基于遗传小波神经网络的RFID调制识别

在射频识别的调制识别方法中,神经网络常用的反向传播算法普遍存在收敛速度慢、容易陷入局部极小点、网络参数的选取只能凭实验和经验确定等缺点。针对上述问题,提出一种基于遗传算法优化小波神经网络的识别分类器。该分类器可以充分发挥遗传算法的全局寻优能力、小波分析的非线性逼近能力和神经网络的自学习特性,仿真结果表明其可以优化系统的收敛速度和识别精度。

基于遗传小波神经网络的海底声学底质识别分类

分割海底声纳探测图像,提取单元特征向量进行主成份分析,选取均值、标准差、对比度、相关系数、能量及同质性作为训练特征向量,构建小波神经网络。利用遗传算法优化小波神经网络的初始权值及小波参数,对砂、礁石、泥3种底质类型分别进行训练,并得到3种底质的测试精度都在90%以上,优于单独利用小波神经网络进行训练时的测试精度,克服了小波神经网络训练时易陷入局部极小的固有缺陷,表明基于遗传算法的小波神经网络可有效用于海底底质声纳图像的识别和分类。

遗传小波神经网络在大坝变形预测中的应用

针对传统的数学统计模型无法完全描述大坝变形量与多种荷载因素之间非线性映射关系的缺点,引入了一种基于遗传算法的小波神经网络模型,利用该模型对小波神经网络的初始权值、尺度因子进行全局优化搜索,克服了BP神经网络初始化的随机性以及网络易陷入局部极小值的不足,将该模型运用于大坝坝顶的径向、切向位移预测,结果表明,遗传算法优化的小波神经网络模型结构稳定性更好,预测精度较BP神经网络模型、小波神经网络模型有较大提高。

遗传小波神经网络实现人脸和语音的认证系统

论文意在设计一个使用人的面部特征和语音的生物特征作为登录口令的认证系统。系统先对语音和图像进行预处理,从中提出特征并进行有效的融合而得到复合的生物特征,再通过基于遗传算法的小波神经网络实现身份特征的学习和识别,实践结果证明本设计是可行的。

基于遗传小波神经网络的MEMS陀螺误差建模

研究了一种基于遗传算法改进的小波神经网络。该方法采用小波神经网络为主要逼近手段,并通过遗传算法优化网络的关键参数。由于小波神经网络兼容了神经网络的自学习特性和小波分析的时—频局部性,而遗传算法具有较强的全局搜索能力,二者结合形成的遗传小波神经网络因此具有较高的逼近与容错能力,从而弥补了传统的方差建模方法的不足。将该算法应用到某型MEMS陀螺仪的随机误差建模中,结果表明:遗传小波网络对原始信号的逼近精度误差在1.75%以内,较之传统的方差建模方法有了显著的提高,这一精度基本上可以满足MEMS陀螺工程化应用的要求。

基于遗传小波神经网络的非线性动态自治网络故障诊断仿真算法

为避免用状态方程计算和分析非线性动态网络的约束计算困难,特别是计算响应跨越边界时间的问题,针对非线性动态自治网络,提出一种基于规范式分段线性化总体表达式以及非线性网络的混合参数方程.求解该方程组可得到非线性动态自治网络的故障响应仿真算法,再由小波提取故障响应的特征.采用遗传算法对BPNN进行结构和参数优化,将得到的电路故障状态特征输入至遗传优化的BP神经网络进行故障诊断.仿真结果表明了该故障诊断算法的有效性.

基于小波分解和遗传小波神经网络的卫星钟差预报

星载原子钟在空间环境中受到多种不确定因素的影响以及原子钟本身所具有的复杂特性,导致卫星钟差呈现出非线性和非平稳性变化。为此提出了一种新方法:先采用小波分解将原始钟差序列分解成高频分量和低频分量,然后利用遗传小波神经网络对低频分量和高频分量分别进行预报,最后将各分量的预报结果进行叠加得到最终的预报值,并与灰色模型、最小二乘支持向量机和遗传小波神经网络的预报结果对比分析。结果表明:该方法预报精度较高,预报残差更为平稳,应用于卫星钟差预报是可行有效的。

