基于遗传算法的小波神经网络

介绍小波神经网络的基本原理.利用遗传算法来优化小波神经网络,达到提高逼近精度,简化网络结构,提高收敛速度的目的.通过实验将其与传统的小波神经网络进行比较,证实前者具有更优的网络结构,更高的逼近精度.     

FOUrier变换和小波变换一般形式一线调频小波变换和多普勒小波变换

Fourier交换，窗口Fourier变换与小波变换在许多领域得到广泛的应用，该文回顾了Fourier变换和小波变换的发展；介绍了两种新的处理非平衡信号的方法，线线调频小波变换和多普勒小波变换；分析了线调频小波变换是短时Fourier变换和小波变换的时频分析的统一时频表示形式，Fourier变换，小波变换以及线调频小波变换都是多普勒小波变换的特殊情况，线调频小波变换和多普革小波变换比Fourier变换和小变换更具灵活性，为图像，信号处理提供了新的方法和工具。     

基于遗传算法与小波变换的竞争学习系统

遗传算法的一个具有代表性的应用领域就是发现一个已知的,通常比较复杂的系统的输入—输出映射。神经网络聚类方法中,比较著名的方法之一就是“竞争学习”。竞争学习采用若干单元的层次结构,以一种“胜利者全取”的方式对系统当前处理的对象进行竞争。通常的神经网络聚类方法,由于其较长的处理时间和数据的复杂性,很难适用于大型数据库。为此,文章采用遗传算法发现一个已知的、通常比较复杂的系统的输入—输出映射,利用调制的小波基对输入模式预处理,在函数链神经网络的基础上设计了一种基于遗传算法和小波变换函数链神经网络的竞争学习系统,充分利用遗传算法、小波变换和函数链神经网络的优势,这样设计的系统有惊人的学习速度、体系结构的通用性好、适应性强等特点,以此作为数据聚类分析工具,能够达到简化数据聚类的复杂性、缩短系统处理时间等效果。     

Fourier变换和小波变换一般形式 —线调频小波变换和多普勒小波变换

Fourier变换、窗口Fourier变换与小波变换在许多领域得到广泛的应用。该文回顾了Fourier变换和小波变换的发展;介绍了两种新的处理非平稳信号的方法,即线调频小波变换和多普勒小波变换;分析了线调频小波变换是短时Fourier变换和小波变换的时频分析的统一时频表示形式,Fourier变换、小波变换以及线调频小波变换都是多普勒小波变换的特殊情况。线调频小波变换和多普勒小波变换比Fourier变换和小波变换更具灵活性,为图像、信号处理提供了新的方法和工具。     

基于小波变换的多方向小波变换

方向小波变换(SAWT)是小波变换(WT)的多方向扩展,它的基是各向异性的,具有多尺度、多方向的图像表示特性。SAWT不能恒保持多分辨率尺度关系,不能较好地表示图像中的平滑区域,因此利用WT和SAWT构造了一种新的多尺度、多方向且能保持多分辨率尺度关系的小波方向波变换。为了验证该变换的有效性,利用其进行了图像去噪实验。实验结果表明,所提方法能够很好地表示图像中的平滑区域和细节信息,并且能获得更高的峰值信噪比和结构相似性。     

小波模糊神经网络在非线性函数逼近中的应用

将前馈神经网络与T-S模糊模型相融合构造了一种模糊神经网络,进一步利用小波变换的压缩特性与模糊神经网络相结合构造出一种小波模糊神经网络模型,并应用在非线性函数逼近上。通过仿真,结果表明小波模糊神经网络是最优的。     

小波变换在扫描工程图纸预处理中的应用

工程图纸矢量化之前,必须对图纸进行预处理.本文提出了根据具有不同的Lipschitz指数的信号和噪声的局部模极大值具有不同的传播特性的理论,应用小波变换模极大值去除扫描图纸的噪声的方法,并给出了具体算法.同时充分利用原图纸的空域上的线条有别于污点的特征,对经去噪后的图纸采用逻辑平均抽取算法.去除大块的污点.实验结果证明了该算法的可行性.     

基于不完全树结构小波变换及模糊聚类神经网络的纹理分割

提出了一种新的不完全树结构小波变换用于纹理特征提取,给出了一种一人类视觉过程相一致的多分辨率多通道纹理分析方法,它由：1）特征提取：使用不完全树结构小波变换抽取纹理特征;2）基于模糊神经 网络的特征粗分类：①基于样本分布密度的模糊Kohonen聚类网络权植初始化,②使用缩减的特征向量对网络进行训练,得到粗分割结果;3）细化粗分割结果等几部分构成。实验结果证明了其有效性。     

树型小波变换在纹理分析中的应用

分析了小波变换的特点,将传统的塔型小波变换和树型小波变换进行了比较,给出了一种用树型小波来提取纹理特征进行纹理图象分割的方法。经过实验结果表明,用树型小波变换可以在纹理分析中获得较好的效果。     

