基于连续小波神经网络的华北型煤田底板破坏深度预测研究

根据全国典型煤矿底板破坏深度的实测资料,应用Matlab软件的分析功能,对煤层采深、倾角、采厚、工作面斜长、底板抗破坏能力五个在底板破坏中发挥主要作用的影响因子进行全面分析[1],利用小波神经网络对华北型煤田底板破坏深度进行了预测,发现基于连续小波神经网络的预测模型与实测结果更接近,能够在底板破坏深度预测中发挥借鉴作用。

连续小波过程神经网络及其仿真研究

在小波分析和过程神经网络理论的基础上,提出了连续小波过程神经网络模型,其隐层为过程神经元,隐层激活函数采用小波函数.该网络结合了小波变换良好的时—频局域化性质及过程神经网络可以处理连续输入信号的特点,因而学习能力强,精度高.给出了小波过程神经网络学习算法,并以航空发动机滑油系统状态监测为例,分别利用传统BP网络和小波过程神经网络进行预测.结果表明,小波过程神经网络收敛速度快,精度高,优于BP网络的预测能力,同时也为航空发动机滑油系统状态监测问题提供了一种有效的方法.

基于动态聚类算法的CWNN在纸张紧度检测中的应用

针对造纸生产线中纸张紧度无法在线检测的问题,利用小波-神经网络的分析和非线性逼近能力拟合纸张紧度J与纸张定量Q、纸张水分M、叩解度°SR、纸浆纤维湿重g、浆速网速比KT等可在线检测量间的非线性关系。通过K均值聚类算法预处理训练样本以平滑优化途径,解决连续小波神经网络(CWNN)的局部极小化问题。将学习算法中的主要系数独立地分配到网络的权值和小波尺度因子中,以提高网络的并行运算能力和收敛速度。训练好的CWNN用于纸张紧度的在线检测。仿真和实践表明:该方法测得的纸张紧度精度高。

SA-LM优化WNN及其在模拟电路故障诊断中的应用

针对连续紧凑型小波神经网络(WNN)收敛速度慢问题,提出了用Levenberg-Marquardt(LM)算法改进的小波神经网络LM-WNN.为了克服LM-WNN由于收敛速度过快易陷入局部最小点和平台的缺点,利用模拟退火(SA)算法对小波神经网络的参数进行优化,得到一组接近全局最小值的近似解,把近似解作为小波神经网络权值和阈值矩阵的初始值,以确保LM-WNN收敛于全局最小点.把SA-LM-WNN用于模拟电路故障诊断,仿真结果表明,该算法能够快速收敛于全局最小点,仿真效果较好.