《基于Mexican Hat小波网络的时序预测》一文中研究指出该文采用一种Mexican Hat函数作为小波神经网络的隐层神经元函数,利用神经网络工具箱方法对石油探明储量进行时序预测,仿真实验表明,该预测模型预测精度优于Morlet小波函数构成的网络,比BP网络性能更好。(本文来源于《电脑知识与技术》期刊2019年25期）
杜小磊,陈志刚,张楠,许旭[2]（2019）在《基于压缩感知和深度小波网络的列车故障识别》一文中研究指出针对列车走行部故障振动数据无监督特征学习的难点,提出了一种基于压缩感知和深度小波神经网络(CS-DWNN)的列车故障识别方法。首先,对采集得到的列车走行部振动信号利用高斯随机矩阵进行压缩采样;其次,构建以改进小波自编码器(WAE)为基础的深层小波网络,将压缩后的信号直接输入网络进行自动逐层特征提取;最后,用DWNN学习到的多层特征分别训练多个深度支持向量机(DSVM)和深度森林(DF)分类器,并将识别结果进行集成。该方法利用深层小波网络从压缩信号中自动挖掘隐藏的故障信息,受先验知识和主观影响较小,并且避免了复杂的人工特征提取过程。实验结果表明,CS-DWNN方法取得了99.16%的平均诊断正确率,能够有效识别列车走行部的3种常见故障,识别能力优于传统的人工神经网络(ANN)、支持向量机(SVM)等方法和深度信念网络(DBN)、堆栈降噪自编码器(SDAE)等深度学习模型。(本文来源于《计算机应用》期刊2019年07期）
陈侠,刘子龙[3]（2019）在《基于粒子群优化模糊小波网络的目标威胁评估》一文中研究指出主要对不确定性环境下的空中目标威胁评估问题进行研究。首先通过模糊神经网络处理信息不确定问题,在获取威胁目标信息较少的环境下,使用小波神经网络增强网络自学习能力,并分析威胁因素,创建不确定性环境下的模糊小波神经网络(FWNN),实现对目标威胁的评估;然后针对初始参数的不确定性问题,采用粒子群优化算法和BP算法更新每个模糊规则后件部分的参数,以达到提高评估效果的目的。仿真结果表明,与模糊小波神经网络相比,该算法提高系统的稳定性,加快收敛速度,增强预测精度。(本文来源于《电光与控制》期刊2019年03期）
黄海清,陈荣荣,牛琳,钟少帅[4]（2018）在《基于偏最小二乘的小波网络膨胀土边坡稳定性预测》一文中研究指出为准确预测膨胀土边坡稳定性,避免人员和财产损失,提出一种基于偏最小二乘(PLS)和WNN的组合预测方法。首先利用PLS提取样本数据的主元特征;然后利用获取的主元特征建立WNN边坡稳定性预测模型;最后通过所建立的模型实现对边坡稳定性的预测。结果表明,该预测方法仅经过200余次迭代即可完成模型训练,预测均方误差达到0. 012 5,比单一WNN有了很大改善,从而验证了其可行性和有效性。(本文来源于《安全与环境学报》期刊2018年05期）
崔彦彬,邹文珏[5]（2018）在《基于模糊小波网络的除冰机器人外观设计综合评价》一文中研究指出目的建立模糊小波网络的除冰机器人外观设计综合评价模型,使除冰机器人的外观设计更加科学化、符合实际需求。方法以综合模糊小波网络获得对方案的客观权重和权威专家主观评判打分,经过MATLAB仿真计算出各项指标间的权重关系从而提炼出评价指标与综合评价结果之间的非线性关系。结论经实例计算确定了最佳设计方案,证明基于模糊小波网络的除冰机器人外观设计综合评价模型能够降低评价过程中主观因素的影响,进而客观、全面地对除冰机器人外观设计做出评价,对除冰机器人外观设计方案的选择提供辅助和参考作用。(本文来源于《包装工程》期刊2018年20期）
