一、一种小波网络的改进算法研究（论文文献综述）
付博雯[1]（2021）在《多自主平台武器站协同打击策略研究与实现》文中提出在现代战场环境中,智能化以及去中心化成为了作战发展的趋势,能够自主完成对目标进行打击,多武器结合而成的自主武器站成为现代战争的重要组成力量。因此目前在中小规模作战中,多武器站协同打击的模式越来越受欢迎,多武器站之间依靠网络连接,共享数据,协同完成打击作战任务。在协同作战任务中,武器分配的目的是寻求适当的武器站对目标打击策略,使得敌方威胁目标群的综合威胁程度最小。所以本文在多武器站协同打击的策略研究上重点研究武器与目标的打击分配策略。本文通过对大量国内外相关文献的研究,分析了现代化作战场景下武器目标的最优分配策略需求,结合本文实际作战情况,应用神经网络算法,智能优化算法以及模糊处理等相关知识,设计了一套在陆战作战场景下各武器站对各威胁目标的最优打击策略,完成了武器-目标的最优分配。本文的主要研究内容为:1)针对传统威胁评估算法精确度不足的问题,本文通过在传统模糊神经网络结构上加入新的构件,实现模糊神经网络的改进。利用本文提出的新型网络模型完成了目标威胁程度的评估,实现了通过网络模型对传感设备获取数据处理得到目标威胁度的功能;最后通过实验结果验证,本文改进的算法相对于传统算法在处理威胁评估问题上的评估精度有较大的改进。2)针对国内外静态武器分配算法复杂度高,运行速度慢的问题,本文通过在传统的粒子群算法中添加混沌因子,实现了对传统粒子群算法的改进。之后利用改进后的混沌粒子群算法完成了在静态场景下的武器-目标打击分配,得到静态武器分配情况下,我方武器站最优打击目标的策略,最后在仿真场景下实验证明,相较于传统的粒子群优化算法,改进后的混沌粒子群优化算法大大提高了静态场景下武器目标的分配效率。3)针对动态武器分配模型建立不全面的问题,本文通过增加约束条件重新对动态武器分配问题建模,并改进传统蚁群算法中转移概率公式,提高了动态情况下武器站与威胁目标的打击效率,最后在仿真场景下进行实验测试。证明,相较于传统蚁群算法,本文方法减少了局部最优情况的发生概率,提升了动态情况下目标分配的效率。本文得到一种多武器站协同作战的最优分配方法,利用模糊小波神经网络解决威胁评估的问题,利用改进粒子群算法解决静态武器分配问题,利用改进蚁群算法解决动态武器分配问题。
王洁[2]（2020）在《基于生成对抗网络的舰船目标多源融合识别方法》文中研究指明随着海军舰艇在现代军事、经济的地位提升,针对舰船目标的识别技术的研究也变得越来越重要。海洋舰船目标探测的手段多种多样,主要包括光学成像,红外成像,雷达成像等。舰船多源成像的融合识别也成为了研究热点。在实际情况中,获取的多源成像会受到外部条件影响,和自身传感器限制,导致成像效果较差。例如:光学图像分辨率较高,但是容易受到光源和天气、气候的影响,存在部分信息缺失的情况。而ISAR等雷达成像虽然分辨率较低,但是能够实现主动探测,且其分辨特性不受距离的影响,能全天时全天候的工作。而红外成像的分辨率一般介于两者之间,是被动成像系统,并且也能实现全天时全天候的成像工作。基于这三种图像互补且异构的信息,可以进行多源图像融合识别。本文是基于相同时空的舰船目标多源图像融合识别这一问题展开研究,期望使用生成对抗网络（GAN）将已有部分信息（舰船ISAR像,有雾的光学图像和红外图像）来生成高分辨图像信息（光学图像）,并进行图像融合,从而达到改善舰船目标识别效果的要求。主要内容包括:首先,本课题为了训练和测试生成对抗网络,需要获得舰船光学图像,ISAR图像和红外图像数据集,为了获得观测角度统一的多源成像,采取了成像仿真的方式,通过建立舰船的3D模型并进行网格剖分,利用算法来进行舰船成像仿真,最后进行图像预处理,构建图像数据集。其次以生成对抗网络为切入点,利用改进的GAN改善舰船图像质量,主要包括三种算法:舰船目标的光学成像受到云雾遮挡,造成舰船图像的部分信息缺失等问题。Pix2pix网络可以通过训练有云雾遮挡的信息缺失的光学图像,生成无雾图像来改善光学图像的质量,提高舰船目标识别率;基于光学图像和ISAR图像具有互补且异构信息,实际获取的舰船图像存在着角度不匹配的问题,使用Cycle GAN网络来解决舰船异质图像的转换融合问题,并且可以缓解小角度扰动带来的影响。而Pix2pix HD网络是基于Pix2pix改进的算法,不仅有效提高了生成图像的分辨率,而且还可以增加局部生成器来得到期望分辨率的高清图像,因此使用该网络将低分辨的红外图像生成高分辨舰船光学图像。最后为了进一步提取舰船多源图像的特征,去除图像的冗余信息,采用了基于小波变换的舰船多源融合算法,生成新的图像。为判断基于生成对抗网络生成的图像质量,使用改进卷积神经网络（CNN）自动提取特征,并将GAN输入图像和生成图像,融合图像,输入到网络中,通过分析舰船类别和舰船具体型号对比分析识别效果。实验结果表明利用本课题的方法不仅可以自动进行多源融合,减少手动提取的特征所耗费的人力物力,还可以有效的改善舰船目标的识别效果。
