导读:本文包含了小波过程神经网络论文开题报告文献综述及选题提纲参考文献，主要关键词:极限学习,广义逆,岩性识别,过程神经网络
小波过程神经网络论文文献综述
刘志刚,许少华,肖佃师,杜娟[1]（2019）在《极限学习脊波过程神经网络及应用》一文中研究指出为提高页岩的岩性识别精度,首先针对测井曲线连续变化、突变频繁的信号特征,利用脊波变换作为过程神经元的激励函数,提出一种脊波过程神经网络模型;其次通过Ada Boost的动态调整机制迭代调整模型和样本集权重,利用多个弱分类器的线性加权构建强分类器;最后为提高AdaBoost中的每个脊波过程神经网络模型的学习速度,提出一种基于满秩分解的极限学习算法,通过Moore-Penrose广义逆求解隐层输出权值。仿真实验以A区的B1井和B2井为例进行岩性识别,通过对比分析验证方法的有效性,识别效果优于其他过程神经网络模型,准确率最高可达90%左右。(本文来源于《电子科技大学学报》期刊2019年01期）
裴雨潇,刘奇洪,丛小飞[2]（2016）在《基于小波和过程神经网络的PM_(2.5)预测模型》一文中研究指出为了更加准确地预测PM_(2.5)数值以便能够预先采取有效措施,以南京市为例统计收集了2013~2015年的PM_(2.5)数据构成时间序列,提出基于小波和过程神经网络的预测模型。首先,对原始时间序列采用二进正交小波变换进行分解和重构,分离出原始序列中的高频部分和低频部分;然后对高频部分构建过程神经网络模型,对低频部分采用自回归模型;最后将2种模型的预测值迭加,得到原序列的预测值。通过与BP神经网络预测模型的对比试验分析,发现基于小波和过程神经网络模型更好地预测了12月份数据,预测精度明显高于BP神经网络模型。(本文来源于《环境科技》期刊2016年02期）
刘修恒,吕鑫,戚荣志,刘璇,马鸿旭[3]（2016）在《基于小波和过程神经网络的时间序列预测模型》一文中研究指出提出基于过程神经网络和自回归模型的组合预测方案。首先,采用二进正交小波变换对原始时间序列分解和重构,分离出原始序列中的高频部分和低频部分;然后对低频部分构建过程神经网络模型,对低频部分采用自回归模型;最后将两种模型的预测值迭加,得到原序列的预测值。(本文来源于《电子设计工程》期刊2016年01期）
王建平,蔡宗亮,朱程辉,徐晓冰[4]（2015）在《基于等效过程小波神经网络的太阳逐日辐射能量实时在线预测模型》一文中研究指出针对太阳逐日辐射能量时间序列的强非线性和非平稳性,采用神经网络结合傅里叶变换和小波多尺度分解,等效建立太阳逐日辐射能量小波过程神经网络实时在线预测模型,使其具有更多的自由度和更强的非线性逼近与随机性估计能力。以重构相空间的嵌入维数作为网络输入的傅里叶变换点数长度,避免输入量选取的任意性造成信息丢失的问题;通过小波多尺度分解,使其在不同尺度上表现出准平稳性,并以此确定网络隐层节点数;通过综合太阳逐日辐射能量、日照时数百分比和云量的时间序列数据对预测模型进行训练,仿真结果表明,该方法能实时有效在线递推预测太阳逐日辐射能量。(本文来源于《太阳能学报》期刊2015年01期）
宋李俊,赵虎,周康渠[5]（2014）在《基于粗糙小波神经网络的客户协同供应商选择过程研究》一文中研究指出为准确有效地将客户需求反映到企业的供应商选择过程中,建立了客户协同供应商选择的过程模型,分析了协同客户评价的重要性,提出了客户协同机制。从客户价值、客户协同态度、客户协同能力和客户协同效应四方面构建了协同客户选择评价指标体系,采用粗糙集理论和小波神经网络相结合的方法确定协同客户的重要性。由协同客户与企业根据供应商选择评价准则,共同对备选供应商进行评价,从而选择出合适的供应商。通过应用研究验证了该方法的有效性和可行性。(本文来源于《计算机集成制造系统》期刊2014年12期）