计算智能在故障诊断专家系统中的应用

基于知识的专家系统及其在故障诊断中的应用研究十分活跃,形成一类故障诊断专家系统,但该方法存在知识获取的瓶颈、推理能力弱及难于处理不确定知识等问题,其进一步发展受到严重的阻碍。与此同时,神经网络、模糊逻辑和遗传算法等计算智能在近年来却取得了一系列的进展,并具有专家系统等符号智能所缺乏的优势。将计算智能应用到专家系统中即与符号智能相结合起来能有效地解决诊断专家系统的难题,该文对此进行了探讨,并提出了一些新的思路。     

一种粗糙小波网络分类器及应用

提出了一种粗糙小波网络分类器的模型。其过程为:利用粗糙集理论获取分类知识,根据训练样本属性值离散化、属性约简和值约简来构造粗糙小波网络分类器。该分类器可以有效地克服粗糙集规则匹配方法抗噪声能力和规则泛化能力差的缺点;同时可简化小波网络的结构,加快网络的训练速度。并详细介绍了该分类器用于入侵数据识别的步骤和仿真实验结果。     

基于小波变换和模糊理论的裂纹图像增强算法

针对传统图像增强算法的缺陷, 提出了一种基于小波分析和模糊理论的图像增强算法, 该算法先对原始图像进行小波变换得到图像的高频和低频小波系数, 再定义新的模糊隶属度函数对低频系数进行模糊增强, 对不同方向上的高频系数进行小波阈值去噪, 通过小波重构得到增强后的图像, 所有算法通过Matlab编程验证, 能有效的增强图像, 改善图像的视觉效果. 实验结果表明, 算法是可行有效的.     

小波变换在数据压缩中的应用

回顾了小波变换理论与信号处理的关系，探讨了小波变换的多分辨思想和Nallat算法，并应用小波变换和Huffman编码方法对信号进行压缩，取得了很好的压缩效果。     

基于小波神经网络的通用多变量非线性系统辨识算法和应用

在分析小波函数对L2(R)空间的逼近原理的基础上,给出了仅使用尺度函数的神经网络模型和网络学习方法,使得用于逼近低通系统的小波基函数大大减少,并给出逼近的理论依据.提出的小波神经网络模型的学习为线性LS参数估计问题,具有通用性和易用性,并具有线性系统中线性LS参数估计的优良性质,保证了在训练数据受噪声污染时的网络模型的推广能力.理论分析、仿真实验和实际应用结果都说明该辨识方法具有好的辨识精度和推广能力.     

提升小波变换及其在数字水印中的应用

提出了一种基于提升小波变换的数字水印嵌入方案.提升算法是一种新的双正交小波构造方法,这种方法大大地降低了计算的复杂度,可有效地减少运行时间.详细地说明了提升算法的原理及实现步骤,并结合这种算法介绍了它在数字水印中的应用.     

基于小波变换和神经网络的盲数字水印算法

文中提出了一种基于小波变换和神经网络的盲数字水印算法。算法嵌入的水印信息是一幅二值图像,每位水印信息被连续多次嵌入宿主图像小波分解的低频子带。利用提取含水印图像小波分解的低频子图的特征点坐标集估计水印图像遭受的几何失真,根据估计的几何失真参数对受到几何攻击的水印图像进行校正,最后利用神经网络很好的非线性映射和自适应学习功能实现水印信息的盲提取。实验表明,算法对常见的图像处理和几何攻击具有很好的鲁棒性。     

基于小波理论的sEMG的处理方法

文章选取时域分析法对表面肌电信号的提取其特征值,意在于能够得到能较好地表征肌电信号的特征向量,使得之后的分类器能够有效地对表面肌电信号进行分类识别。在对信号进行识别分类识别时,所设计的小波神经网络可以将各动作信号特征值转化为线性组合,简化动作的分类识别过程。     

采用整数小波变换和多目标遗传算法的可逆灰度水印

现有的可逆水印算法大部分以二值图像作为水印图像,灰度水印在嵌入之前需要转换为二值图像.为此提出一种基于人眼视觉系统、整数小波变换以及多目标遗传算法的可逆灰度水印算法.为了避免水印在嵌入过程中产生溢出的情况,需要对原始图像进行直方图修改.首先对整数小波变换之后的图像进行分块,在每一个局部块中通过像素点灰度值的大小找到满足条件的2个像素点;然后依据它们的灰度值之差与6进行模运算找到第3个像素点,通过修改找到的3个像素的灰度值嵌入水印.该算法直接以灰度图像作为水印图像,在水印嵌入之前无需对其做任何处理操作;利用人类视觉系统提高水印嵌入之后的不可见性,通过对每个子块的熵值进行归一化动态地调整水印信息的嵌入强度;然后使用遗传算法对结果进行优化,兼顾了水印嵌入之后图像的质量和不可见性.实验结果证明,文中算法易于实现、完全可逆,而且透明性好、保密性高,具有可行性.     

模糊小波神经网络的研究及其应用

针对小波神经网络训练时间较长且易陷入局部极小值的缺点,文章提出了将小波神经网络融合模糊算法的方法,并建立了模糊小波神经网络模型及其训练算法,给出了该模型在变频调速系统故障预测中的应用实例。应用结果表明,模糊小波神经网络提高了网络训练速度,达到了优良的函数逼近效果。