王佰辉[3]（2019）在《基于小波变换的图像去噪与边缘检测算法研究与应用》文中提出随着计算机技术的不断发展,图像处理技术在各行各业的应用越来越广泛。噪声是附加在图像中的干扰信息,会影响图像内容的表达,边缘代表图像灰度发生较大变化的区域,是对图像进一步解读的基础,因此,滤除图像噪声和检测图像边缘是图像处理中极为重要的研究内容。小波变换是近年来新兴的信号处理工具,它具有低熵性和良好的时频特性,有“数学显微镜”之称,在图像处理领域有广泛的应用。本文以小波理论为基础,对小波阈值去噪算法和基于小波变换的边缘检测算法进行了改进,并将改进算法应用于钢轨缺陷检测。论文的主要工作如下:论文对小波变换理论进行研究,介绍多分辨率分析的概念及原理,使用Matlab对Mallat快速算法进行实验仿真,并分析一维小波变换及二维小波变换的原理及性质。对图像噪声的类别及评价标准进行讨论,总结了常用的空间域滤波算法和小波域去噪算法。针对小波硬阈值函数存在的“伪吉布斯”现象和软阈值函数在阈值处不连续的问题,提出了一种改进的小波阈值函数,改进的阈值函数具有更好的光滑性,连续性和渐进性。通过实验与传统的小波阈值去噪算法进行比较,证明了改进算法的有效性。对经典边缘检测微分算子和基于小波变换的边缘检测算法原理进行分析,并对比其优缺点。提出一种小波变换和数学形态学相结合的边缘检测改进算法,改进算法设计了新的抗噪型形态学边缘检测算子,并提出了一种基于余弦距离的自适应权值算法,以检测图像不同方向的边缘。通过实验将改进算法与其它常用边缘检测算法进行对比,结果证明改进算法具有更好的边缘检测能力,且对含噪图像的检测效果更好。以两种钢轨缺陷（裂纹和疤痕）为研究对象,在提取缺陷过程中使用本文改进的去噪和边缘检测算法,实验结果表明改进算法具有一定的实用性。设计BP神经网络对两种缺陷进行分类,分类结果表明设计的BP神经网络分类合理,满足使用要求。
江帅[4]（2019）在《基于改进小波神经网络的电力系统谐波检测方法研究》文中提出我国生活水平和生产步伐的快速发展使得其对电力的需求呈现逐年上升的趋势,同时对电力系统的稳定性和安全性要求也日益提高。电力系统中大量非线性设备的使用,使电力系统受到谐波的污染。谐波会使电力系统中的电力设备产生额外的损耗,使设备中的线路过热,加速设备与线路的老化,甚至可能引发火灾与事故;还有可能引起电力系统中的谐振,存在烧毁电网中的重要电容、电感的风险;引起继电保护和自动装置的误动作,影响电力系统的稳定性,进而导致人身和设备的巨大损失。因此,为了确保电力系统安全,有必要研究如何快速、准确地检测电力系统中谐波信号。文献调研结果表明,相关研究已经为电力系统谐波检测提供了丰富的手段,但是仍存在未解决的问题,主要包括:（1）小波神经网络收敛速度较慢,网络性能受多个参数的影响。（2）实际电力系统的噪声中脉冲噪声占主要成分;现有谐波检测方法大多对噪声比较敏感,尤其是在环境比较恶劣、信号中噪声成分较多时,易导致谐波检测性能不佳。（3）电力系统中的基波存在波动,会影响谐波检测的精度。本文为解决上述问题选取小波神经网络方法对电力系统谐波检测这一课题开展研究,主要研究内容包括:（1）对小波神经网络方法进行研究,针对小波神经网络的学习算法、结构以及初始参数确定问题进行了优化,改进了小波神经网络的检测精度和收敛性能,为电力系统的谐波检测提供方法支持。（2）针对电力系统中含有脉冲噪声的问题,采用中值滤波进行预处理;对电力系统中的基波波动的问题,采用BP神经网络方法进行电力系统基波的检测,再将检测所得基波值带入谐波检测中。上述结果可为后续谐波检测提供数据支持。（3）为提高谐波检测的性能和抗噪能力,应用改进的小波神经网络方法进行电力系统的谐波检测;并与其他常用谐波检测方法进行比较,仿真结果表明改进小波神经网络在电力系统谐波检测方面具有更好的检测性能和运算效率。通过本文的研究工作,为电力系统谐波检测提供了可行的方法,尤其是在环境比较恶劣、信号受噪声影响较大时,所提方法仍然具有较高的检测精度,有助于研究方法的扩展与应用。
李彬[5]（2018）在《基于雷达高分辨距离像的目标识别算法研究》文中研究指明雷达自动目标识别技术是现代雷达系统的重要技术组成部分,是雷达技术发展的主要方向之一。随着装备信息化程度和智能化程度的提升,雷达自动目标识别技术必会在更深层次上影响战场态势,加速战争理念的更新。基于高分辨距离像（High Resolution Range Profile,HRRP）的目标识别技术最具有应用潜力的一种雷达自动目标识别技术。该技术通过发射宽带信号获取目标散射中心的回波,再对回波进行一定的处理,得到距离维上的高分辨率向量,是散射中心的直接反映,关系着目标的尺寸、形状和表面材料等特征。因此,只要能够对高分辨距离像进行合理分析,就意味着能在一定程度上实现目标的分类和判别。本论文主要围绕国家自然基金项目“基于信息融合的机载雷达目标识别新算法研究”,结合雷达高分辨距离像识别的理论与工程应用背景,从数据库构建、预处理、特征提取、分类识别算法和统计建模及其稳健识别等方面展开深入研究。论文的主要工作如下:（1）研究了目标的多散射点模型与HRRP物理特性的对应关系,建立了目标的全方位样本库,主要解决雷达目标识别算法性能受限于样本库完备程度的问题。利用该数据库,设计了自适应小波阈值函数去噪算法。该去噪算法利用小波分析特性对HRRP的回波噪声分布特征进行分析,能根据输入HRRP自适应地调整小波系数阈值,修正了软阈值函数会对小波系数进行缩放的缺点;避免了硬阈值函数会产生新的突变点使信号失真的问题,应用更为灵活。