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一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．     

小波神经网络在NGN流量预测中的应用

基于下一代网络NGN（Next Generation Network）的运行环境，该文提出了一个的基于小波神经网络的IP流量预测方法。在神经网络预测模型中，神经网络中的转移函数使用小波函数来替代，从而建立小波基神经网络；同时，通过使用小波多分辨率方法将原始流量信号分解成不同频率成分的分量信号，然后使用分量信号作为训练样本训练小波基神经网络。通过前述方法建立NGN流量预测模型，并根据实际流量数据预测一天的流量。实验结果表明本方法相较未采用小波的神经网络预测方法，能显著提高流量预测精度。     

基于小波神经网络的非线性误差校正模型及其预测

针对非线性系统的预测问题，在线性和非线性协整理论涵义的基础上，提出利用小波神经网络进行非线性协整系统的非线性误差校正模型的研究，并给出该模型的建模方法．对沪深股市进行实证研究，与线性向量自回归模型进行比较．研究证明，小波神经网络所建立的非线性误差校正模型有较好的预测效果，能够有效地预测非线性经济系统．     

高频随机时间序列分量的稳定预测方法

针对小波分解预测方法中高频随机序列预测精度低的问题,采用一种自行开发的小波神经网络工具箱进行预测,该方法既有小波函数信号特征提取能力,又有BP神经网络工具箱快速、方便、鲁棒性强等特点,同时给出了神经网络初始化方法.该方法的显著特点是简捷、快速、实用性强,可以克服非平稳信号预测及大批量数据的训练问题,对推广小波神经网络的应用具有重要意义.对短期电力负荷预测的仿真实验结果表明,该方法绝对平均精度达到1％以上,并具有较高的预测效率.     

基于小波神经网络的流量混沌时间序列预测

在Takens提出的相空间重构模型基础上,应用小波变换对其进行改进,充分考虑噪声对重构结果的影响。将小波神经网络混沌时间序列预测方法引入网络流量预测中,介绍小波神经网络的基本构造和学习方法。实验表明,与RBF神经预测方法相比,小波神经网络预测方法的逼近效果更好、误差更小。     

基于小波神经网络的时间序列流数据的研究

利用多分辨分析方法，结合小波分析和神经网络思想构建一种新型的神经网络模型——小波神经网络，解决了传统神经网络中隐层节点数难以确定的问题。通过对股票的预测，说明该方法能有效地提高预测精度，避免了人工神经网络模型的固有缺陷。     

小波神经网络模型的确定性预测及应用

针对神经网络模型预测结果的随机性,构建了一种紧致性小波神经网络工具箱。该方法将小波函数移植到BP网络隐层,并采用一种随机确定状态命令获得确定的预测结果。与编程实现的小波神经网络和BP网络比较,该方法适合于大批量数据训练,对数据样本的适应能力和鲁棒性强,尤其对高频随机时间序列有更好的适应能力,具有预测结果确定及实用性强等特点,可显著提高模型的训练速度、预测精度和预测效率。基于小波包变换和小波神经网络的瓦斯涌出量预测实验证明了所提方法的有效性。     

基于小波神经网络的电力系统短期负荷预测模型研究

实现了BP神经网络电力负荷预测模型和小波神经网络电力负荷预测模型.通过对两种神经网络的算法进行理论分析以及两种模型的预测结果比较发现,小波神经网络在神经网络节点数目相同的情况下,小波神经网络比BP神经网络具有更高的预测精度.小波神经网络是一种建立在小波理论基础上的一种新型前馈神经网络,具有许多优良特性.文中所指的小波神经网络的优点,例如所需网络节点少和预测精度高,已经在电力负荷预测中得到验证.表明小波神经网络模型预测精度高,自适应性好,收敛速度也明显快.     

基于遗传小波神经网络的冷轧轧制力预报研究

依据小波函数的非线性逼近能力和神经网络的自学习特性，提出一种适合高维输入的小波神经网络建模方法，这种网络结构类似于多层感知器，不同的是隐层神经元的激励函数为小波基函数．为使小波神经网络具有更高的学习精度和更快的收敛速度，将遗传算法、小波神经网络和梯度下降算子结合起来，提出一种遗传小波神经网络．将该网络应用于冷轧轧制力的预报，仿真结果表明预报精度大为提高．     

基于小波支持向量机的非线性组合预测方法研究

基于支持向量机（SVM）核方法和小波框架理论，提出了一种称为小波支持向量机（Wavelet Support Vector Machines, WSVM）的新的机器学习方法，并把这种方法应用于组合预测，得到了一种基于WSVM的非线性组合预测新模型，然后给出了此模型的结构设计和实现算法．通过仿真实验，把该方法与小波神经网络等方法相比较，得到了更好的实验结果，从而验证了该方法的正确性和有效性．     

基于小波模糊神经网络的实时交通流预测

实时交通流预测是智能运输系统研究的重要内容之一.本文将小波分析的相关知识与模糊神经网络相结合,给出了基于小波模糊神经网络的交通流预测模型,采用小波函数作为模糊隶属度函数,用神经网络来实现模糊推理,完成对下一个周期性交通流的估计.同时,用遗传算法来优化整个网络,实测数据验证这种方法预测精度高,收敛过程平稳,适应性强.     

