导读:本文包含了自适应子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:自适应,神经网络,小波,网络,粒子,子波,张量。
自适应子波网络论文文献综述
杜明洋,程琳,李雪峰[1]（2019）在《基于自适应粒子群小波网络的公共自行车出行需求预测》一文中研究指出首先,基于公共自行车租赁系统的借还特性,分析相邻租赁点借还需求的相似性和互补性,租赁点的周转特性以及周期稳定特性,并考虑工作日与周末出行需求的差异性。其次,使用关联租赁点的出行信息、租赁点的周转率以及本租赁点历史出行信息和时间作为影响因子,分别利用小波神经网络、粒子群优化的小波神经网络、自适应粒子群优化的小波神经网络对公共自行车的借、还需求进行模型的构建。最后,利用美国纽约市公共自行车系统的出行数据进行实例分析,结果表明:自适应粒子群优化的小波神经网络相比于简单的小波神经网络平均相对误差下降26.45%,均方误差减少36.31%,相比于粒子群优化的小波神经网络平均相对误差下降15.81%,均方误差减少25.01%;自适应粒子群优化的小波神经网络能够使模型跳出局部最优,具有较强的可靠性,对于工作日和周末出行需求预测的平均相对误差分别为11.05%和12.27%;关联租赁点、周转特性影响因素的考虑能有效提高预测精度,其中自适应粒子群优化的小波神经网络预测精度的提升率最高,达到4%左右。研究成果可为城市公共自行车管理部门及相关企业的政策制定及调度优化提供支持。(本文来源于《公路交通科技》期刊2019年06期）
邱泽敏[2]（2015）在《基于迭代参数优化的自适应小波网络均衡算法》一文中研究指出针对现有网络均衡算法中存在的收敛速度慢、计算冗余等问题,通过对传统的自适应均衡算法与小波变换进行相关研究分析,提出一种基于小波变换的网络均衡算法。小波变换的良好鲁棒性弥补了传统自适应均衡算法中收敛速度慢的缺陷,通过分析算法的收敛性,重新设置迭代中的参数。实验结果表明,该算法的实验结果与预期效果基本相符,具有良好收敛效果的同时并保持了较低的误码率。(本文来源于《计算机与现代化》期刊2015年06期）
王楷,薛月菊,陈汉鸣,黄晓琳,孔德运[3]（2014）在《改进的自适应脊波网络的碳通量预测》一文中研究指出碳通量同生态因素之间具有复杂的非线性关系,可以通过生态因素预测碳通量。为提高网络的训练速度和预测精度,针对碳通量数据高维、多样本、非线性、超平面奇异的特点,提出了一种改进的自适应脊波网络预测模型,采用高斯牛顿法调整激励函数的参数,运用矩阵分块法和伪逆矩阵计算脊波网络的权值和阈值。通过实验,比较了改进自适应脊波网络、自适应脊波网络和小波网络的训练收敛速度、隐含层节点个数和预测精度。实验结果表明,提出的预测模型预测精度更高,网络结构更稀疏,训练收敛速度更快。(本文来源于《计算机工程与应用》期刊2014年03期）
童涛,杨桄,李昕,叶怡,王寿彪[4]（2012）在《基于Brushlet和自适应脊波网络的SAR图像分类》一文中研究指出针对BP神经网络分类模型网络训练时间长的缺陷,结合小波网络模型缺少对方向信息描述的情况,提出一种基于Brushlet和自适应脊波网络的SAR图像分类方法。该方法利用Brushlet变换提取SAR图像纹理的能量和相位特征,并将描述能量和相位的特征向量输入到自适应脊波网络中进行训练和分类,最后通过实验对比分析各分类方法的分类性能。实验结果表明,该方法快速、准确,其性能优于传统方法。(本文来源于《兵工自动化》期刊2012年09期）
王首斌,王新民,姚从潮,谢蓉[5]（2012）在《基于小波网络的高超音速飞行器鲁棒自适应积分反步控制》一文中研究指出针对高超音速飞行器非线性模型具有不确定性的问题,提出一种基于小波网络的鲁棒自适应积分反步控制方法。该方法运用反步法设计非线性控制律,并引入积分项以减小系统跟踪误差;用小波网络在线逼近系统不确定项,提高系统鲁棒性;设计鲁棒项消除小波网络逼近误差。通过Lyapunov稳定性分析,该方法能够保证闭环系统跟踪误差最终收敛。通过与常规反步、积分反步、自适应反步进行仿真对比,结果表明:所设计的控制律可以有效抑制系统不确定性的影响,设计方法可行。(本文来源于《空军工程大学学报(自然科学版)》期刊2012年03期）
孙锋利,何明一,高全华[6]（2011）在《基于自适应脊波网络的高光谱遥感图像分类》一文中研究指出神经网络是遥感地物自动分类的重要工具之一。利用多尺度几何分析中的脊波基函数建立了一种自适应脊波网络模型。在传统自适应粒子群算法的基础上,提出一种引入粒子密度因子的自适应粒子群优化算法作为网络训练算法。为验证其性能,利用互信息约简技术对220波段AVIRIS 92AV3C高光谱数据进行约简,并将它们作为网络输入实现对高光谱遥感地物的自动分类。仿真试验表明:引入粒子密度因子的粒子群算法与传统粒子群算法相比,不易出现早熟问题,在处理高维非线性组合优化问题时具有一定优势;由于脊波函数对高维奇异性的表征能力,相比于传统的RBF和SVM分类器,脊波神经网络分类器对具有明显边界特征的地物分类问题具有较高的精度,同时网络规模小,结构简单。(本文来源于《计算机科学》期刊2011年08期）