（2）提出了可应用于HRRP特征提取的非参数化数据压缩算法,以克服经典线性判别分析算法应用于HRRP特征提取的4个固有缺陷。该非参数化方法以样本分布的局部特性为基础,使用近邻均值或者近邻样本对参数型散布矩阵离散化,再将特征提取问题转换为特征值分解问题而得到。仿真结果表明,非参数化算法能够扩展经典数据算法的适用范围,增加特征提取后异类数据之间的可分性,具有识别率高,稳定性好的特点。（3）在将4种基于小波变换的特征提取算法应用于HRRP识别的基础上,提出了基于进化算法的自适应小波神经网络特征提取和识别算法。主要解决梯度下降法在计算参数时极依赖于初值、易收敛于局部极值、计算效率低的问题。所提算法既可以只用于HRRP的特征提取,也可以直接输出分类结果。且该方法利用了自适应小波网络的多分辨分析特性,能够增加提取特征的差异,提高识别率。仿真表明,其识别率接近90%且能提升处理速度。（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统计识别方法,解决了样本数较少时直接计算HRRP统计参数不准确且运算效率低的问题。所提算法以高斯混合模型的概率组合特性为理论基础,对经典PPCA模型进行扩展得到。因此,可通过期望最大值（Expectation Maximization,EM）算法估计HRRP统计模型参数,既解决了参数估计问题,又可利用混合概率模型的聚类特性对HRRP重新分帧,进一步削弱了HRRP的方位敏感性。并且MPPCA模型引入了隐变量参数空间,所以需要估计的自由参数大大减少,提升了计算效率。仿真实验表明,MPPCA模型比PPCA模型具有更好的识别性能。（5）提出了PPCA模型参数补偿算法和基于t分布PPCA模型的HRRP识别算法,所提的两种算法主要用于解决PPCA模型对噪声敏感的缺陷。模型参数补偿算法利用噪声和信号的向量关系,预先估计噪声的能量,对经典PPCA模型进行补偿达到对噪声稳健的目标。仿真表明,该方法可以降低训练样本PPCA模型与测试样本PPCA模型之间的差异,削弱不同环境因素引起的识别率下降问题;t分布PPCA模型的概率基础是t分布,因此能够利用t分布对噪声稳健的特性提高模型的稳健性。并且该模型可进一步扩展为混合概率t分布PPCA模型,进一步削弱HRRP的方位敏感性。在数值实验中,通过准确描述人工数据的协方差矩阵,验证了混合概率t分布PPCA模型的有效性。在仿真实验中,通过分析HRRP在噪声环境下的聚类效果,证明了该模型对噪声稳健且能削弱HRRP的方位敏感性。
余汉华[6]（2012）在《云—智能群体算法在盘式绝缘子优化中的应用》文中提出传统小波网络都是以寻求一个最优参数集使得其能量函数有最小值，一般是通过梯度递减实现迭代寻优，这种寻优方式存在易陷入局部极小问题。云模型与传统粒子群算法或传统鱼群算法的融合，可以很好解决梯度算法存在的缺陷。论文以云模型结构研究为基础，对传统云模型的多规则生成器进行改进，形成了一种新的嵌套云规则生成器，它是以上一Y云的输出嵌套下一X云的输入，使得定性与定量的关联性更加紧密。改进粒子群算法是对传统算法过程中的速度公式和位置更新公式中的惯性因子，收敛因子，社会部分和认知部分，利用多规则嵌套云时-空域的自适应调整来改进，实现了实时动态搜寻目的；同时对其具体算法过程中的个体适应度和群体当前位置也进行自适应调整来改进。结合上述两部分的寻优，实现了算法的改进。改进人工鱼群算法和改进粒子群算法原理相似，用嵌套云定性规则对传统算法原理的觅食，聚群，追尾行为的公告板更新和视野范围自适应调整改进。小波网络改进是进行输入输出数据云化和逆云化，用改进智能算法进行权值阈值迭代寻优。结合上面的改进算法，以高压电器中的盘式绝缘子为例，把采集的模糊性场强数据集归一化处理输入云化层进行云化处理；再输入到经改进的智能群体寻优的小波网络权值阈值构造的新网络中，进行数据处理；接着把输出的具有随机性的数据逆云化处理，最终输出条理清晰的结构优化数据。通过对盘式绝缘子电场结构数据仿真研究，两种改进算法不但提高了网络全局搜寻能力，解决了易陷入局部极优顽症，还改善了算法的搜寻精度，提高了事物辨识能力，通过两种算法的搜寻精度比较，得出人工鱼群算法相对优越性高于粒子群算法的结论。这为今后关于非线性系统问题的建模提供一种新方法的同时，也为复杂非线性群体系统在辨识能力上提供有益的参考。
徐树安[7]（2010）在《人工神经网络交通流预测算法研究 ——结合粒子群、小波和混沌的方法》文中认为智能交通系统（ITS）是目前缓解城市交通拥阻、减少交通污染的一种经济、环保、节能高效的方法。交通流量预测是智能交通系统的重要组成部分,它是根据实时交通信息来预测未来时刻的交通信息;智能交通系统主要根据预测信息对交通信号实施实时控制和对道路交通实施有效诱导。因此如何获取精确的预测信息成为研究的一个热点。城市路口交通流量具有高度的非线性、相关性、突变性等特点,传统的基于数学模型预测方法已经很难准确的预测路口交通流量,人工神经网络是目前比较有效、准确的路口交通流量预测算法。本文以某城市的交叉路口每5min采集到的交通流量为研究对象,利用混沌系统全局遍历性的特点、结合神经网络、小波函数、粒子群优化算法等,提出基于混沌与小波的神经网络交叉路口短时交通流量预测算法,以提高神经网络预测算法的精度;本文的研究内容包括以下四个方面:1.