一、一種小波網絡的改進算法研究（論文文獻綜述）
付博雯[1]（2021）在《多自主平臺武器站協同打擊策略研究與實現》文中提出在現代戰(zhàn)場環(huán)境中,智能化以及去中心化成為了作戰(zhàn)發(fā)展的趨勢,能夠自主完成對目標進行打擊,多武器結合而成的自主武器站成為現代戰(zhàn)爭的重要組成力量。因此目前在中小規(guī)模作戰(zhàn)中,多武器站協同打擊的模式越來越受歡迎,多武器站之間依靠網絡連接,共享數據,協同完成打擊作戰(zhàn)任務。在協同作戰(zhàn)任務中,武器分配的目的是尋求適當的武器站對目標打擊策略,使得敵方威脅目標群的綜合威脅程度最小。所以本文在多武器站協同打擊的策略研究上重點研究武器與目標的打擊分配策略。本文通過對大量國內外相關文獻的研究,分析了現代化作戰(zhàn)場景下武器目標的最優(yōu)分配策略需求,結合本文實際作戰(zhàn)情況,應用神經網絡算法,智能優(yōu)化算法以及模糊處理等相關知識,設計了一套在陸戰(zhàn)作戰(zhàn)場景下各武器站對各威脅目標的最優(yōu)打擊策略,完成了武器-目標的最優(yōu)分配。本文的主要研究內容為:1)針對傳統威脅評估算法精確度不足的問題,本文通過在傳統模糊神經網絡結構上加入新的構件,實現模糊神經網絡的改進。利用本文提出的新型網絡模型完成了目標威脅程度的評估,實現了通過網絡模型對傳感設備獲取數據處理得到目標威脅度的功能;最后通過實驗結果驗證,本文改進的算法相對于傳統算法在處理威脅評估問題上的評估精度有較大的改進。2)針對國內外靜態(tài)武器分配算法復雜度高,運行速度慢的問題,本文通過在傳統的粒子群算法中添加混沌因子,實現了對傳統粒子群算法的改進。之后利用改進后的混沌粒子群算法完成了在靜態(tài)場景下的武器-目標打擊分配,得到靜態(tài)武器分配情況下,我方武器站最優(yōu)打擊目標的策略,最后在仿真場景下實驗證明,相較于傳統的粒子群優(yōu)化算法,改進后的混沌粒子群優(yōu)化算法大大提高了靜態(tài)場景下武器目標的分配效率。3)針對動態(tài)武器分配模型建立不全面的問題,本文通過增加約束條件重新對動態(tài)武器分配問題建模,并改進傳統蟻群算法中轉移概率公式,提高了動態(tài)情況下武器站與威脅目標的打擊效率,最后在仿真場景下進行實驗測試。證明,相較于傳統蟻群算法,本文方法減少了局部最優(yōu)情況的發(fā)生概率,提升了動態(tài)情況下目標分配的效率。本文得到一種多武器站協同作戰(zhàn)的最優(yōu)分配方法,利用模糊小波神經網絡解決威脅評估的問題,利用改進粒子群算法解決靜態(tài)武器分配問題,利用改進蟻群算法解決動態(tài)武器分配問題。
王潔[2]（2020）在《基于生成對抗網絡的艦船目標多源融合識別方法》文中研究指明隨著海軍艦艇在現代軍事、經濟的地位提升,針對艦船目標的識別技術的研究也變得越來越重要。海洋艦船目標探測的手段多種多樣,主要包括光學成像,紅外成像,雷達成像等。艦船多源成像的融合識別也成為了研究熱點。在實際情況中,獲取的多源成像會受到外部條件影響,和自身傳感器限制,導致成像效果較差。例如:光學圖像分辨率較高,但是容易受到光源和天氣、氣候的影響,存在部分信息缺失的情況。而ISAR等雷達成像雖然分辨率較低,但是能夠實現主動探測,且其分辨特性不受距離的影響,能全天時全天候的工作。而紅外成像的分辨率一般介于兩者之間,是被動成像系統,并且也能實現全天時全天候的成像工作。基于這三種圖像互補且異構的信息,可以進行多源圖像融合識別。本文是基于相同時空的艦船目標多源圖像融合識別這一問題展開研究,期望使用生成對抗網絡（GAN）將已有部分信息（艦船ISAR像,有霧的光學圖像和紅外圖像）來生成高分辨圖像信息（光學圖像）,并進行圖像融合,從而達到改善艦船目標識別效果的要求。主要內容包括:首先,本課題為了訓練和測試生成對抗網絡,需要獲得艦船光學圖像,ISAR圖像和紅外圖像數據集,為了獲得觀測角度統一的多源成像,采取了成像仿真的方式,通過建立艦船的3D模型并進行網格剖分,利用算法來進行艦船成像仿真,最后進行圖像預處理,構建圖像數據集。其次以生成對抗網絡為切入點,利用改進的GAN改善艦船圖像質量,主要包括三種算法:艦船目標的光學成像受到云霧遮擋,造成艦船圖像的部分信息缺失等問題。Pix2pix網絡可以通過訓練有云霧遮擋的信息缺失的光學圖像,生成無霧圖像來改善光學圖像的質量,提高艦船目標識別率;基于光學圖像和ISAR圖像具有互補且異構信息,實際獲取的艦船圖像存在著角度不匹配的問題,使用Cycle GAN網絡來解決艦船異質圖像的轉換融合問題,并且可以緩解小角度擾動帶來的影響。而Pix2pix HD網絡是基于Pix2pix改進的算法,不僅有效提高了生成圖像的分辨率,而且還可以增加局部生成器來得到期望分辨率的高清圖像,因此使用該網絡將低分辨的紅外圖像生成高分辨艦船光學圖像。最后為了進一步提取艦船多源圖像的特征,去除圖像的冗余信息,采用了基于小波變換的艦船多源融合算法,生成新的圖像。為判斷基于生成對抗網絡生成的圖像質量,使用改進卷積神經網絡（CNN）自動提取特征,并將GAN輸入圖像和生成圖像,融合圖像,輸入到網絡中,通過分析艦船類別和艦船具體型號對比分析識別效果。實驗結果表明利用本課題的方法不僅可以自動進行多源融合,減少手動提取的特征所耗費的人力物力,還可以有效的改善艦船目標的識別效果。
王佰輝[3]（2019）在《基于小波變換的圖像去噪與邊緣檢測算法研究與應用》文中提出隨著計算機技術的不斷發(fā)展,圖像處理技術在各行各業(yè)的應用越來越廣泛。噪聲是附加在圖像中的干擾信息,會影響圖像內容的表達,邊緣代表圖像灰度發(fā)生較大變化的區(qū)域,是對圖像進一步解讀的基礎,因此,濾除圖像噪聲和檢測圖像邊緣是圖像處理中極為重要的研究內容。小波變換是近年來新興的信號處理工具,它具有低熵性和良好的時頻特性,有“數學顯微鏡”之稱,在圖像處理領域有廣泛的應用。本文以小波理論為基礎,對小波閾值去噪算法和基于小波變換的邊緣檢測算法進行了改進,并將改進算法應用于鋼軌缺陷檢測。論文的主要工作如下:論文對小波變換理論進行研究,介紹多分辨率分析的概念及原理,使用Matlab對Mallat快速算法進行實驗仿真,并分析一維小波變換及二維小波變換的原理及性質。對圖像噪聲的類別及評價標準進行討論,總結了常用的空間域濾波算法和小波域去噪算法。針對小波硬閾值函數存在的“偽吉布斯”現象和軟閾值函數在閾值處不連續(xù)的問題,提出了一種改進的小波閾值函數,改進的閾值函數具有更好的光滑性,連續(xù)性和漸進性。通過實驗與傳統的小波閾值去噪算法進行比較,證明了改進算法的有效性。對經典邊緣檢測微分算子和基于小波變換的邊緣檢測算法原理進行分析,并對比其優(yōu)缺點。提出一種小波變換和數學形態(tài)學相結合的邊緣檢測改進算法,改進算法設計了新的抗噪型形態(tài)學邊緣檢測算子,并提出了一種基于余弦距離的自適應權值算法,以檢測圖像不同方向的邊緣。通過實驗將改進算法與其它常用邊緣檢測算法進行對比,結果證明改進算法具有更好的邊緣檢測能力,且對含噪圖像的檢測效果更好。以兩種鋼軌缺陷（裂紋和疤痕）為研究對象,在提取缺陷過程中使用本文改進的去噪和邊緣檢測算法,實驗結果表明改進算法具有一定的實用性。設計BP神經網絡對兩種缺陷進行分類,分類結果表明設計的BP神經網絡分類合理,滿足使用要求。