基于小波分解的网络流量时间序列建模与预测

提出一种基于小波分解的网络流量时间序列的分析和预测方法。将非平稳的网络流量时间序列通过小波分解成为多个平稳分量,采用自回归滑动平均方法分别对各平稳分量进行建模,将所有分量的模型进行组合,得到原始非平稳网络流量时间序列的预测模型。在仿真实验中,利用网络流量文库的时间序列数据建立了预测模型,并对其进行独立测试检验。仿真结果表明,本预测方法提高了网络流量时间序列的预测准确率,是一种有效、稳健的网络流量预测方法。     

基于支持向量机的网格负载信息预测模型

提出了采用小波分析和最小二乘支持向量机(LS-SVM)混合模型对网格负载信息进行预测。该模型首先基于小波多分辨率分析对非平稳的网格负载样本做序列分解,得到不同尺度下的负载分量,然后利用LS-SVM对不同尺度的分量进行预测,最后通过对各分量预测信息进行重构得到相应的预测值。实验结果表明,使用本模型进行短期负荷预测比传统小波神经网络方法可以获得更好的预测精度。     

基于小波神经网络法的短期风电功率预测方法研究

基于小波与BP神经网络,提出一种小波与BP神经网络结合的方法对短期风电负荷进行预测。运用小波能够精确地提取时间序列的细微特性和BP网络的输出反馈作为输入神经元数据增加了数据信息量的特点,构建了小波神经网络预测模型,经实际数据证明该方法提高了预测的精确性。     

一种网络流量预测的小波神经网络模型

结合小波变换和人工神经网络的优势，建立一种网络流量预测的小波神经网络模型。首先对流量时间序列进行小波分解，得到小波变换尺度系数序列和小波系数序列，以系数序列和原来的流量时间序列分别作为模型的输入和输出，构造人工神经网络并且加以训练。用实际网络流量对该模型进行验证，结果表明，该模型具有较高的预测效果。     

基于动态粒度小波神经网络的空气质量预测

针对空气质量预测,提出了基于动态粒度小波神经网络的预测方法。为了选取合适的粒度,结合实际问题采用不断尝试的方法动态选取最优粒度,在最优粒度空间中求解问题。粒度变换后可以改变空气质量预测问题的求解空间,提高预测的精确度。实验也验证了动态选取的最优粒度作为小波神经网络的输入进行空气质量预测,可以取得更好的预测准确率。     

基于小波的非平稳时间序列预测方法研究

基于小波分析技术,将原始非平稳时间序列分解为一层近似系数和多层细节系数,对其分别采用自回归滑动平均模型以及BP神经网络模型,对各层系数进行建模与预测;通过整合各层系数,得到原始时间序列的预测值。运用这种方法对因特网某节点网络流量数据和某地区日最高气温数据进行预测的结果表明,建立在小波分解基础上的这两种方法都能够有效地应用于非平稳时间序列的预测;而小波-BP神经网络的预测方法无论是精度还是计算复杂度方面都要明显优于小波-ARMA方法。     

基于小波神经网络的IP网络流量预测

采用小波神经网络对网络流量数据的时间序列进行建模与预测。针对BP神经网络预测准确率不太理想的情况,将小波理论引入BP神经网络,引用小波理论中多分辨分析技术对基于BP神经网络的模型进行改进,建立了基于小波神经网络的IP网络流量预测模型。该模型利用小波多分辨分析分解信号,再用已分解的信号序列来训练BP神经网络。实验结果表明,小波神经网络比BP神经网络对网络流量的预测结果精度更高、性能更好,利用小波神经网络预测网络流量是一种可行、有效的方法。     

网络流量短期预测方法的研究与应用

给出了网络流量短期预测方法.该方法运用小波变换自适应时频局部化分析方法和改进的Mallat算法将网络流量分解到不同频带上,然后对各子频带上的小波分进行不同阈值的消噪处理,再对仍是非平稳过程的分量进行差分处理使其转化为平稳序列,最后对各平稳过程分量采用ARMA模型进行预测.实际流量分析表明该方法简便,且短期预测精度较高.     

小波神经网络在北京河湖水华预测中的应用

针对不同季节水华生长的不同特点,在对水华生长规律研究的基础上,运用小波分析对表征水华的叶绿素信号进行降噪处理,建立一种结合小波变换与神经网络相结合的水华预测模型（WANN模型）,该模型既有神经网络的自学习能力特性,又有小波的局部特性,并将其应用到北京夏季河湖水华预测中。通过小波多分辨率分析,对样本包含的信息进行充分挖掘,提取反映其变化规律的成分,有效避免了原始数据中噪声对网络的干扰,提高网络的性能,WANN模型预测结果与BP网络预测结果对比,具有较高的预测能力,从而获得相对理想的预测效果。