交通流特性、预测与分析通过对交通流的一般特性及交通流可预测性分析,证明本文研究对象的可预测性。2.结合智能优化算法的BP神经网络短时交通流量预测将BP神经网络应用于交通流预测,分析BP神经网络预测算法的局限性,分别采用遗传算法和粒子群算法对BP神经网络参数进行优化,分析两种智能优化算法优化的BP网络预测算法的优缺点。3.结合小波的神经网络短时交通流量预测结合交通流量的非线性、突变性、数量少的特点以及小波神经网络对高频,低频信号的处理能力,提出结合小波的神经网络交通流预测算法,并进行仿真实验,对预测输出结果进行性能评估。4.结合粒子群算法的小波神经网络的短时交通流量预测分析小波神经网络预测算法的优缺点,针对小波神经网络的局限性,应用粒子群及其改进算法优化小波网络结构和参数,并将优化后的小波网络对交叉路口交通流量进行预测,分析评价预测效果。5.结合混沌算法的小波神经网络交通流量预测研究混沌系统全局遍历性的特点,研究混沌系统嵌入粒子群优化的算法以及将混沌系统嵌入小波神经网络学习训练过程的算法;最后应用混沌粒子群神经网络和混沌神经网络算法对交叉路口交通流量进行预测。论文应用MATLAB对各种算法进行仿真实验,实验仿真结果表明,基于小波神经网络及其结合混沌和粒子群的预测算法可以突出交通流量的非线性、突变性等特点,且算法全局搜索性好、预测精度高,是一种有效的预测算法。
宋清昆[8]（2009）在《自适应结构优化神经网络控制研究》文中研究说明模糊神经网络是智能控制理论中一个十分活跃的分支,是一种能处理抽象信息的网络结构,具有强大的自学习和自整定功能。一方面弥补了纯模糊逻辑在学习方面的缺陷,另一方面使得神经网络这一“黑箱”问题走向透明化。小波神经网络结合了小波变换良好的时频局域化性质及神经网络的自学习功能,具有较强的逼近能力和容错能力,在处理复杂非线性、不确定、不确知系统等问题上表现出优于传统前向神经网络的收敛速度、容错能力、预报效果。因此,模糊神经网络和小波神经网络的发展对智能控制发展具有非常重要的意义。将聚类算法引入模糊神经网络,利用聚类算法来提取系统特征,优化输入输出空间,从而生成初始的、粗略的模糊规则库。在分析了模糊C均值（FCM）聚类算法缺陷的基础上,针对类别数的确定和聚类中心初始化这两方面的问题对FCM聚类算法进行了改进。依照改进算法的聚类结果生成规则数目和初始参数,并由此确定模糊神经网络的初始结构。在模糊神经网络的学习过程中,除了利用误差反向传播学习算法对参数进行修正外,还利用灵敏度剪枝算法对网络的结构进行进一步的优化,达到自适应调整网络结构和参数的目的,获得最优的模糊控制规则库。最后以函数逼近为例,验证了所提算法的有效性,说明了它在自适应能力、逼近精度等方面的优势,从而可将其有效地用于模糊建模和控制问题的求解。结合小波函数的特性及RBF神经网络结构的特点,构造了一种自适应小波神经网络,并提出了多级自适应小波神经网络模型,一定程度上解决了维数灾难问题,为小波神经网络的实际应用提供了一种有效的方法。将遗传算法与小波神经网络有效的结合起来,充分发挥各自的优势,为小波神经网络的初始参数的确定提供了一种较为有效的办法,并对遗传算法易出现“早熟”和寻优效率不高问题,对算法进行了改进,改进的遗传算法不仅提高了搜索效率,而且增强了算法的全局收敛性。针对小波神经网络常用的误差反传算法存在着易陷入局部极小点和对初值参数要求较高的缺点,结合遗传算法自适应全局优化搜索能力与小波神经网络良好的时频局部特性,提出了一种有效的学习训练途径。首先采用改进的遗传算法确定小波神经网络的初始参数,提高了搜索效率,增强了网络的全局收敛性,然后转入纯小波神经网络进行训练,网络训练时采用改进的共轭梯度学习算法,有效地克服了梯度学习算法容易陷入局部极小的缺点并加快了网络的收敛速度,最后,通过二阶倒立摆系统的控制仿真和实物控制,验证了自适应小波神经网络控制器的有效性。
冯登超[9]（2008）在《蚁群算法与小波网络在复杂性科学中的应用研究》文中提出复杂性科学是21世纪一门新兴的边缘、交叉学科,探索复杂性正在成为当代科学最具革命性的前沿。论文工作深入地研究了蚁群算法与小波网络及其改进算法,探索了在复杂性科学中的应用,包括群集智能中的蚁群算法理论、蚁群算法的参数优化设置方法、遗传蚁群算法的改进及其在植物病斑检测中的应用、小波网络的初始化参数设置及基于蚁群算法的小波网络结构优化方法、基于改进型小波网络的决策级信息融合模型的构建。论文的创新点体现在以下四个方面:（1）提出了元启发框架下蚁群算法的参数设置原则及基于正交试验设计方案的参数优化设置方法。对蚁群算法的主要参数采用统计分析方法进行相关性分析,利用正交试验设计减少参数设置的试验次数,实现了最佳参数组合方案,克服了参数设置过程中的主观性,提高了参数选择的效率。（2）提出了一种自适应遗传蚁群算法。分析了遗传算法和蚁群算法的融合策略,研究了遗传蚁群算法中交叉率和变异率的自适应选取算法,并采用自适应信息素挥发因子实现信息素的动态更新。最后,根据植物病斑图像特点,研究了遗传蚁群算法中信息素更新函数和启发函数的改进方法,从全局组合优化角度实现了植物病斑检测。（3）提出了基于蚁群优化的小波网络。构建了基于蚁群优化的小波网络学习算法,利用蚁群算法的全局优化能力实现了对小波网络的权值、阈值、尺度因子、平移因子的优化设置。（4）提出了一种基于改进型小波网络的决策级信息融合模型。在深入研究数据缺失机制及其处理方法的基础上,将多个小波神经网络并行连接实现了基于小波网络的特征级信息融合模型,再结合证据理论构建了数据缺失机制下的决策级信息融合模型。仿真实验验证了所提出的改进算法和信息融合模型的正确性。