江帥[4]（2019）在《基于改進小波神經網絡的電力系統諧波檢測方法研究》文中提出我國生活水平和生產步伐的快速發(fā)展使得其對電力的需求呈現逐年上升的趨勢,同時對電力系統的穩(wěn)定性和安全性要求也日益提高。電力系統中大量非線性設備的使用,使電力系統受到諧波的污染。諧波會使電力系統中的電力設備產生額外的損耗,使設備中的線路過熱,加速設備與線路的老化,甚至可能引發(fā)火災與事故;還有可能引起電力系統中的諧振,存在燒毀電網中的重要電容、電感的風險;引起繼電保護和自動裝置的誤動作,影響電力系統的穩(wěn)定性,進而導致人身和設備的巨大損失。因此,為了確保電力系統安全,有必要研究如何快速、準確地檢測電力系統中諧波信號。文獻調研結果表明,相關研究已經為電力系統諧波檢測提供了豐富的手段,但是仍存在未解決的問題,主要包括:（1）小波神經網絡收斂速度較慢,網絡性能受多個參數的影響。（2）實際電力系統的噪聲中脈沖噪聲占主要成分;現有諧波檢測方法大多對噪聲比較敏感,尤其是在環(huán)境比較惡劣、信號中噪聲成分較多時,易導致諧波檢測性能不佳。（3）電力系統中的基波存在波動,會影響諧波檢測的精度。本文為解決上述問題選取小波神經網絡方法對電力系統諧波檢測這一課題開展研究,主要研究內容包括:（1）對小波神經網絡方法進行研究,針對小波神經網絡的學習算法、結構以及初始參數確定問題進行了優(yōu)化,改進了小波神經網絡的檢測精度和收斂性能,為電力系統的諧波檢測提供方法支持。（2）針對電力系統中含有脈沖噪聲的問題,采用中值濾波進行預處理;對電力系統中的基波波動的問題,采用BP神經網絡方法進行電力系統基波的檢測,再將檢測所得基波值帶入諧波檢測中。上述結果可為后續(xù)諧波檢測提供數據支持。（3）為提高諧波檢測的性能和抗噪能力,應用改進的小波神經網絡方法進行電力系統的諧波檢測;并與其他常用諧波檢測方法進行比較,仿真結果表明改進小波神經網絡在電力系統諧波檢測方面具有更好的檢測性能和運算效率。通過本文的研究工作,為電力系統諧波檢測提供了可行的方法,尤其是在環(huán)境比較惡劣、信號受噪聲影響較大時,所提方法仍然具有較高的檢測精度,有助于研究方法的擴展與應用。
李彬[5]（2018）在《基于雷達高分辨距離像的目標識別算法研究》文中研究指明雷達自動目標識別技術是現代雷達系統的重要技術組成部分,是雷達技術發(fā)展的主要方向之一。隨著裝備信息化程度和智能化程度的提升,雷達自動目標識別技術必會在更深層次上影響戰(zhàn)場態(tài)勢,加速戰(zhàn)爭理念的更新。基于高分辨距離像（High Resolution Range Profile,HRRP）的目標識別技術最具有應用潛力的一種雷達自動目標識別技術。該技術通過發(fā)射寬帶信號獲取目標散射中心的回波,再對回波進行一定的處理,得到距離維上的高分辨率向量,是散射中心的直接反映,關系著目標的尺寸、形狀和表面材料等特征。因此,只要能夠對高分辨距離像進行合理分析,就意味著能在一定程度上實現目標的分類和判別。本論文主要圍繞國家自然基金項目“基于信息融合的機載雷達目標識別新算法研究”,結合雷達高分辨距離像識別的理論與工程應用背景,從數據庫構建、預處理、特征提取、分類識別算法和統計建模及其穩(wěn)健識別等方面展開深入研究。論文的主要工作如下:（1）研究了目標的多散射點模型與HRRP物理特性的對應關系,建立了目標的全方位樣本庫,主要解決雷達目標識別算法性能受限于樣本庫完備程度的問題。利用該數據庫,設計了自適應小波閾值函數去噪算法。該去噪算法利用小波分析特性對HRRP的回波噪聲分布特征進行分析,能根據輸入HRRP自適應地調整小波系數閾值,修正了軟閾值函數會對小波系數進行縮放的缺點;避免了硬閾值函數會產生新的突變點使信號失真的問題,應用更為靈活。（2）提出了可應用于HRRP特征提取的非參數化數據壓縮算法,以克服經典線性判別分析算法應用于HRRP特征提取的4個固有缺陷。該非參數化方法以樣本分布的局部特性為基礎,使用近鄰均值或者近鄰樣本對參數型散布矩陣離散化,再將特征提取問題轉換為特征值分解問題而得到。仿真結果表明,非參數化算法能夠擴展經典數據算法的適用范圍,增加特征提取后異類數據之間的可分性,具有識別率高,穩(wěn)定性好的特點。（3）在將4種基于小波變換的特征提取算法應用于HRRP識別的基礎上,提出了基于進化算法的自適應小波神經網絡特征提取和識別算法。主要解決梯度下降法在計算參數時極依賴于初值、易收斂于局部極值、計算效率低的問題。所提算法既可以只用于HRRP的特征提取,也可以直接輸出分類結果。且該方法利用了自適應小波網絡的多分辨分析特性,能夠增加提取特征的差異,提高識別率。仿真表明,其識別率接近90%且能提升處理速度。（4）提出了基于混合概率主成分分析模型（Mixtures of Probabilistic Principal Component Analysis,MPPCA）的HRRP統計識別方法,解決了樣本數較少時直接計算HRRP統計參數不準確且運算效率低的問題。所提算法以高斯混合模型的概率組合特性為理論基礎,對經典PPCA模型進行擴展得到。因此,可通過期望最大值（Expectation Maximization,EM）算法估計HRRP統計模型參數,既解決了參數估計問題,又可利用混合概率模型的聚類特性對HRRP重新分幀,進一步削弱了HRRP的方位敏感性。并且MPPCA模型引入了隱變量參數空間,所以需要估計的自由參數大大減少,提升了計算效率。仿真實驗表明,MPPCA模型比PPCA模型具有更好的識別性能。（5）提出了PPCA模型參數補償算法和基于t分布PPCA模型的HRRP識別算法,所提的兩種算法主要用于解決PPCA模型對噪聲敏感的缺陷。模型參數補償算法利用噪聲和信號的向量關系,預先估計噪聲的能量,對經典PPCA模型進行補償達到對噪聲穩(wěn)健的目標。仿真表明,該方法可以降低訓練樣本PPCA模型與測試樣本PPCA模型之間的差異,削弱不同環(huán)境因素引起的識別率下降問題;t分布PPCA模型的概率基礎是t分布,因此能夠利用t分布對噪聲穩(wěn)健的特性提高模型的穩(wěn)健性。并且該模型可進一步擴展為混合概率t分布PPCA模型,進一步削弱HRRP的方位敏感性。在數值實驗中,通過準確描述人工數據的協方差矩陣,驗證了混合概率t分布PPCA模型的有效性。在仿真實驗中,通過分析HRRP在噪聲環(huán)境下的聚類效果,證明了該模型對噪聲穩(wěn)健且能削弱HRRP的方位敏感性。