薛博文,张志峰,何婧卿,甘旭升[7]（2010）在《基于自适应无迹卡尔曼滤波的小波网络算法及其应用》一文中研究指出针对扩展Kalman滤波(EKF)训练小波网络存在收敛慢、精度不高、计算Jacobian矩阵困难等问题,在自适应Kalman滤波理论基础上,提出一种基于自适应无迹Kalman滤波(UKF)的小波网络训练算法。该算法在在UKF框架内引入自适应因子,通过其调整观测协方差与状态参数协方差的比例,使状态向量预测值的协方差更趋向真实值,有效地提高了小波网络的精度。仿真结果表明,基于自适应UKF的小波网络的收敛速度快,估计精度高,无需计算Jacobian矩阵,适于解决非线性系统的建模预测问题。(本文来源于《火力与指挥控制》期刊2010年12期）
黄孝文,白云,张弛[8]（2010）在《基于自适应尺度小波网络的自动驾驶仪故障诊断研究》一文中研究指出自动驾驶仪系统具有多维输入信号,且其训练数据在输入空间中非均匀分布,因而在熟悉了BP神经网络的局限性后,本文提出从多分辨分析的角度,运用构造了以非张量积尺度函数和非张量积小波函数共同作为激励函数的多维自适应尺度小波神经网络,将此网络应用于自动驾驶仪系统的故障诊断,仿真结果表明诊断效果良好。本文为自动驾驶仪系统的故障诊断提供了一种新的方法。(本文来源于《航天控制》期刊2010年05期）
李万莉,余得水,甄彧,黄勇[9]（2010）在《自适应遗传小波网络在发动机故障诊断中的应用》一文中研究指出由于包含丰富故障信息的传感器信号是由多振源和背景噪声的混合,小波变换良好的时频域局部化特性可以有效地滤除噪声,并且通过对重构的小波系数求取均方根值来有效提取故障的特征向量,根据采集数据的故障工况,建立学习样本.通过网络训练建立神经网络的输入和输出良好的非线性映射,进而通过特征向量输入来诊断系统的故障.由于神经网络具有收敛速度慢和容易陷入局部最小点的缺陷,对神经网络进行改进和优化.仿真结果误差分析表明,该网络具有良好的诊断效果.(本文来源于《中国工程机械学报》期刊2010年02期）
陈洁,潘长鹏,顾文锦[10]（2008）在《基于自适应小波网络的反舰导弹非线性控制算法研究》一文中研究指出提出了一种综合运用动态逆、小波神经网络和滑模控制的非线性控制方法。首先运用动态逆理论对非线性系统进行近似线性化,利用具有在线学习能力的小波网络来抵消系统的误差,根据李雅普洛夫稳定理论导出了网络权值的自适应调整规则,用滑模控制和鲁棒控制分量保证了系统的鲁棒性。将该非线性控制算法用于某型STT导弹的控制系统设计,并采用输出重定义技术解决原系统的非最小相位问题。仿真结果表明,这种方法能有效消除扰动的影响,提高导弹过载控制系统响应的精度。(本文来源于《宇航学报》期刊2008年03期）
自适应子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：
针对现有网络均衡算法中存在的收敛速度慢、计算冗余等问题,通过对传统的自适应均衡算法与小波变换进行相关研究分析,提出一种基于小波变换的网络均衡算法。小波变换的良好鲁棒性弥补了传统自适应均衡算法中收敛速度慢的缺陷,通过分析算法的收敛性,重新设置迭代中的参数。实验结果表明,该算法的实验结果与预期效果基本相符,具有良好收敛效果的同时并保持了较低的误码率。
（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。
自适应子波网络论文参考文献
[1].杜明洋,程琳,李雪峰.基于自适应粒子群小波网络的公共自行车出行需求预测[J].公路交通科技.2019
[2].邱泽敏.基于迭代参数优化的自适应小波网络均衡算法[J].计算机与现代化.2015
[3].王楷,薛月菊,陈汉鸣,黄晓琳,孔德运.改进的自适应脊波网络的碳通量预测[J].计算机工程与应用.2014
[4].童涛,杨桄,李昕,叶怡,王寿彪.基于Brushlet和自适应脊波网络的SAR图像分类[J].兵工自动化.2012
[5].王首斌,王新民,姚从潮,谢蓉.基于小波网络的高超音速飞行器鲁棒自适应积分反步控制[J].空军工程大学学报(自然科学版).2012
[6].孙锋利,何明一,高全华.基于自适应脊波网络的高光谱遥感图像分类[J].计算机科学.2011
[7].薛博文,张志峰,何婧卿,甘旭升.基于自适应无迹卡尔曼滤波的小波网络算法及其应用[J].火力与指挥控制.2010
[8].黄孝文,白云,张弛.基于自适应尺度小波网络的自动驾驶仪故障诊断研究[J].航天控制.2010
[9].李万莉,余得水,甄彧,黄勇.自适应遗传小波网络在发动机故障诊断中的应用[J].中国工程机械学报.2010
[10].陈洁,潘长鹏,顾文锦.基于自适应小波网络的反舰导弹非线性控制算法研究[J].宇航学报.2008