陈月[10]（2008）在《基于小波神经网络的智能火灾探测研究》文中进行了进一步梳理当今社会对火灾探测系统要求日益提高,许多新的火灾探测方法不断的被引入到火灾探测领域中来。针对火灾信号的这种非结构性特点而提出的基于智能信息处理方法的火灾探测系统具有自学习和自适应功能,已成为现在火灾探测技术研究的主要方向。火灾信息具有无法预知、非结构性的特征。传统的探测方法大多通过采集单一的火灾特征参数信息进行判断和识别,但由于干扰因素多,其误报率一直比较高。近年来,在探测器的灵敏度、可靠性方面做过许多技术改进,使火灾报警准确度得到一定的提高,但还不能满足火灾探测系统的自动化要求。对火灾信息固有特征,要对其进行全面、准确的描述才能达到减少或消除误报的目的。因而,多判据的火灾探测方法是目前火灾探测领域的主要研究方向。本文通过对火灾机理与目前火灾探测方法的研究,结合火灾探测系统的自身特点,提出一种基于小波神经网络的火灾探测算法。由于火灾气体不止一种,我们采用传感器阵列来采集气体信号。针对小波神经网络精度高,学习速度快的特点,我们将小波神经网络模式识别算法应用于火灾气体的检测。在目前常用的一维小波神经网络（经典的小波神经网络）的基础上,本文研究了用来处理多维数据信息的小波神经网络,主要是基于小波神经网络学习收敛速度较快,对网络输入不是很敏感,以及小波神经网络可以有效的进行函数逼近或者信号逼近的特点。传统的前馈神经网络多采用误差反传学习算法对网络进行训练,但是误差反传学习算法具有容易陷入局部极小值,收敛速度慢以及容易导致震荡等缺点。针对这些缺点,我们对传统的误差反传学习算法进行了两点改进,一是采用基于梯度符号变化的局部学习率自适应算法,二是采用引入动量项的方法。我们使用改进的误差反传算法来训练小波神经网络,能够有效的加速算法的收敛速度和有效的避免算法陷入局部极小值及震荡的出现。最后通过Matlab仿真,用训练好的小波神经网络对混合气体进行定性、定量分析,得到了令人满意的效果。
二、一种小波网络的改进算法研究（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、一种小波网络的改进算法研究（论文提纲范文）
（1）多自主平台武器站协同打击策略研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 威胁评估研究现状 |
| 1.2.2 协同打击策略研究现状 |
| 1.3 课题研究内容与章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 章节安排 |
| 2 目标威胁评估和武器站协同打击决策理论基础 |
| 2.1 目标威胁评估算法基础 |
| 2.1.1 BP神经网络 |
| 2.1.2 小波神经网络 |
| 2.1.3 模糊神经网络 |
| 2.2 协同打击决策算法基础 |
| 2.2.1 遗传算法 |
| 2.2.2 粒子群智能算法 |
| 2.2.3 蚁群智能算法 |
| 2.3 本章小结 |
| 3 基于改进模糊神经网络的目标威胁评估 |
| 3.1 模糊小波神经网络结构及参数 |
| 3.1.1 模糊小波神经网络简述 |
| 3.1.2 模糊规则数目的确定 |
| 3.2 模糊小波神经网络输入变量的规范化 |
| 3.2.1 目标多属性威胁程度分量评估表征 |
| 3.2.2 目标属性的直觉模糊数转化 |
| 3.3 威胁评估过程 |
| 3.3.1 数据集的处理 |
| 3.3.2 模型学习算法 |
| 3.3.3 仿真实验结果分析 |
| 3.4 本章小结 |
| 4 面向威胁目标的静态武器分配问题 |
| 4.1 静态武器目标分配 |
| 4.1.1 问题模型建立 |
| 4.1.2 毁伤概率影响因素分析 |
| 4.1.3 静态目标分配算法 |
| 4.2 静态武器目标分配模型求解过程 |
| 4.2.1 实验环境介绍 |
| 4.2.2 虚拟仿真场景构建 |
| 4.2.3 仿真实验结果分析 |
| 4.3 本章小结 |
| 5 面向威胁目标的动态武器分配问题 |
| 5.1 动态武器目标分配 |
| 5.1.1 时间窗介绍 |
| 5.1.2 问题模型建立 |
| 5.2 动态武器目标分配算法 |
| 5.2.1 经典蚁群算法的改进 |
| 5.2.2 算法流程 |
| 5.3 动态武器目标分配模型求解及实验分析 |
| 5.3.1 虚拟仿真场景构建 |
| 5.3.2 仿真实验结果分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及成果 |
| 致谢 |
（2）基于生成对抗网络的舰船目标多源融合识别方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外相关领域的研究现状 |