余漢華[6]（2012）在《云—智能群體算法在盤式絕緣子優(yōu)化中的應用》文中提出傳統小波網絡都是以尋求一個最優(yōu)參數集使得其能量函數有最小值，一般是通過梯度遞減實現迭代尋優(yōu)，這種尋優(yōu)方式存在易陷入局部極小問題。云模型與傳統粒子群算法或傳統魚群算法的融合，可以很好解決梯度算法存在的缺陷。論文以云模型結構研究為基礎，對傳統云模型的多規(guī)則生成器進行改進，形成了一種新的嵌套云規(guī)則生成器，它是以上一Y云的輸出嵌套下一X云的輸入，使得定性與定量的關聯性更加緊密。改進粒子群算法是對傳統算法過程中的速度公式和位置更新公式中的慣性因子，收斂因子，社會部分和認知部分，利用多規(guī)則嵌套云時-空域的自適應調整來改進，實現了實時動態(tài)搜尋目的；同時對其具體算法過程中的個體適應度和群體當前位置也進行自適應調整來改進。結合上述兩部分的尋優(yōu)，實現了算法的改進。改進人工魚群算法和改進粒子群算法原理相似，用嵌套云定性規(guī)則對傳統算法原理的覓食，聚群，追尾行為的公告板更新和視野范圍自適應調整改進。小波網絡改進是進行輸入輸出數據云化和逆云化，用改進智能算法進行權值閾值迭代尋優(yōu)。結合上面的改進算法，以高壓電器中的盤式絕緣子為例，把采集的模糊性場強數據集歸一化處理輸入云化層進行云化處理；再輸入到經改進的智能群體尋優(yōu)的小波網絡權值閾值構造的新網絡中，進行數據處理；接著把輸出的具有隨機性的數據逆云化處理，最終輸出條理清晰的結構優(yōu)化數據。通過對盤式絕緣子電場結構數據仿真研究，兩種改進算法不但提高了網絡全局搜尋能力，解決了易陷入局部極優(yōu)頑癥，還改善了算法的搜尋精度，提高了事物辨識能力，通過兩種算法的搜尋精度比較，得出人工魚群算法相對優(yōu)越性高于粒子群算法的結論。這為今后關于非線性系統問題的建模提供一種新方法的同時，也為復雜非線性群體系統在辨識能力上提供有益的參考。
徐樹安[7]（2010）在《人工神經網絡交通流預測算法研究 ——結合粒子群、小波和混沌的方法》文中認為智能交通系統（ITS）是目前緩解城市交通擁阻、減少交通污染的一種經濟、環(huán)保、節(jié)能高效的方法。交通流量預測是智能交通系統的重要組成部分,它是根據實時交通信息來預測未來時刻的交通信息;智能交通系統主要根據預測信息對交通信號實施實時控制和對道路交通實施有效誘導。因此如何獲取精確的預測信息成為研究的一個熱點。城市路口交通流量具有高度的非線性、相關性、突變性等特點,傳統的基于數學模型預測方法已經很難準確的預測路口交通流量,人工神經網絡是目前比較有效、準確的路口交通流量預測算法。本文以某城市的交叉路口每5min采集到的交通流量為研究對象,利用混沌系統全局遍歷性的特點、結合神經網絡、小波函數、粒子群優(yōu)化算法等,提出基于混沌與小波的神經網絡交叉路口短時交通流量預測算法,以提高神經網絡預測算法的精度;本文的研究內容包括以下四個方面:1.交通流特性、預測與分析通過對交通流的一般特性及交通流可預測性分析,證明本文研究對象的可預測性。2.結合智能優(yōu)化算法的BP神經網絡短時交通流量預測將BP神經網絡應用于交通流預測,分析BP神經網絡預測算法的局限性,分別采用遺傳算法和粒子群算法對BP神經網絡參數進行優(yōu)化,分析兩種智能優(yōu)化算法優(yōu)化的BP網絡預測算法的優(yōu)缺點。3.結合小波的神經網絡短時交通流量預測結合交通流量的非線性、突變性、數量少的特點以及小波神經網絡對高頻,低頻信號的處理能力,提出結合小波的神經網絡交通流預測算法,并進行仿真實驗,對預測輸出結果進行性能評估。4.結合粒子群算法的小波神經網絡的短時交通流量預測分析小波神經網絡預測算法的優(yōu)缺點,針對小波神經網絡的局限性,應用粒子群及其改進算法優(yōu)化小波網絡結構和參數,并將優(yōu)化后的小波網絡對交叉路口交通流量進行預測,分析評價預測效果。5.結合混沌算法的小波神經網絡交通流量預測研究混沌系統全局遍歷性的特點,研究混沌系統嵌入粒子群優(yōu)化的算法以及將混沌系統嵌入小波神經網絡學習訓練過程的算法;最后應用混沌粒子群神經網絡和混沌神經網絡算法對交叉路口交通流量進行預測。論文應用MATLAB對各種算法進行仿真實驗,實驗仿真結果表明,基于小波神經網絡及其結合混沌和粒子群的預測算法可以突出交通流量的非線性、突變性等特點,且算法全局搜索性好、預測精度高,是一種有效的預測算法。
宋清昆[8]（2009）在《自適應結構優(yōu)化神經網絡控制研究》文中研究說明模糊神經網絡是智能控制理論中一個十分活躍的分支,是一種能處理抽象信息的網絡結構,具有強大的自學習和自整定功能。一方面彌補了純模糊邏輯在學習方面的缺陷,另一方面使得神經網絡這一“黑箱”問題走向透明化。小波神經網絡結合了小波變換良好的時頻局域化性質及神經網絡的自學習功能,具有較強的逼近能力和容錯能力,在處理復雜非線性、不確定、不確知系統等問題上表現出優(yōu)于傳統前向神經網絡的收斂速度、容錯能力、預報效果。因此,模糊神經網絡和小波神經網絡的發(fā)展對智能控制發(fā)展具有非常重要的意義。將聚類算法引入模糊神經網絡,利用聚類算法來提取系統特征,優(yōu)化輸入輸出空間,從而生成初始的、粗略的模糊規(guī)則庫。在分析了模糊C均值（FCM）聚類算法缺陷的基礎上,針對類別數的確定和聚類中心初始化這兩方面的問題對FCM聚類算法進行了改進。依照改進算法的聚類結果生成規(guī)則數目和初始參數,并由此確定模糊神經網絡的初始結構。在模糊神經網絡的學習過程中,除了利用誤差反向傳播學習算法對參數進行修正外,還利用靈敏度剪枝算法對網絡的結構進行進一步的優(yōu)化,達到自適應調整網絡結構和參數的目的,獲得最優(yōu)的模糊控制規(guī)則庫。最后以函數逼近為例,驗證了所提算法的有效性,說明了它在自適應能力、逼近精度等方面的優(yōu)勢,從而可將其有效地用于模糊建模和控制問題的求解。結合小波函數的特性及RBF神經網絡結構的特點,構造了一種自適應小波神經網絡,并提出了多級自適應小波神經網絡模型,一定程度上解決了維數災難問題,為小波神經網絡的實際應用提供了一種有效的方法。將遺傳算法與小波神經網絡有效的結合起來,充分發(fā)揮各自的優(yōu)勢,為小波神經網絡的初始參數的確定提供了一種較為有效的辦法,并對遺傳算法易出現“早熟”和尋優(yōu)效率不高問題,對算法進行了改進,改進的遺傳算法不僅提高了搜索效率,而且增強了算法的全局收斂性。針對小波神經網絡常用的誤差反傳算法存在著易陷入局部極小點和對初值參數要求較高的缺點,結合遺傳算法自適應全局優(yōu)化搜索能力與小波神經網絡良好的時頻局部特性,提出了一種有效的學習訓練途徑。首先采用改進的遺傳算法確定小波神經網絡的初始參數,提高了搜索效率,增強了網絡的全局收斂性,然后轉入純小波神經網絡進行訓練,網絡訓練時采用改進的共軛梯度學習算法,有效地克服了梯度學習算法容易陷入局部極小的缺點并加快了網絡的收斂速度,最后,通過二階倒立擺系統的控制仿真和實物控制,驗證了自適應小波神經網絡控制器的有效性。
馮登超[9]（2008）在《蟻群算法與小波網絡在復雜性科學中的應用研究》文中提出復雜性科學是21世紀一門新興的邊緣、交叉學科,探索復雜性正在成為當代科學最具革命性的前沿。論文工作深入地研究了蟻群算法與小波網絡及其改進算法,探索了在復雜性科學中的應用,包括群集智能中的蟻群算法理論、蟻群算法的參數優(yōu)化設置方法、遺傳蟻群算法的改進及其在植物病斑檢測中的應用、小波網絡的初始化參數設置及基于蟻群算法的小波網絡結構優(yōu)化方法、基于改進型小波網絡的決策級信息融合模型的構建。論文的創(chuàng)新點體現在以下四個方面:（1）提出了元啟發(fā)框架下蟻群算法的參數設置原則及基于正交試驗設計方案的參數優(yōu)化設置方法。對蟻群算法的主要參數采用統計分析方法進行相關性分析,利用正交試驗設計減少參數設置的試驗次數,實現了最佳參數組合方案,克服了參數設置過程中的主觀性,提高了參數選擇的效率。（2）提出了一種自適應遺傳蟻群算法。分析了遺傳算法和蟻群算法的融合策略,研究了遺傳蟻群算法中交叉率和變異率的自適應選取算法,并采用自適應信息素揮發(fā)因子實現信息素的動態(tài)更新。最后,根據植物病斑圖像特點,研究了遺傳蟻群算法中信息素更新函數和啟發(fā)函數的改進方法,從全局組合優(yōu)化角度實現了植物病斑檢測。（3）提出了基于蟻群優(yōu)化的小波網絡。構建了基于蟻群優(yōu)化的小波網絡學習算法,利用蟻群算法的全局優(yōu)化能力實現了對小波網絡的權值、閾值、尺度因子、平移因子的優(yōu)化設置。（4）提出了一種基于改進型小波網絡的決策級信息融合模型。在深入研究數據缺失機制及其處理方法的基礎上,將多個小波神經網絡并行連接實現了基于小波網絡的特征級信息融合模型,再結合證據理論構建了數據缺失機制下的決策級信息融合模型。仿真實驗驗證了所提出的改進算法和信息融合模型的正確性。