潘屾,王克奇,梁玉亮,张怡卓[6]（2018）在《应用近红外光谱和小波网络构建的木材基本密度预测模型》一文中研究指出以柞木为研究对象,将120个样本以2∶1的比例分为校正集和预测集,80个校正集,40个预测集;使用900~1 700 nm的近红外光谱仪,获取样本径切面的近红外光谱数据;采用蒙特卡洛采样法剔除奇异样本,采用多元散射校正和S-G平滑对光谱数据进行预处理,消除光谱漂移、表面散射和噪声的影响;通过Bi PLS-SPA算法对特征波长进行提取,构建小波神经网络模型,预测柞木基本密度;将建模方法与常用的偏最小二乘(PLS)和BP神经网络进行了对比,验证小波网络的有效性。结果表明:小波神经网络对预测集样本验证结果更好,相关系数为0.968,预测均方根误差为0.014 4。(本文来源于《东北林业大学学报》期刊2018年02期）
宋丹丹,李岳林,解福泉[7]（2017）在《蚁群初始化小波网络的汽油机油膜参数辨识研究》一文中研究指出建立瞬态工况小波网络发动机油膜模型,利用蚁群算法对小波网络参数进行初始化寻优,将其作为小波网络参数初始值,以提高小波网络的训练速度和误差精度,并基于该网络模型测试了发动机空燃比瞬态过程,然后利用瞬态工况试验数据进行了仿真,并与台架试验实际数据进行对比。结果表明,基于蚁群算法初始化小波网络模型能有效地辨识发动机瞬态工况油膜参数,高精度地逼近空燃比瞬态过程,不仅具有较强的泛化能力,而且大大缩短了训练时间。蚁群初始化小波网络适用于油膜参数辨识,本研究为发动机瞬态工况空燃比的精确控制奠定了基础。(本文来源于《内燃机工程》期刊2017年06期）
任水利,雷蕾,甘旭升,吴亚荣[8]（2017）在《基于粗糙集与小波网络集成的股价走势预测研究》一文中研究指出股价走势预测可以为股票投资提供科学依据.为了提高股价走势预测的能力,提出了一种基于粗糙集(RS)与小波网络(WNN)集成的预测方法.它首先利用RS良好的属性约简能力,对股票价格特征量进行降维;然后,采用RS优化WNN的拓扑结构,建立降维特征量基础上的股票价格走势预测模型;最后,由所建模型对股票价格走势进行预测.仿真结果表明,通过引入RS属性约简,很大程度上简化了WNN股格走势模型结构,并改善了模型性能.对上证综指、沪深综指300及澳大利亚股指的预测命中率分别为65.75%、66.37%和65.9%,训练时间为1.7s、1.8s和2.1s,预测结果也优于其它神经网络和WNN模型.从而验证了该方法用于股票价格走势预测的可行性和有效性.(本文来源于《系统科学与数学》期刊2017年11期）
宋丹丹,李岳林,解福泉[9]（2017）在《基于小波网络的发动机瞬态工况进气流量动态辨识与预测研究》一文中研究指出由于发动机进气系统具有复杂的非线性动态特性,因此构建了进气流量小波网络辨识与预测模型,并利用最小二乘法(DLS)对小波网络参数和预测控制率进行了学习和优化,以提高小波网络预测模型的可靠性和预测精度。作为对比建立了基于BP神经网络的预测模型,并利用瞬态工况试验数据分别对两种模型进行了仿真研究。结果表明,小波网络模型能有效地预测发动机瞬态工况进气流量,与BP神经网络预测模型相比,误差精度更高,可用于发动机瞬态工况空燃比的精确控制。(本文来源于《车用发动机》期刊2017年04期）
吴妍[10]（2017）在《基于深度小波网络和稀疏编码的极化SAR图像地物分类》一文中研究指出极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,Pol SAR)已成为国内外合成孔径雷达发展中不可或缺的对象之一,而在SAR图像解译中,极化SAR图像分类又成为至关重要的一项研究技术,它根据每一分辨单元所获取的目标极化信息来判定像素点所属的类别。深度网络模型结构比浅层网络模型结构在复杂高变函数的表示上、网络计算复杂度方面以及获取有用信息上都具有很大的优势,稀疏自编码器(Sparse Automatic Encoder,SAE)便是一种深度的网络模型结构。