徐晓冰,姚莹,王建平[6]（2013）在《基于小波过程神经网络的短期风速预测》一文中研究指出针对风速序列非线性和非平稳性的随机性特点,提出了基于小波过程神经元网络的短期风速预测方法。首先利用相空间重构理论,计算出风速时序的最佳嵌入维数作为网络的输入层节点数,根据小波神经网络的经验公式来选取网络隐含层的节点数初始值,通过调整参数使网络误差达到最小值,得到合适的隐层节点数,并给出相应的学习算法。算例仿真结果表明所提预测方法的可行性,运用本方法与时序ARMA模型对比,其预测结果的精度明显提高。(本文来源于《电子测量与仪器学报》期刊2013年10期）
翁卫卫,陈鑫,吴敏,曹卫华[7]（2013）在《基于遗传小波神经网络的烧结过程碳耗模型》一文中研究指出碳的燃烧为烧结生产提供了主要能源,而对于烧结过程的碳耗却没有确定的衡量指标和有效的预测方法,导致无法对烧结过程进行有针对性地优化以降低烧结过程碳耗本文通过分析烧结的工艺机理,确定了合理的烧结碳耗衡量指标通过综合运用机理分析方法和灰色关联度分析方法,确定了碳耗的主要影响因素考虑烧结过程的时间滞后大、时变和非线性强的特性,建立了基于遗传算法的小波神经网络(GA-WNN)碳耗预测模型,用遗传算法对小波神经网络的网络权值、伸缩因子和平移尺度进行寻优,以克服小波神经网络参数寻优时陷入局部极小的缺点利用实际生产历史数据对所建立的模型进行了仿真验证,仿真结果表明,GA-WNN可有效地对烧结碳耗进行预测,为优化烧结生产过程,降低烧结碳耗奠定了基础.(本文来源于《第叁十二届中国控制会议论文集（B卷）》期刊2013-07-26）
郭瑞丽,赵凤遥,李亚楠[8]（2013）在《基于递归小波神经网络的流域降雨-径流过程动态模型》一文中研究指出根据流域降雨-径流过程的特点,采用递归小波神经网络(RWNN),建立了流域降雨-径流过程的动态模型,给出了RWNN模型网络的动态梯度下降训练算法。以陆浑水库上游伊河流域为研究实例,通过RWNN动态模型计算分析,表明该模型应用于流域降雨-径流动态模拟具有可行性、高效性、适应性,具有广阔的应用前景。(本文来源于《水力发电学报》期刊2013年02期）
姚莹[9]（2013）在《基于小波过程神经网络的短期风速预测方法研究》一文中研究指出随着风力发电规模的增大，风电的集中接入所引起的较大功率波动将对电网带来较大的冲击，严重时影响到接入电网的安全与稳定运行。准确预测风速可有效减少这种不利影响，已成为风力发电领域研究的热点和难点。本文以风速为研究对象，通过分析短时风速时间序列的时间相关性、非平稳性、非线性和混沌特性，给出了基于小波过程神经网络的短期风速预测模型，重点研究了具有过程神经元的空间加权聚合运算、小波的时间分解累积运算的风速预测算法并仿真实现，获得了较为满意的效果。本文主要研究工作如下：1.分析风速时间序列数据具有时间相关性、非平稳性、非线性和混沌特性。利用短期风速时间序列数据的相关函数、偏相关函数、均值、方差、偏度、功率谱等统计函数来分析风速的特性，为小波过程神经网络风速预测模型提供设计基础。2.给出用以处理风速时间序列预测的3层小波过程神经网络风速预测模型和参数选择方法。选择过程神经元实现空间加权聚合运算，小波分析实现时间分解累积运算。采用相空间重构嵌入维数作为小波过程神经网络输入层节点个数；对短期风速进行一维小波多分辨率分解，结合经验公式，确定小波神经网络中间隐含层节点个数；采用短期风速预测值作为网络的输出。3.研究了短期风速小波过程神经网络的学习训练和预测过程。采用梯度下降法对小波过程神经网络的连接权函数、隐含层小波基函数的伸缩参数和平移参数进行调整训练。通过模型预测误差评价指标，实现对神经网络模型的训练和预测过程的评价。4.选用风场的实测风速数据对本文研究算法进行了Matlab仿真实验。完成了该预测算法与自回归滑动平均模型、BP神经网络模型和小波神经网络模型算法的风速预测对比仿真实验以及该预测算法在不同测量地点和时间的风速预测仿真实验比较。结果表明该方法具有良好的预测效果和对环境变化的普适性。(本文来源于《合肥工业大学》期刊2013-04-01）