陳月[10]（2008）在《基于小波神經網絡的智能火災探測研究》文中進行了進一步梳理當今社會對火災探測系統要求日益提高,許多新的火災探測方法不斷的被引入到火災探測領域中來。針對火災信號的這種非結構性特點而提出的基于智能信息處理方法的火災探測系統具有自學習和自適應功能,已成為現在火災探測技術研究的主要方向。火災信息具有無法預知、非結構性的特征。傳統的探測方法大多通過采集單一的火災特征參數信息進行判斷和識別,但由于干擾因素多,其誤報率一直比較高。近年來,在探測器的靈敏度、可靠性方面做過許多技術改進,使火災報警準確度得到一定的提高,但還不能滿足火災探測系統的自動化要求。對火災信息固有特征,要對其進行全面、準確的描述才能達到減少或消除誤報的目的。因而,多判據的火災探測方法是目前火災探測領域的主要研究方向。本文通過對火災機理與目前火災探測方法的研究,結合火災探測系統的自身特點,提出一種基于小波神經網絡的火災探測算法。由于火災氣體不止一種,我們采用傳感器陣列來采集氣體信號。針對小波神經網絡精度高,學習速度快的特點,我們將小波神經網絡模式識別算法應用于火災氣體的檢測。在目前常用的一維小波神經網絡（經典的小波神經網絡）的基礎上,本文研究了用來處理多維數據信息的小波神經網絡,主要是基于小波神經網絡學習收斂速度較快,對網絡輸入不是很敏感,以及小波神經網絡可以有效的進行函數逼近或者信號逼近的特點。傳統的前饋神經網絡多采用誤差反傳學習算法對網絡進行訓練,但是誤差反傳學習算法具有容易陷入局部極小值,收斂速度慢以及容易導致震蕩等缺點。針對這些缺點,我們對傳統的誤差反傳學習算法進行了兩點改進,一是采用基于梯度符號變化的局部學習率自適應算法,二是采用引入動量項的方法。我們使用改進的誤差反傳算法來訓練小波神經網絡,能夠有效的加速算法的收斂速度和有效的避免算法陷入局部極小值及震蕩的出現。最后通過Matlab仿真,用訓練好的小波神經網絡對混合氣體進行定性、定量分析,得到了令人滿意的效果。
二、一種小波網絡的改進算法研究（論文開題報告）
（1）論文研究背景及目的
此處內容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡單明了地指出論文所要研究解決的具體問題，并提出你的論文準備的觀點或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲管理單元結構并詳細分析其設計過程。在該MMU結構中,TLB采用叁個分離的TLB,TLB采用基于內容查找的相聯存儲器并行查找,支持粗粒度為64KB和細粒度為4KB兩種頁面大小,采用多級分層頁表結構映射地址空間,并詳細論述了四級頁表轉換過程,TLB結構組織等。該MMU結構將作為該處理器存儲系統實現的一個重要組成部分。
（2）本文研究方法
調查法：該方法是有目的、有系統的搜集有關研究對象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對象從而得到有關信息。
實驗法：通過主支變革、控制研究對象來發(fā)現與確認事物間的因果關系。
文獻研究法：通過調查文獻來獲得資料，從而全面的、正確的了解掌握研究方法。
實證研究法：依據現有的科學理論和實踐的需要提出設計。
定性分析法：對研究對象進行“質”的方面的研究，這個方法需要計算的數據較少。
定量分析法：通過具體的數字，使人們對研究對象的認識進一步精確化。
跨學科研究法：運用多學科的理論、方法和成果從整體上對某一課題進行研究。
功能分析法：這是社會科學用來分析社會現象的一種方法，從某一功能出發(fā)研究多個方面的影響。
模擬法：通過創(chuàng)設一個與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、一種小波網絡的改進算法研究（論文提綱范文）
（1）多自主平臺武器站協同打擊策略研究與實現（論文提綱范文）
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 研究背景及意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究意義 |
| 1.2 國內外研究現狀 |
| 1.2.1 威脅評估研究現狀 |
| 1.2.2 協同打擊策略研究現狀 |
| 1.3 課題研究內容與章節(jié)安排 |
| 1.3.1 主要研究內容 |
| 1.3.2 章節(jié)安排 |
| 2 目標威脅評估和武器站協同打擊決策理論基礎 |
| 2.1 目標威脅評估算法基礎 |
| 2.1.1 BP神經網絡 |
| 2.1.2 小波神經網絡 |
| 2.1.3 模糊神經網絡 |
| 2.2 協同打擊決策算法基礎 |
| 2.2.1 遺傳算法 |
| 2.2.2 粒子群智能算法 |
| 2.2.3 蟻群智能算法 |
| 2.3 本章小結 |
| 3 基于改進模糊神經網絡的目標威脅評估 |
| 3.1 模糊小波神經網絡結構及參數 |
| 3.1.1 模糊小波神經網絡簡述 |
| 3.1.2 模糊規(guī)則數目的確定 |
| 3.2 模糊小波神經網絡輸入變量的規(guī)范化 |
| 3.2.1 目標多屬性威脅程度分量評估表征 |
| 3.2.2 目標屬性的直覺模糊數轉化 |
| 3.3 威脅評估過程 |
| 3.3.1 數據集的處理 |
| 3.3.2 模型學習算法 |
| 3.3.3 仿真實驗結果分析 |
| 3.4 本章小結 |
| 4 面向威脅目標的靜態(tài)武器分配問題 |
| 4.1 靜態(tài)武器目標分配 |
| 4.1.1 問題模型建立 |
| 4.1.2 毀傷概率影響因素分析 |
| 4.1.3 靜態(tài)目標分配算法 |
| 4.2 靜態(tài)武器目標分配模型求解過程 |
| 4.2.1 實驗環(huán)境介紹 |
| 4.2.2 虛擬仿真場景構建 |
| 4.2.3 仿真實驗結果分析 |
| 4.3 本章小結 |
| 5 面向威脅目標的動態(tài)武器分配問題 |
| 5.1 動態(tài)武器目標分配 |
| 5.1.1 時間窗介紹 |
| 5.1.2 問題模型建立 |
| 5.2 動態(tài)武器目標分配算法 |
| 5.2.1 經典蟻群算法的改進 |
| 5.2.2 算法流程 |
| 5.3 動態(tài)武器目標分配模型求解及實驗分析 |
| 5.3.1 虛擬仿真場景構建 |
| 5.3.2 仿真實驗結果分析 |
| 5.4 本章小結 |
| 6 結論與展望 |
| 6.1 結論 |
| 6.2 展望 |
| 參考文獻 |
| 攻讀碩士學位期間發(fā)表的論文及成果 |
| 致謝 |
（2）基于生成對抗網絡的艦船目標多源融合識別方法（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 課題背景及研究的目的和意義 |