基于时空相关性和遗传小波神经网络的路网短时交通流预测

根据城市路段交通流在时间维度的变化规律和在空间维度的分布特征,以及智能算法对交通流数据的较强适应性和降噪能力,提出了基于时空相关性和遗传小波神经网络(GA-WNN)的路网短时交通流预测。首先,分析了路网交通流的时空特性和数据特征,建立了适用于交通路网的空间邻接矩阵;其次,以时空相关性函数量化不同时间延迟下路段与周边相邻路段交通状态之间的影响程度,并将其作为交通流预测模型输入变量的判断指标,结合遗传算法的全局搜索及小波神经网络的自适应学习优点构建了交通流预测模型;最后,通过实例验证表明,基于GA-WNN的交通流预测方法比其他方法更有优势,对比单一时间序列和空间序列预测方法,考虑了交通流时空相关性的预测方法能提高短时交通流预测精度。

遗传小波神经网络在高铁沉降预测中的应用

利用遗传算法的全局寻优特性,与小波神经网络相结合,建立遗传小波神经网络模型,并将其运用于高铁沉降预测,通过与BP神经网络、小波神经网络在高铁沉降预测的实验对比分析,结果表明遗传小波神经网络在高铁沉降预测中的稳定性更好、精度更高。

遗传小波神经网络在飞机加油管路设计中的应用

基于给出的飞机地面压力加油管路模型 ,分析并找到了解决大容量、多吨位、多功能加油系统常用吨位加油和最大吨位加油所需时间之间矛盾的方法。针对传统遗传算法易陷入早熟收敛的缺点 ,将遗传算法全局优化搜索和小波分析的时 -频局部性相结合 ,使用一种基于遗传算法学习的小波神经网络—遗传小波神经网络 (GAWNN)得到了各管路优化的节流孔尺寸。试验结果证明 。

遗传小波网络在齿轮箱故障诊断中的应用

针对小波神经网络常用的反向传播算法普遍存在收敛速度慢,容易陷入局部极小点,网络参数的选取只能凭实验和经验来确定等缺点,提出了一种基于遗传算法优化的小波神经网络并应用于齿轮的故障诊断。仿真结果表明,该方法充分的发挥了遗传算法的全局寻优能力,小波分析的非线性逼近能力和神经网络的自学习特性,优化了系统的收敛速度和故障诊断的精度。

基于数据挖掘和遗传小波神经网络的光伏电站发电量预测

为了解决光伏发电预测不确定性问题,进一步提高光伏电站发电量的预测精度。提出一种基于数据挖掘和遗传小波神经网络的光伏电站发电混合预测模型,利用K均值聚类算法对历史数据进行分类,并对传统BP神经网络进行改进。以BP神经网络为基础,引入小波分析构建小波神经网络,同时利用遗传算法对网络的初始参数进行全局寻优得到最优参数,利用交叉熵函数对学习规则进行改进。改进后的网络模型既具有小波分析的良好的局部时域和频域特性,又具有全局搜索能力,可增大跳出局部最优的可能性,同时拥有更快的收敛能力和稳定性。实验结果验证了该算法的有效性。

基于TLS估计的遗传小波红外图像去噪方法

为了更有效地去除红外图像中的噪声,提出一种基于总体最小二乘法(TLS)估计的遗传小波红外图像去噪方法。该方法以TLS小波去噪后图像作为父本并以维纳滤波处理后的图像作为母本来进行选择、交叉和变异,通过提取TLS小波去噪和维纳滤波在图像去噪中的优势基因,获得最优子代并解码还原成图像。实验结果表明,与当前已有的图像去噪方法相比,该方法能更加有效地去除红外图像中的噪声,且去噪后的图像具有更高的信噪比(SNR)和更小的最小均方误差(MSE)。

遗传小波神经网络在变形预报中的应用

目前常用的变形预报方法有BP人工神经网络和小波神经网络,但是都存在收敛速度慢且易受局部极值的影响。针对这两种算法的不足,本文利用遗传算法的全局寻优特性,将遗传算法与小波神经网络结合,形成遗传小波神经网,将其应用于变形预报,取得了良好的效果;并将算法的预报精度、稳定性、有效区间及运算时间作为评价算法优劣的4个标准,对BP神经网络、小波神经网络及遗传小波神经网络进行对比,结果表明遗传小波神经网络具有明显的优势。

