基于小波神经网络的潘家口水库汛期月径流预测

小波神经网络组合模型兼有小波变化良好的时频局部化性质和神经网络强大的非线性逼近能力。尝试将潘家口水库1995—2015年6—9月逐月径流系列按时间顺序排列,对不同序列根据小波函数选择准则选择适用的小波函数,通过小波分解与重构得到高、低频小波系数,并将区间降水、其它断面入流和上月水库入流作为输入,将本月水库入流作为输出,构建小波神经网络(WNM)模型进行训练、检验、预测,并与单一神经网络(ANN)模型预测做比较。研究结果表明,小波神经网络模型结构简单、收敛速度快,月径流变化趋势预测精度较高,具备可靠性和实用性。

一种基于L_(1/2)正则约束的超分辨率重建算法

为了提高重建图像质量,减少处理时间,提出一种基于L_(1/2)正则约束的单帧图像超分辨率重建算法.该算法在稀疏重建字典对训练阶段,为了有效提取低分辨率图像边缘、纹理等特征细节信息,采用小波系数单支重构方法对低分辨率图像进行特征提取;而在图像重建阶段,为了解决基于L1正则模型得到的解时常不够稀疏,重建图像质量有待进一步提高的问题,采用L_(1/2)范数代替L1范数构建超分辨率重建模型,并且采用一种快速求解的L_(1/2)正则化算法进行稀疏求解.实验结果表明:与现有算法相比较,该算法在重建图像主观和客观评价指标、算法运行速度等方面均更优.