| 1.2 國內外相關領域的研究現狀 |
| 1.2.1 單一手段艦船目標識別研究現狀 |
| 1.2.2 多源艦船目標融合算法研究現狀 |
| 1.2.3 生成對抗網絡的的研究現狀 |
| 1.3 本文研究內容 |
| 第2章 艦船多源成像基礎 |
| 2.1 引言 |
| 2.2 逆孔徑合成雷達成像仿真 |
| 2.2.1 艦船目標轉動模型 |
| 2.2.2 距離多普勒成像算法 |
| 2.2.3 艦船目標ISAR成像仿真 |
| 2.3 艦船紅外成像仿真 |
| 2.3.1 艦船紅外成像仿真原理 |
| 2.3.2 艦船紅外成像仿真結果 |
| 2.4 艦船光學成像仿真 |
| 2.4.1 光學成像仿真原理 |
| 2.4.2 光學成像仿真結果 |
| 2.5 艦船多源圖像預處理 |
| 2.6 本章小結 |
| 第3章 基于信息缺失的圖像重構算法 |
| 3.1 引言 |
| 3.2 生成對抗網絡基礎 |
| 3.2.1 生成對抗網絡結構 |
| 3.2.2 生成對抗網絡損失函數 |
| 3.2.3 網絡中卷積與池化操作 |
| 3.3 基于Pix2pix的圖像重構算法 |
| 3.3.1 Pix2pix網絡結構 |
| 3.3.2 Pix2pix網絡損失函數 |
| 3.3.3 基于Pix2pix生成圖像的結果分析 |
| 3.4 本章小結 |
| 第4章 艦船異質圖像的轉換融合算法 |
| 4.1 引言 |
| 4.2 基于循環(huán)一致性對抗網絡的艦船異質圖像的轉換融合算法 |
| 4.2.1 循環(huán)一致性對抗網絡原理及結構 |
| 4.2.2 網絡損失函數 |
| 4.2.3 改進的生成器結構 |
| 4.2.4 基于循環(huán)一致性對抗網絡生成圖像的結果分析 |
| 4.3 基于Pix2pix HD的艦船目標的圖像增強方法 |
| 4.3.1 Pix2pix HD原理及結構 |
| 4.3.2 Pix2pix HD損失函數 |
| 4.3.3 基于Pix2pix HD生成圖像的結果分析 |
| 4.4 本章小結 |
| 第5章 艦船多源圖像融合及識別算法研究 |
| 5.1 引言 |
| 5.2 基于小波變換的圖像融合 |
| 5.2.1 基于小波變換的融合算法原理 |
| 5.2.2 小波變換的融合參數的選取 |
| 5.2.3 小波變換的融合結果 |
| 5.3 基于卷積神經網絡的艦船目標識別 |
| 5.3.1 卷積神經網絡結構 |
| 5.3.2 卷積神經網絡特征提取和識別方法 |
| 5.4 艦船目標識別結果 |
| 5.5 本章小結 |
| 結論 |
| 參考文獻 |
| 攻讀碩士學位期間發(fā)表的論文及其它成果 |
| 致謝 |
（3）基于小波變換的圖像去噪與邊緣檢測算法研究與應用（論文提綱范文）
| 摘要 |
| abstract |
| 第1章 緒論 |
| 1.1 課題研究背景及意義 |
| 1.2 國內外研究現狀 |
| 1.2.1 圖像去噪的研究現狀 |
| 1.2.2 圖像邊緣檢測的研究現狀 |
| 1.2.3 鋼軌缺陷檢測研究現狀 |
| 1.3 本文的研究內容及安排 |
| 第2章 小波變換理論 |
| 2.1 多分辨率分析 |
| 2.1.1 多分辨率簡介 |
| 2.1.2 多分辨率分析原理 |
| 2.1.3 Mallat快速算法 |
| 2.2 小波變換原理 |
| 2.2.1 一維小波變換 |
| 2.2.2 二維小波變換 |
| 2.3 本章小結 |
| 第3章 基于小波變換的圖像去噪算法研究 |
| 3.1 圖像噪聲分類及去噪質量評價方法 |
| 3.1.1 圖像噪聲分類 |
| 3.1.2 圖像去噪質量評價 |
| 3.2 空間域去噪算法 |
| 3.3 基于小波變換的去噪算法 |
| 3.3.1 小波模極大值去噪及相關性去噪 |
| 3.3.2 小波閾值去噪 |
| 3.4 改進的小波閾值去噪算法 |
| 3.4.1 改進的小波閾值函數 |
| 3.4.2 改進算法實驗仿真及結果分析 |
| 3.5 本章小結 |
| 第4章 基于小波變換的圖像邊緣檢測算法研究 |
| 4.1 圖像邊緣分類 |
| 4.2 經典邊緣檢測算子 |
| 4.2.1 一階微分檢測算子 |
| 4.2.2 二階微分檢測算子 |
| 4.2.3 邊緣檢測微分算子實驗仿真 |
| 4.3 基于小波變換的邊緣檢測 |
| 4.3.1 小波模極大值邊緣檢測 |
| 4.3.2 基于小波分解的圖像邊緣檢測 |
| 4.4 改進形態(tài)學和小波變換相結合的邊緣檢測算法 |
| 4.4.1 數學形態(tài)學簡介 |
| 4.4.2 改進的多尺度形態(tài)學邊緣檢測算子 |
| 4.4.3 基于余弦距離的自適應權值算法 |
| 4.4.4 小波變換和形態(tài)學相結合的邊緣檢測算法 |
| 4.4.5 實驗仿真及結果分析 |
| 4.5 本章小結 |
| 第5章 改進算法在鋼軌缺陷檢測中的應用 |
| 5.1 軌道缺陷圖像預處理 |
| 5.1.1 圖像去噪 |
| 5.1.2 灰度增強 |
| 5.2 軌道缺陷圖像分割 |
| 5.2.1 鋼軌區(qū)域提取 |
| 5.2.2 缺陷分割 |
| 5.3 鋼軌缺陷圖像分類 |
| 5.3.1 BP神經網絡 |
| 5.3.2 缺陷特征提取 |
| 5.3.3 BP神經網絡缺陷分類 |
| 5.4 本章小結 |
| 結論與展望 |
| 1 論文總結 |
| 2 問題與展望 |
| 致謝 |
| 參考文獻 |
| 攻讀碩士學位期間研究成果 |
（4）基于改進小波神經網絡的電力系統諧波檢測方法研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 背景及意義 |
| 1.2 國內外研究現狀 |
| 1.2.1 諧波檢測方法的研究現狀 |
| 1.2.2 小波神經網絡的研究現狀 |
| 1.3 本文主要研究內容 |
| 1.4 本文結構安排 |
| 第二章 小波神經網絡理論基礎 |
| 2.1 神經網絡理論 |
| 2.2 小波分析理論 |
| 2.3 小波神經網絡概述 |
| 2.3.1 小波神經網絡的構造 |
| 2.3.2 小波神經網絡的性質 |
| 2.4 仿真驗證 |
| 2.5 本章小結 |
| 第三章 小波神經網絡的優(yōu)化方法 |
| 3.1 小波神經網絡學習算法優(yōu)化 |
| 3.1.1 添加動量項 |
| 3.1.2 變學習率學習算法 |
| 3.2 小波神經網絡結構優(yōu)化 |
| 3.2.1 隱含層層數與節(jié)點數確定 |
| 3.2.2 小波基函數選擇 |
| 3.3 小波神經網絡初始參數優(yōu)化 |
| 3.3.1 優(yōu)化算法選擇 |
| 3.3.2 遺傳算法的實現步驟 |
| 3.3.3 遺傳算子的改進 |
| 3.3.4 遺傳算法仿真 |
| 3.3.5 遺傳算法與小波神經網絡結合方式 |
| 3.4 分析與對比 |
| 3.5 本章小結 |
| 第四章 電力系統諧波檢測預處理 |
| 4.1 基于中值濾波的脈沖噪聲濾除 |
| 4.1.1 電力系統噪聲成分 |
| 4.1.2 中值濾波原理 |
| 4.1.3 基于中值濾波的諧波信號仿真 |
| 4.2 電力系統基波檢測 |