| 1.2.1 单一手段舰船目标识别研究现状 |
| 1.2.2 多源舰船目标融合算法研究现状 |
| 1.2.3 生成对抗网络的的研究现状 |
| 1.3 本文研究内容 |
| 第2章 舰船多源成像基础 |
| 2.1 引言 |
| 2.2 逆孔径合成雷达成像仿真 |
| 2.2.1 舰船目标转动模型 |
| 2.2.2 距离多普勒成像算法 |
| 2.2.3 舰船目标ISAR成像仿真 |
| 2.3 舰船红外成像仿真 |
| 2.3.1 舰船红外成像仿真原理 |
| 2.3.2 舰船红外成像仿真结果 |
| 2.4 舰船光学成像仿真 |
| 2.4.1 光学成像仿真原理 |
| 2.4.2 光学成像仿真结果 |
| 2.5 舰船多源图像预处理 |
| 2.6 本章小结 |
| 第3章 基于信息缺失的图像重构算法 |
| 3.1 引言 |
| 3.2 生成对抗网络基础 |
| 3.2.1 生成对抗网络结构 |
| 3.2.2 生成对抗网络损失函数 |
| 3.2.3 网络中卷积与池化操作 |
| 3.3 基于Pix2pix的图像重构算法 |
| 3.3.1 Pix2pix网络结构 |
| 3.3.2 Pix2pix网络损失函数 |
| 3.3.3 基于Pix2pix生成图像的结果分析 |
| 3.4 本章小结 |
| 第4章 舰船异质图像的转换融合算法 |
| 4.1 引言 |
| 4.2 基于循环一致性对抗网络的舰船异质图像的转换融合算法 |
| 4.2.1 循环一致性对抗网络原理及结构 |
| 4.2.2 网络损失函数 |
| 4.2.3 改进的生成器结构 |
| 4.2.4 基于循环一致性对抗网络生成图像的结果分析 |
| 4.3 基于Pix2pix HD的舰船目标的图像增强方法 |
| 4.3.1 Pix2pix HD原理及结构 |
| 4.3.2 Pix2pix HD损失函数 |
| 4.3.3 基于Pix2pix HD生成图像的结果分析 |
| 4.4 本章小结 |
| 第5章 舰船多源图像融合及识别算法研究 |
| 5.1 引言 |
| 5.2 基于小波变换的图像融合 |
| 5.2.1 基于小波变换的融合算法原理 |
| 5.2.2 小波变换的融合参数的选取 |
| 5.2.3 小波变换的融合结果 |
| 5.3 基于卷积神经网络的舰船目标识别 |
| 5.3.1 卷积神经网络结构 |
| 5.3.2 卷积神经网络特征提取和识别方法 |
| 5.4 舰船目标识别结果 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（3）基于小波变换的图像去噪与边缘检测算法研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像去噪的研究现状 |
| 1.2.2 图像边缘检测的研究现状 |
| 1.2.3 钢轨缺陷检测研究现状 |
| 1.3 本文的研究内容及安排 |
| 第2章 小波变换理论 |
| 2.1 多分辨率分析 |
| 2.1.1 多分辨率简介 |
| 2.1.2 多分辨率分析原理 |
| 2.1.3 Mallat快速算法 |
| 2.2 小波变换原理 |
| 2.2.1 一维小波变换 |
| 2.2.2 二维小波变换 |
| 2.3 本章小结 |
| 第3章 基于小波变换的图像去噪算法研究 |
| 3.1 图像噪声分类及去噪质量评价方法 |
| 3.1.1 图像噪声分类 |
| 3.1.2 图像去噪质量评价 |
| 3.2 空间域去噪算法 |
| 3.3 基于小波变换的去噪算法 |
| 3.3.1 小波模极大值去噪及相关性去噪 |
| 3.3.2 小波阈值去噪 |
| 3.4 改进的小波阈值去噪算法 |
| 3.4.1 改进的小波阈值函数 |
| 3.4.2 改进算法实验仿真及结果分析 |
| 3.5 本章小结 |
| 第4章 基于小波变换的图像边缘检测算法研究 |
| 4.1 图像边缘分类 |
| 4.2 经典边缘检测算子 |
| 4.2.1 一阶微分检测算子 |
| 4.2.2 二阶微分检测算子 |
| 4.2.3 边缘检测微分算子实验仿真 |
| 4.3 基于小波变换的边缘检测 |
| 4.3.1 小波模极大值边缘检测 |
| 4.3.2 基于小波分解的图像边缘检测 |
| 4.4 改进形态学和小波变换相结合的边缘检测算法 |
| 4.4.1 数学形态学简介 |
| 4.4.2 改进的多尺度形态学边缘检测算子 |
| 4.4.3 基于余弦距离的自适应权值算法 |
| 4.4.4 小波变换和形态学相结合的边缘检测算法 |
| 4.4.5 实验仿真及结果分析 |
| 4.5 本章小结 |
| 第5章 改进算法在钢轨缺陷检测中的应用 |
| 5.1 轨道缺陷图像预处理 |
| 5.1.1 图像去噪 |
| 5.1.2 灰度增强 |
| 5.2 轨道缺陷图像分割 |
| 5.2.1 钢轨区域提取 |
| 5.2.2 缺陷分割 |
| 5.3 钢轨缺陷图像分类 |
| 5.3.1 BP神经网络 |
| 5.3.2 缺陷特征提取 |
| 5.3.3 BP神经网络缺陷分类 |
| 5.4 本章小结 |
| 结论与展望 |
| 1 论文总结 |