蔡宗亮[10]（2013）在《基于等效过程小波神经网络的太阳逐日辐射能量实时在线预测模型》一文中研究指出太阳逐日辐射能量的预测工作对于近年来国内外广泛开展的光伏发电与并网工作有着极其重要的作用与意义。太阳逐日辐射能量由于其具有较强的非线性、大间歇非平稳性、混沌特性以及过程时间属性因而难以对其进行有效的实时在线预测。目前，国内外已有的预测模型对于太阳逐日辐射能量序列所包含的各种特性考虑不够完全，均存在不同程度上的不足，因此对太阳逐日辐射能量的预测工作做进一步的研究和探索是十分有意义和价值的。本文将傅里叶变换和小波神经网络相结合，等效地构建了太阳逐日辐射能量过程小波神经网络预测模型，实验证明该模型具有一定的理论创新性和较好的可推广性，为太阳逐日辐射能量预测模型的研究和探索工作提供了一种新思路。本文的研究工作如下：1．对太阳逐日辐射能量序列做了定性分析，确定了该序列具有非线性、大间歇非平稳性、混沌特性以及过程时间属性这几个主要特性；明确了太阳逐日辐射能量序列的变化与每日的气象因素也有着极大的关联性。2．将傅里叶变换和小波神经网络相结合，等效地构建了太阳逐日辐射能量过程小波神经网络预测模型。该模型不仅可以对数据所含有的过程时间属性加以提取和处理，实现数据的实时在线预测，也同时具有较为简单的网络结构和较高的运算效率，为太阳逐日辐射能量的预测工作提供一了种新思维、新途径。3．采用太阳逐日辐射能量序列相空间重构的嵌入维数作为预测网络输入函数的输入时间长度；通过对辐射能量数据小波分析的结果确定了网络隐层节点的数量；通过实验法确定了输入数据的傅里叶展开次数。4．选用来源于美国国家航空航天局官方网站，观测点为合肥、海南叁亚市、哈尔滨地区2006年至2010年太阳逐日辐射能量数据及相关气象数据作为本文的实验数据，运用Matlab R2009b仿真软件对预测模型进行了训练并利用预测模型实现了太阳逐日辐射能量的实时在线预测，仿真结果表明该方法可行有效。(本文来源于《合肥工业大学》期刊2013-04-01）
小波过程神经网络论文开题报告
（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：
为了更加准确地预测PM_(2.5)数值以便能够预先采取有效措施,以南京市为例统计收集了2013~2015年的PM_(2.5)数据构成时间序列,提出基于小波和过程神经网络的预测模型。首先,对原始时间序列采用二进正交小波变换进行分解和重构,分离出原始序列中的高频部分和低频部分;然后对高频部分构建过程神经网络模型,对低频部分采用自回归模型;最后将2种模型的预测值迭加,得到原序列的预测值。通过与BP神经网络预测模型的对比试验分析,发现基于小波和过程神经网络模型更好地预测了12月份数据,预测精度明显高于BP神经网络模型。
（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。
小波过程神经网络论文参考文献
[1].刘志刚,许少华,肖佃师,杜娟.极限学习脊波过程神经网络及应用[J].电子科技大学学报.2019
[2].裴雨潇,刘奇洪,丛小飞.基于小波和过程神经网络的PM_(2.5)预测模型[J].环境科技.2016
[3].刘修恒,吕鑫,戚荣志,刘璇,马鸿旭.基于小波和过程神经网络的时间序列预测模型[J].电子设计工程.2016
[4].王建平,蔡宗亮,朱程辉,徐晓冰.基于等效过程小波神经网络的太阳逐日辐射能量实时在线预测模型[J].太阳能学报.2015
[5].宋李俊,赵虎,周康渠.基于粗糙小波神经网络的客户协同供应商选择过程研究[J].计算机集成制造系统.2014
[6].徐晓冰,姚莹,王建平.基于小波过程神经网络的短期风速预测[J].电子测量与仪器学报.2013
[7].翁卫卫,陈鑫,吴敏,曹卫华.基于遗传小波神经网络的烧结过程碳耗模型[C].第叁十二届中国控制会议论文集（B卷）.2013
[8].郭瑞丽,赵凤遥,李亚楠.基于递归小波神经网络的流域降雨-径流过程动态模型[J].水力发电学报.2013
[9].姚莹.基于小波过程神经网络的短期风速预测方法研究[D].合肥工业大学.2013
[10].蔡宗亮.基于等效过程小波神经网络的太阳逐日辐射能量实时在线预测模型[D].合肥工业大学.2013