| 4.2.1 電力系統基波檢測意義 |
| 4.2.2 基于BP神經網絡的基波檢測 |
| 4.2.3 BP神經網絡基波檢測仿真驗證 |
| 4.3 本章小結 |
| 第五章 基于改進小波神經網絡的電力系統諧波檢測 |
| 5.1 傳統諧波檢測方法 |
| 5.1.1 基于FFT的諧波檢測方法 |
| 5.1.2 基于BP神經網絡的諧波檢測方法 |
| 5.2 基于改進小波神經網絡的諧波檢測方法實現 |
| 5.2.1 待測信號與諧波關系 |
| 5.2.2 網絡結構確定 |
| 5.2.3 訓練樣本生成 |
| 5.2.4 改進小波神經網絡諧波檢測仿真驗證 |
| 5.3 本章小結 |
| 第六章 總結與展望 |
| 6.1 全文總結 |
| 6.2 工作展望 |
| 致謝 |
| 參考文獻 |
| 課題來源 |
（5）基于雷達高分辨距離像的目標識別算法研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 1 緒論 |
| 1.1 選題背景及意義 |
| 1.2 雷達HRRP目標識別技術的發(fā)展及現狀 |
| 1.3 雷達一維距離像識別中的主要問題 |
| 1.3.1 距離像的歸一化問題 |
| 1.3.2 距離像的平移敏感性問題 |
| 1.3.3 距離像的方位敏感性問題 |
| 1.4 論文內容和安排 |
| 2 HRRP的成像原理及散射點模型 |
| 2.1 HRRP的成像原理及獲取方式 |
| 2.1.1 步進頻波形合成高分辨距離像 |
| 2.1.2 線性調頻波形獲取高分辨距離像 |
| 2.2 多散射點模型及HRRP特性 |
| 2.2.1 目標的多散射點模型 |
| 2.2.2 與散射點模型相關的HRRP特性 |
| 2.3 仿真實驗數據獲取 |
| 2.3.1 模型獲取 |
| 2.3.2 數據庫構建 |
| 2.4 本章小結 |
| 3 基于非參數數據壓縮算法的HRRP識別 |
| 3.1 HRRP的預處理 |
| 3.1.1 平移對齊 |
| 3.1.2 HRRP的功率譜特征 |
| 3.2 經典數據壓縮算法的非參數化改進 |
| 3.2.1 主成分分析 |
| 3.2.2 線性判別分析 |
| 3.2.3 制約LDA應用的因素 |
| 3.2.4 LDA的非參數化 |
| 3.3 基于非參數最大間隔準則的HRRP特征提取 |
| 3.4 特征提取的一般性框架 |
| 3.5 仿真實驗 |
| 3.5.1 分類器設計 |
| 3.5.2 特征提取及識別實驗 |
| 3.6 本章小結 |
| 4 基于小波分析的HRRP識別 |
| 4.1 小波分析基礎 |
| 4.1.1 小波分析的時頻特性 |
| 4.1.2 多分辨分析 |
| 4.1.3 分解和重構 |
| 4.2 HRRP的小波去噪方法 |
| 4.2.1 小波去噪的原理和方法 |
| 4.2.2 應用于HRRP的小波閾值去噪算法 |
| 4.2.3 小波去噪實驗 |
| 4.3 基于小波變換的HRRP特征提取 |
| 4.3.1 基于小波分解的能量分布特征 |
| 4.3.2 基于小波分解的模極大值特征 |
| 4.3.3 基于小波包分解的熵特征 |
| 4.3.4 基于自適應小波網絡的特征 |
| 4.3.5 特征提取及識別實驗 |
| 4.4 基于進化算法和自適應小波網絡的HRRP識別 |
| 4.4.1 基于自適應小波神經網絡的特征提取和分類 |
| 4.4.2 結合進化算法的自適應小波神經網絡 |
| 4.4.3 基于自適應小波神經網絡的HRRP識別實驗 |
| 4.5 本章小結 |
| 5 基于統計建模的HRRP識別 |
| 5.1 HRRP統計建模識別基本理論 |
| 5.1.1 最大似然參數估計 |
| 5.1.2 期望最大值參數估計 |
| 5.1.3 自適應高斯分類器 |
| 5.1.4 Kullback-Leibler距離分類器 |
| 5.2 基于混合概率主成分分析的HRRP識別 |
| 5.2.1 基于概率主成分分析的HRRP建模 |
| 5.2.2 基于混合概率主成分分析的HRRP識別 |
| 5.2.3 基于MPPCA模型的HRRP識別實驗 |
| 5.3 基于PPCA修正模型的HRRP穩(wěn)健識別 |
| 5.3.1 模型修正 |
| 5.3.2 基于PPCA修正模型的穩(wěn)健識別 |
| 5.3.3 基于PPCA修正模型的HRRP識別實驗 |
| 5.4 基于t分布擴展PPCA模型的HRRP識別 |
| 5.4.1 t分布擴展PPCA模型 |
| 5.4.2 參數估計 |
| 5.4.3 基于t分布擴展PPCA模型的HRRP識別實驗 |
| 5.5 本章小結 |
| 6 總結與展望 |
| 6.1 內容總結 |
| 6.2 工作展望 |
| 參考文獻 |
| 致謝 |
| 攻讀博士學位期間發(fā)表的學術論文和參加科研情況 |
（6）云—智能群體算法在盤式絕緣子優(yōu)化中的應用（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 云模型與智能群體算法融合研究的意義和現狀 |
| 1.2 論文研究的主要內容 |
| 第2章 小波神經網絡理論 |
| 2.1 小波理論 |
| 2.1.1 母小波 |
| 2.1.2 子小波 |
| 2.1.3 連續(xù)小波變換 |
| 2.1.4 離散小波變換 |
| 2.2 小波網絡理論發(fā)展 |
| 2.2.1 小波網絡的結構和形式 |
| 2.2.2 小波網絡構造形式 |
| 2.2.3 小波網絡的參數調整算法 |
| 2.3 小波神經網絡缺陷 |
| 2.4 本章小結 |
| 第3章 云模型基本理論 |
| 3.1 云的基本定義 |
| 3.2 云的數字特征 |
| 3.3 云的 3En 規(guī)則 |
| 3.4 云發(fā)生器與云分類 |
| 3.5 正態(tài)云發(fā)生器 |
| 3.6 X 條件云和 Y 條件云發(fā)生器 |
| 3.7 逆向云發(fā)生器 |
| 3.7.1 逆向擬合云算法 |
| 3.7.2 改進逆向云算法 |
| 3.8 云發(fā)生器的誤差 |
| 3.8.1 隨機數的產生原理 |
| 3.8.2 正態(tài)隨機數形成原理 |
| 3.9 新舊逆云算法的誤差比較 |
| 3.10 正態(tài)云模型統計分析 |
| 3.11 云規(guī)則生成器 |
| 3.12 本章小結 |
| 第4章 云-智能群體算法對盤式絕緣子電場結構的優(yōu)化 |
| 4.1 云模型與智能群體算法融合實現思路 |
| 4.2 改進的智能群體算法 |
| 4.2.1 粒子群算法及其規(guī)則生成器改進算法 |
| 4.2.2 魚群算法及其云模型改進算法 |
| 4.3 改進智能群體算法在盤式絕緣子電場結構中的優(yōu)化 |
| 4.4 改進智能群體算法比較 |
| 4.5 本章小結 |
| 結論及展望 |
| 參考文獻 |
| 致謝 |
| 附錄 A （攻讀學位期間所發(fā)表的學術論文目錄） |
| 附件 B 云理論仿真代碼 |
（7）人工神經網絡交通流預測算法研究 ——結合粒子群、小波和混沌的方法（論文提綱范文）
| 中文摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 課題研究背景和意義 |