本文主要基于小波稀疏自编码器对极化SAR图像进行分类,算法结合了神经网络的自学习能力,并且对全部非线性函数均具有良好的逼近能力,对于毫无二致的学习任务,小波网络结构的时间和空间复杂度往往都偏低,下面对本文叁个章节的内容进行概述:1、详细地描述了利用小波稀疏自编码器对极化SAR图像进行分类的方法,分别将高斯小波函数、Morlet小波函数以及墨西哥帽小波函数作为自编码器的激活函数,算法分类效果均优于对比算法的分类效果,并且小波稀疏自编码器的总用时远远小于对比算法用时。其中,高斯小波稀疏自编码器用于极化SAR分类不仅分类精度最高且耗时最短。2、系统地讲解了基于高斯金字塔池化编码(Gaussian Pyramid Pooling Coding,GPPC)和小波稀疏自编码器的极化SAR图像分类方法,对图像原始数据进行特征编码,利用了数据的空间邻域信息,结果表明算法的分类准确率有了明显的提升,特别是对德国Oberpfaffenhofen地区和SanFrancisco Bay地区分类效果显着。3、详尽地阐述了基于超向量编码(Super Vector Coding,SVC)和小波稀疏自编码器的极化SAR图像分类方法,结合图像的空间相关性并利用像素点的先验概率对特征进行稀疏编码,实验表明超向量编码对原始数据进行了充分地学习,在对高分辨率图像的分类精度进行改善的前提下,对农田Flevoland地区的准确率又做到了进一步地提升。(本文来源于《西安电子科技大学》期刊2017-05-01）
小波网络论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对列车走行部故障振动数据无监督特征学习的难点,提出了一种基于压缩感知和深度小波神经网络(CS-DWNN)的列车故障识别方法。首先,对采集得到的列车走行部振动信号利用高斯随机矩阵进行压缩采样;其次,构建以改进小波自编码器(WAE)为基础的深层小波网络,将压缩后的信号直接输入网络进行自动逐层特征提取;最后,用DWNN学习到的多层特征分别训练多个深度支持向量机(DSVM)和深度森林(DF)分类器,并将识别结果进行集成。该方法利用深层小波网络从压缩信号中自动挖掘隐藏的故障信息,受先验知识和主观影响较小,并且避免了复杂的人工特征提取过程。实验结果表明,CS-DWNN方法取得了99.16%的平均诊断正确率,能够有效识别列车走行部的3种常见故障,识别能力优于传统的人工神经网络(ANN)、支持向量机(SVM)等方法和深度信念网络(DBN)、堆栈降噪自编码器(SDAE)等深度学习模型。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
小波网络论文参考文献
[1].魏浩.基于MexicanHat小波网络的时序预测[J].电脑知识与技术.2019
[2].杜小磊,陈志刚,张楠,许旭.基于压缩感知和深度小波网络的列车故障识别[J].计算机应用.2019
[3].陈侠,刘子龙.基于粒子群优化模糊小波网络的目标威胁评估[J].电光与控制.2019
[4].黄海清,陈荣荣,牛琳,钟少帅.基于偏最小二乘的小波网络膨胀土边坡稳定性预测[J].安全与环境学报.2018
[5].崔彦彬,邹文珏.基于模糊小波网络的除冰机器人外观设计综合评价[J].包装工程.2018
[6].潘屾,王克奇,梁玉亮,张怡卓.应用近红外光谱和小波网络构建的木材基本密度预测模型[J].东北林业大学学报.2018
[7].宋丹丹,李岳林,解福泉.蚁群初始化小波网络的汽油机油膜参数辨识研究[J].内燃机工程.2017
[8].任水利,雷蕾,甘旭升,吴亚荣.基于粗糙集与小波网络集成的股价走势预测研究[J].系统科学与数学.2017
[9].宋丹丹,李岳林,解福泉.基于小波网络的发动机瞬态工况进气流量动态辨识与预测研究[J].车用发动机.2017
[10].吴妍.基于深度小波网络和稀疏编码的极化SAR图像地物分类[D].西安电子科技大学.2017
论文知识图