| 2 问题与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间研究成果 |
（4）基于改进小波神经网络的电力系统谐波检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 谐波检测方法的研究现状 |
| 1.2.2 小波神经网络的研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本文结构安排 |
| 第二章 小波神经网络理论基础 |
| 2.1 神经网络理论 |
| 2.2 小波分析理论 |
| 2.3 小波神经网络概述 |
| 2.3.1 小波神经网络的构造 |
| 2.3.2 小波神经网络的性质 |
| 2.4 仿真验证 |
| 2.5 本章小结 |
| 第三章 小波神经网络的优化方法 |
| 3.1 小波神经网络学习算法优化 |
| 3.1.1 添加动量项 |
| 3.1.2 变学习率学习算法 |
| 3.2 小波神经网络结构优化 |
| 3.2.1 隐含层层数与节点数确定 |
| 3.2.2 小波基函数选择 |
| 3.3 小波神经网络初始参数优化 |
| 3.3.1 优化算法选择 |
| 3.3.2 遗传算法的实现步骤 |
| 3.3.3 遗传算子的改进 |
| 3.3.4 遗传算法仿真 |
| 3.3.5 遗传算法与小波神经网络结合方式 |
| 3.4 分析与对比 |
| 3.5 本章小结 |
| 第四章 电力系统谐波检测预处理 |
| 4.1 基于中值滤波的脉冲噪声滤除 |
| 4.1.1 电力系统噪声成分 |
| 4.1.2 中值滤波原理 |
| 4.1.3 基于中值滤波的谐波信号仿真 |
| 4.2 电力系统基波检测 |
| 4.2.1 电力系统基波检测意义 |
| 4.2.2 基于BP神经网络的基波检测 |
| 4.2.3 BP神经网络基波检测仿真验证 |
| 4.3 本章小结 |
| 第五章 基于改进小波神经网络的电力系统谐波检测 |
| 5.1 传统谐波检测方法 |
| 5.1.1 基于FFT的谐波检测方法 |
| 5.1.2 基于BP神经网络的谐波检测方法 |
| 5.2 基于改进小波神经网络的谐波检测方法实现 |
| 5.2.1 待测信号与谐波关系 |
| 5.2.2 网络结构确定 |
| 5.2.3 训练样本生成 |
| 5.2.4 改进小波神经网络谐波检测仿真验证 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 课题来源 |
（5）基于雷达高分辨距离像的目标识别算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 雷达HRRP目标识别技术的发展及现状 |
| 1.3 雷达一维距离像识别中的主要问题 |
| 1.3.1 距离像的归一化问题 |
| 1.3.2 距离像的平移敏感性问题 |
| 1.3.3 距离像的方位敏感性问题 |
| 1.4 论文内容和安排 |
| 2 HRRP的成像原理及散射点模型 |
| 2.1 HRRP的成像原理及获取方式 |
| 2.1.1 步进频波形合成高分辨距离像 |
| 2.1.2 线性调频波形获取高分辨距离像 |
| 2.2 多散射点模型及HRRP特性 |
| 2.2.1 目标的多散射点模型 |
| 2.2.2 与散射点模型相关的HRRP特性 |
| 2.3 仿真实验数据获取 |
| 2.3.1 模型获取 |
| 2.3.2 数据库构建 |
| 2.4 本章小结 |
| 3 基于非参数数据压缩算法的HRRP识别 |
| 3.1 HRRP的预处理 |
| 3.1.1 平移对齐 |
| 3.1.2 HRRP的功率谱特征 |
| 3.2 经典数据压缩算法的非参数化改进 |
| 3.2.1 主成分分析 |
| 3.2.2 线性判别分析 |
| 3.2.3 制约LDA应用的因素 |
| 3.2.4 LDA的非参数化 |
| 3.3 基于非参数最大间隔准则的HRRP特征提取 |
| 3.4 特征提取的一般性框架 |
| 3.5 仿真实验 |
| 3.5.1 分类器设计 |
| 3.5.2 特征提取及识别实验 |
| 3.6 本章小结 |
| 4 基于小波分析的HRRP识别 |
| 4.1 小波分析基础 |
| 4.1.1 小波分析的时频特性 |
| 4.1.2 多分辨分析 |
| 4.1.3 分解和重构 |
| 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 应用于HRRP的小波阈值去噪算法 |
| 4.2.3 小波去噪实验 |
| 4.3 基于小波变换的HRRP特征提取 |
| 4.3.1 基于小波分解的能量分布特征 |
| 4.3.2 基于小波分解的模极大值特征 |
| 4.3.3 基于小波包分解的熵特征 |
| 4.3.4 基于自适应小波网络的特征 |
| 4.3.5 特征提取及识别实验 |
| 4.4 基于进化算法和自适应小波网络的HRRP识别 |
| 4.4.1 基于自适应小波神经网络的特征提取和分类 |
| 4.4.2 结合进化算法的自适应小波神经网络 |
| 4.4.3 基于自适应小波神经网络的HRRP识别实验 |