| 1.1.1 交通問題現狀和解決方法 |
| 1.2 智能交通系統（ITS）國內、外發(fā)展概述 |
| 1.2.1 智能交通系統（ITS）概述 |
| 1.2.2 ITS 國內外發(fā)展現狀 |
| 1.3 交通流量預測的發(fā)展及研究現狀 |
| 1.3.1 基于解析數學模型的方法 |
| 1.3.2 基于知識的智能預測方法的模型 |
| 1.3.3 組合預測算法 |
| 1.4 本文內容及創(chuàng)新點 |
| 1.4.1 本文主要研究內容 |
| 1.4.2 本文主要創(chuàng)新點 |
| 1.5 論文結構 |
| 第2章 交通流特性、預測與分析 |
| 2.1 交通流理論 |
| 2.1.1 交通流采集 |
| 2.1.2 交通流特性分析 |
| 2.1.3 交通流可測性分析 |
| 2.2 交通流預測 |
| 2.2.1 交通流預測概述 |
| 2.2.2 交通流數據預處理 |
| 2.2.3 交通流預測性能評價指標 |
| 2.3 本章小結 |
| 第3章 基于BP神經網絡交通流預測模型研究 |
| 3.1 BP 神經網絡與學習算子 |
| 3.1.1 神經網絡概述 |
| 3.1.2 BP 神經網絡 |
| 3.1.3 BP 神經網絡學習算子 |
| 3.2 基于BP 神經網絡的交通流量預測 |
| 3.2.1 交通流數據可預測性分析 |
| 3.2.2 基于BP 神經網絡預測算法設計與分析 |
| 3.3 基于數學模型改進的BP 神經網絡交通流量預測 |
| 3.4 本章總結 |
| 第4章 結合智能優(yōu)化算法的BP 神經網絡交通流預測 |
| 4.1 智能優(yōu)化算法 |
| 4.1.1 智能優(yōu)化算法概述 |
| 4.1.2 遺傳算法 |
| 4.1.3 粒子群算法 |
| 4.2 結合遺傳算法的BP 神經網絡交通流量預測 |
| 4.3 結合粒子群算法的BP神經網絡交通流量預測 |
| 4.3.1 結合標準粒子群的BP神經網絡預測算法 |
| 4.3.2 結合參數改進粒子群的BP神經網絡預測算法 |
| 4.4 本章總結 |
| 第5章 結合混沌與小波的神經網絡交通流預測模型 |
| 5.1 小波神經網絡概述 |
| 5.2 基于小波神經網絡預測模型與仿真 |
| 5.3 小波網絡預測算法改進 |
| 5.3.1 結合標準粒子群的小波網絡算法改進 |
| 5.3.2 結合改進粒子群的小波神經網絡算法 |
| 5.3.3 結合混沌的小波神經網絡預測算法與分析 |
| 5.3.4 結合混沌粒子群的小波網絡預測算法 |
| 5.4 預測算法比較總結 |
| 5.5 本章小結 |
| 第6章 結論 |
| 參考文獻 |
| 發(fā)表論文和參加科研情況說明 |
| 致謝 |
（8）自適應結構優(yōu)化神經網絡控制研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 課題背景 |
| 1.1.1 課題來源 |
| 1.1.2 研究的目的及意義 |
| 1.2 模糊與小波神經網絡的研究現狀 |
| 1.2.1 模糊神經網絡的研究現狀 |
| 1.2.2 小波神經網絡的研究現狀 |
| 1.2.3 復雜系統神經網絡控制方法 |
| 1.3 主要研究內容 |
| 第2章 基于模糊聚類算法的模糊神經網絡 |
| 2.1 模糊推理模型 |
| 2.1.1 模糊推理 |
| 2.1.2 T-S 模糊推理模型 |
| 2.2 T-S 模糊神經網絡模型 |
| 2.3 改進的模糊C 均值聚類法 |
| 2.3.1 聚類算法的引入 |
| 2.3.2 初始聚類中心的選擇 |
| 2.3.3 聚類數目優(yōu)選 |
| 2.3.4 改進算法的步驟 |
| 2.3.5 仿真實例 |
| 2.4 本章小結 |
| 第3章 基于靈敏度剪枝的自適應T-S 模糊神經網絡 |
| 3.1 網絡結構優(yōu)化問題 |
| 3.2 靈敏度剪枝算法 |
| 3.2.1 算法原理 |
| 3.2.2 改進算法步驟 |
| 3.2.3 仿真實例 |
| 3.3 一種改進的自適應T-S 模糊神經網絡的實現 |
| 3.3.1 T-S 型模糊神經網絡模型構建 |
| 3.3.2 模糊神經網絡參數和結構的自適應調整 |
| 3.3.3 算法實現 |
| 3.4 仿真實例 |
| 3.5 本章小結 |
| 第4章 初始參數優(yōu)化的多級自適應小波神經網絡 |
| 4.1 小波函數及其構造 |
| 4.1.1 小波函數 |
| 4.1.2 小波函數的構造 |
| 4.2 自適應小波神經網絡模型構造 |
| 4.2.1 小波神經網絡的分類及結構 |
| 4.2.2 改進的多級自適應小波神經網絡 |
| 4.3 小波神經網絡學習及優(yōu)化算法 |
| 4.3.1 改進學習率的BP 算法 |
| 4.3.2 改進的共軛梯度算法 |
| 4.4 小波神經網絡函數逼近仿真研究 |
| 4.5 改進的自適應遺傳算法 |
| 4.5.1 種群的多樣性評價 |
| 4.5.2 一種改進的種群多樣性評價指標 |
| 4.5.3 算法描述 |
| 4.5.4 仿真實例 |
| 4.6 本章小結 |
| 第5章 自適應小波神經網絡控制器設計 |
| 5.1 小波神經網絡控制器的小波基選取 |
| 5.2 自適應小波神經網絡控制器的初始參數確定 |
| 5.3 二階倒立擺小波神經網絡控制器設計 |
| 5.3.1 二階倒立擺系統描述 |
| 5.3.2 小波神經網絡結構的確定 |
| 5.3.3 網絡初始參數的確定 |
| 5.3.4 分級自適應小波神經網絡控制器模型 |
| 5.3.5 網絡的學習與訓練 |
| 5.4 基于自適應小波神經網絡二階倒立擺系統仿真與控制 |
| 5.4.1 控制系統的仿真研究 |
| 5.4.2 自適應小波神經網絡控制器抗干擾能力研究 |
| 5.4.3 自適應小波神經網絡控制器的實驗研究 |
| 5.5 本章小結 |
| 結論 |
| 參考文獻 |
| 攻讀學位期間發(fā)表的學術論文 |
| 致謝 |
（9）蟻群算法與小波網絡在復雜性科學中的應用研究（論文提綱范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 研究背景與問題的提出 |
| 1.1.1 研究背景 |
| 1.1.2 問題的提出 |
| 1.2 研究目標、研究內容與研究意義 |
| 1.2.1 研究目標 |
| 1.2.2 研究內容 |
| 1.2.3 研究意義 |
| 1.3 研究方法和技術路線 |
| 1.3.1 研究方法 |
| 1.3.2 技術路線及建模仿真方法 |
| 1.4 論文的主要工作與創(chuàng)新點 |
| 1.5 論文的章節(jié)安排 |
| 第二章 群集智能中的蟻群算法理論 |
| 2.1 群集智能及其基本特性分析 |
| 2.2 群集智能中的蟻群算法 |
| 2.2.1 真實螞蟻的覓食現象 |
| 2.2.2 基本蟻群算法 |
| 2.2.3 蟻群算法的改進 |
| 2.3 蟻群優(yōu)化元啟發(fā)算法框架 |
| 2.3.1 元啟發(fā)式搜索算法的基本理論 |
| 2.3.2 基于蟻群優(yōu)化的元啟發(fā)框架 |
| 2.3.3 蟻群優(yōu)化元啟發(fā)框架中的自組織性及其反饋特性分析 |