一种基于遗传算法的小波神经网

网络的优化学习是人工神经研究中的一个重要问题。将遗传算法全局性优化搜索和小波分析的时-频局部性特点相结合,本文提出了一种基于遗传算法学习的小波神经网络--遗传算法小波神经网络(WNNGA)。三位异或问题和双螺旋问题的实验结果证明,遗传算法小波神经网络不仅继承了小波分析良好的局部性及其神经网络的学习和推广能力,而且具有遗传算法全局快速寻优的特点,是多层前向神经网络学习的一种理想算法。

基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测

针对短时交通流数据的非线性和随机性特点,为提高它的预测精度和收敛速度,该文从模型构建和算法两方面提出一种整合移动平均自回归(ARIMA)模型和遗传粒子群算法优化小波神经网络(GPSOWNN)相结合的预测模型和算法。在模型构建方面,将ARIMA模型预测值和灰色关联系数大于0.6的相关性强的前3个时刻的历史数据作为小波神经网络(WNN)的输入,在兼顾历史数据的平稳和非平稳的情况下,进行了模型结构简化。在算法方面,通过遗传粒子群算法对小波神经网络的参数初始值进行最优选取,可使其结果在不易陷入局部最优的条件下加快网络训练收敛速度。实验结果表明,在预测精度方面,该方法的模型明显优于整合移动平均自回归模型和遗传粒子群算法优化小波神经网络,在收敛速度方面,用遗传粒子群算法优化模型明显优于仅用遗传算法优化模型。

基于小波分析和遗传算法的结构损伤诊断

提出了小波-遗传算法的概念,建立了一种既能识别结构损伤位置、又能确定损伤程度的小波-遗传算法。首先,以有限元分析求解损伤结构振型模态为基础,用db1小波做连续小波变换,由小波系数模极大值识别损伤的位置。然后,以单元刚度的折减系数为遗传算法的优化变量,用振型和频率的误差函数加权来构造目标函数,并通过损伤位置的确定来简化目标函数的变量,再用遗传算法对目标函数进行优化,从而确定结构的损伤程度。通过对一简支梁进行数值模拟分析,计算结果表明,提出的方法不仅能够有效识别损伤的位置,而且能够准确识别损伤程度。

车载红外夜视图像的小波-遗传图像增强算法

针对传统红外图像增强算法在视觉效果上不够理想的问题,提出了一种适用于车载红外夜视图像的图像增强方法。该方法利用红外夜视仪的非接触生成热图像的原理,建立了针对车载红外夜视图像的小波-遗传灰度图像增强方法,并将该方法与传统的直方图均衡化法和多尺度Retinex算法进行了对比。在红外夜视图像增强效果方面,该方法具有改善图像亮度均匀性、避免图像过分增强和抑制噪声的特点。实验表明,所提出的小波-遗传图像增强算法在车载红外夜视图像增强方面的处理效果较好。

小波遗传神经网络-阳极溶出伏安法同时测定钢中铜和铅

研究了二硫代二安替吡啉甲烷作修饰剂的修饰玻碳电极,并以此为工作电极,建立了测定铜和铅的阳极溶出伏安法。应用小波变换去噪、数据压缩和背景扣除功能对峰电流信号进行处理,用遗传算法自适应概率搜索神经网络的最优网络结构和参数,解决神经网络过拟合问题,将小波神经网络(WT-BP-ANN)、小波遗传神经网络(WT-GA-BP-ANN)的分析结果进行比较,Cu2+,Pb2+测定结果的RSD分别为3.49%,2.33%;3.77%,1.89%,表明小波遗传神经网络优于小波神经网络。

MEMS硅铝异质结构压力传感器的设计制作与测试研究

金属半导体异质混合结构是一种特殊的压阻结构,其具有高于传统MEMS压阻式压力传感器的压阻性能。鉴于此,设计和研究了一种由掺杂单晶硅和金属铝混合形成的MEMS异质结构压力传感器。首先结合理论模型和ANSYS有限元模拟仿真分析了硅铝异质结构传感器的灵敏度特性,然后通过MEMS工艺制作了硅铝异质结构压力传感器芯片,并对其进行了封装与测试。实验结果表明,硅铝异质结构压力传感器的灵敏度可达到0.116 8 m V/(V·k Pa),而利用参考结构能够明显减小环境温度对其性能的影响。在此基础之上,本文采用基于遗传算法改进的小波神经网络对传感器的温度漂移和非线性误差进行了补偿,补偿后硅铝异质结构压力传感器的测量误差小于±1.5%FS。