| 2.3.4 蟻群算法元啟發(fā)框架下的收斂性分析 |
| 2.3.4.1 基于圖搜索螞蟻系統的收斂性分析 |
| 2.3.4.2 蟻群優(yōu)化算法的收斂性分析 |
| 2.4 蟻群算法中的參數優(yōu)化設置 |
| 2.4.1 正交試驗設計方法 |
| 2.4.2 基于正交試驗法的蟻群算法參數設置方法 |
| 2.4.3 仿真試驗及其結果分析 |
| 2.5 本章小結 |
| 第三章 元啟發(fā)框架下蟻群算法的改進 |
| 3.1 遺傳算法與蟻群算法的融合 |
| 3.1.1 基本遺傳蟻群算法 |
| 3.1.2 基本遺傳蟻群算法的收斂性證明 |
| 3.2 基本遺傳蟻群算法的改進 |
| 3.2.1 遺傳蟻群算法模型中的遺傳算法改進策略 |
| 3.2.2 遺傳蟻群算法模型中的信息素更新機制的改進策略 |
| 3.3 基于遺傳蟻群算法的植物病斑檢測 |
| 3.4 仿真實驗及結果分析 |
| 3.5 本章小結 |
| 第四章 基于蟻群優(yōu)化的小波網絡 |
| 4.1 小波網絡概述 |
| 4.2 小波分析理論 |
| 4.2.1 小波分析的基本原理 |
| 4.2.2 小波分解重構算法 |
| 4.2.3 小波包算法 |
| 4.3 BP 神經網絡的基本原理 |
| 4.4 傳統小波網絡的基本模型 |
| 4.5 蟻群算法優(yōu)化的小波網絡模型 |
| 4.5.1 小波函數及其選擇原則 |
| 4.5.2 小波網絡的參數初始化 |
| 4.5.3 小波網絡的隱層節(jié)點數的設計 |
| 4.5.4 基于蟻群算法的小波網絡學習算法研究 |
| 4.6 基于改進型小波網絡的故障模式識別模型 |
| 4.7 仿真實驗及結果分析 |
| 4.8 本章小結 |
| 第五章 基于改進型小波網絡的信息融合模型 |
| 5.1 數據缺失機制及其處理方法 |
| 5.1.1 數據缺失機制 |
| 5.1.2 缺失數據的常用處理方法 |
| 5.1.3 期望最大化似然估計在缺失數據處理中的應用 |
| 5.2 基于小波網絡的特征級信息融合 |
| 5.3 決策級信息融合模型的構建 |
| 5.3.1 D-S 證據理論的基本概念 |
| 5.3.2 D-S 證據理論的組合規(guī)則 |
| 5.3.3 D-S 證據理論的推理決策 |
| 5.3.4 基于小波網絡與證據理論的決策級信息融合模型 |
| 5.4 仿真試驗及結果分析 |
| 5.5 本章小結 |
| 第六章 結論與展望 |
| 6.1 本文工作的總結 |
| 6.2 本文工作的展望 |
| 參考文獻 |
| 發(fā)表論文和參加科研情況說明 |
| 致謝 |
（10）基于小波神經網絡的智能火災探測研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 引言 |
| 1.2 火災探測技術的發(fā)展與研究現狀 |
| 1.2.1 火災探測技術的發(fā)展史 |
| 1.2.2 火災探測技術的研究現狀 |
| 1.3 國內外智能火災探測器研究概況 |
| 1.3.1 目前火災自動探測存在的問題及研究進展 |
| 1.3.2 國外智能火災探測器研究概況 |
| 1.3.3 火災自動探測發(fā)展的主要方向 |
| 1.4 小波神經網絡的發(fā)展歷史與研究現狀 |
| 1.4.1 小波神經網絡的提出 |
| 1.4.2 國內研究現狀 |
| 1.5 本文研究的主要內容 |
| 1.6 本章小結 |
| 第2章 火災機理分析與火災探測原理 |
| 2.1 火災的機理 |
| 2.2 火災的發(fā)展過程 |
| 2.2.1 火災的燃燒狀態(tài) |
| 2.2.2 室內火災發(fā)展過程 |
| 2.3 室內火災的模型 |
| 2.4 火災探測原理 |
| 2.4.1 傳統的火災探測算法 |
| 2.4.2 新興的火災探測算法 |
| 2.5 本章小節(jié) |
| 第3章 人工神經網絡與小波分析理論 |
| 3.1 人工神經網絡 |
| 3.1.1 人工神經網絡概述 |
| 3.1.2 人工神經網絡的基本概念 |
| 3.1.3 人工神經網絡的結構與類型 |
| 3.1.4 人工神經網絡的仿真、學習與訓練概述 |
| 3.2 小波分析理論 |
| 3.2.1 一維連續(xù)小波變換 |
| 3.2.2 離散小波變換和二進小波變換 |
| 3.2.3 小波基函數的選取 |
| 第4章 小波神經網絡及其改進算法研究 |
| 4.1 小波神經網絡基礎 |
| 4.1.1 小波神經網絡的結構 |
| 4.1.2 經典小波神經網絡 |
| 4.1.3 多層前饋神經網絡的映像能力 |
| 4.1.4 小波神經網絡的函數逼近能力 |
| 4.1.5 小波神經網絡與MLP的比較 |
| 4.1.6 小波神經網絡函數逼近Matlab仿真試驗 |
| 4.2 小波神經網絡改進算法研究 |
| 4.2.1 算法的推導 |
| 4.2.2 小波神經網絡結構各層節(jié)點的確定 |
| 4.2.3 小波神經網絡學習算法 |
| 4.2.4 小波神經網絡算法推導 |
| 4.2.5 小波神經網絡誤差反傳算法改進 |
| 第5章 小波神經網絡在火災氣體識別中的應用 |
| 5.1 小波神經網絡模型的建立與參數選擇 |
| 5.2 小波神經網絡訓練算法 |
| 5.3 氣體定性分析 |
| 5.3.1 問題描述 |
| 5.3.2 試驗原理與方法 |
| 5.3.3 神經網絡參數選擇 |
| 5.3.4 Matlab計算結果分析 |
| 5.4 氣體定量檢測 |
| 5.4.1 試驗原理 |
| 5.4.2 試驗數據 |
| 5.4.3 數據預處理 |
| 5.4.4 神經網絡參數選擇 |
| 5.4.5 Matlab計算結果分析 |
| 5.4.6 誤差分析 |
| 5.5 系統誤差產生原因分析及減小措施 |
| 5.5.1 溫濕度補償方法 |
| 5.5.2 樣本增強與篩選 |
| 第6章 結論與展望 |
| 6.1 結論 |
| 6.2 展望 |
| 參考文獻 |
| 致謝 |
四、一種小波網絡的改進算法研究（論文參考文獻）
- [1]多自主平臺武器站協同打擊策略研究與實現[D]. 付博雯. 西安工業(yè)大學, 2021(02)
- [2]基于生成對抗網絡的艦船目標多源融合識別方法[D]. 王潔. 哈爾濱工業(yè)大學, 2020(01)
- [3]基于小波變換的圖像去噪與邊緣檢測算法研究與應用[D]. 王佰輝. 西南交通大學, 2019(04)
- [4]基于改進小波神經網絡的電力系統諧波檢測方法研究[D]. 江帥. 電子科技大學, 2019(01)
- [5]基于雷達高分辨距離像的目標識別算法研究[D]. 李彬. 西北工業(yè)大學, 2018(02)
- [6]云—智能群體算法在盤式絕緣子優(yōu)化中的應用[D]. 余漢華. 湖南大學, 2012(02)
- [7]人工神經網絡交通流預測算法研究 ——結合粒子群、小波和混沌的方法[D]. 徐樹安. 廣西工學院, 2010(05)
- [8]自適應結構優(yōu)化神經網絡控制研究[D]. 宋清昆. 哈爾濱理工大學, 2009(01)
- [9]蟻群算法與小波網絡在復雜性科學中的應用研究[D]. 馮登超. 天津大學, 2008(07)
- [10]基于小波神經網絡的智能火災探測研究[D]. 陳月. 東北大學, 2008(03)