| 4.5 本章小结 |
| 5 基于统计建模的HRRP识别 |
| 5.1 HRRP统计建模识别基本理论 |
| 5.1.1 最大似然参数估计 |
| 5.1.2 期望最大值参数估计 |
| 5.1.3 自适应高斯分类器 |
| 5.1.4 Kullback-Leibler距离分类器 |
| 5.2 基于混合概率主成分分析的HRRP识别 |
| 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识别 |
| 5.2.3 基于MPPCA模型的HRRP识别实验 |
| 5.3 基于PPCA修正模型的HRRP稳健识别 |
| 5.3.1 模型修正 |
| 5.3.2 基于PPCA修正模型的稳健识别 |
| 5.3.3 基于PPCA修正模型的HRRP识别实验 |
| 5.4 基于t分布扩展PPCA模型的HRRP识别 |
| 5.4.1 t分布扩展PPCA模型 |
| 5.4.2 参数估计 |
| 5.4.3 基于t分布扩展PPCA模型的HRRP识别实验 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 内容总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文和参加科研情况 |
（6）云—智能群体算法在盘式绝缘子优化中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 云模型与智能群体算法融合研究的意义和现状 |
| 1.2 论文研究的主要内容 |
| 第2章 小波神经网络理论 |
| 2.1 小波理论 |
| 2.1.1 母小波 |
| 2.1.2 子小波 |
| 2.1.3 连续小波变换 |
| 2.1.4 离散小波变换 |
| 2.2 小波网络理论发展 |
| 2.2.1 小波网络的结构和形式 |
| 2.2.2 小波网络构造形式 |
| 2.2.3 小波网络的参数调整算法 |
| 2.3 小波神经网络缺陷 |
| 2.4 本章小结 |
| 第3章 云模型基本理论 |
| 3.1 云的基本定义 |
| 3.2 云的数字特征 |
| 3.3 云的 3En 规则 |
| 3.4 云发生器与云分类 |
| 3.5 正态云发生器 |
| 3.6 X 条件云和 Y 条件云发生器 |
| 3.7 逆向云发生器 |
| 3.7.1 逆向拟合云算法 |
| 3.7.2 改进逆向云算法 |
| 3.8 云发生器的误差 |
| 3.8.1 随机数的产生原理 |
| 3.8.2 正态随机数形成原理 |
| 3.9 新旧逆云算法的误差比较 |
| 3.10 正态云模型统计分析 |
| 3.11 云规则生成器 |
| 3.12 本章小结 |
| 第4章 云-智能群体算法对盘式绝缘子电场结构的优化 |
| 4.1 云模型与智能群体算法融合实现思路 |
| 4.2 改进的智能群体算法 |
| 4.2.1 粒子群算法及其规则生成器改进算法 |
| 4.2.2 鱼群算法及其云模型改进算法 |
| 4.3 改进智能群体算法在盘式绝缘子电场结构中的优化 |
| 4.4 改进智能群体算法比较 |
| 4.5 本章小结 |
| 结论及展望 |
| 参考文献 |
| 致谢 |
| 附录 A （攻读学位期间所发表的学术论文目录） |
| 附件 B 云理论仿真代码 |
（7）人工神经网络交通流预测算法研究 ——结合粒子群、小波和混沌的方法（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.1.1 交通问题现状和解决方法 |
| 1.2 智能交通系统（ITS）国内、外发展概述 |
| 1.2.1 智能交通系统（ITS）概述 |
| 1.2.2 ITS 国内外发展现状 |
| 1.3 交通流量预测的发展及研究现状 |
| 1.3.1 基于解析数学模型的方法 |
| 1.3.2 基于知识的智能预测方法的模型 |
| 1.3.3 组合预测算法 |
| 1.4 本文内容及创新点 |
| 1.4.1 本文主要研究内容 |
| 1.4.2 本文主要创新点 |
| 1.5 论文结构 |
| 第2章 交通流特性、预测与分析 |
| 2.1 交通流理论 |
| 2.1.1 交通流采集 |
| 2.1.2 交通流特性分析 |
| 2.1.3 交通流可测性分析 |
| 2.2 交通流预测 |
| 2.2.1 交通流预测概述 |
| 2.2.2 交通流数据预处理 |
| 2.2.3 交通流预测性能评价指标 |
| 2.3 本章小结 |
| 第3章 基于BP神经网络交通流预测模型研究 |
| 3.1 BP 神经网络与学习算子 |
| 3.1.1 神经网络概述 |
| 3.1.2 BP 神经网络 |
| 3.1.3 BP 神经网络学习算子 |
| 3.2 基于BP 神经网络的交通流量预测 |
| 3.2.1 交通流数据可预测性分析 |
| 3.2.2 基于BP 神经网络预测算法设计与分析 |
| 3.3 基于数学模型改进的BP 神经网络交通流量预测 |
| 3.4 本章总结 |
| 第4章 结合智能优化算法的BP 神经网络交通流预测 |
| 4.1 智能优化算法 |
| 4.1.1 智能优化算法概述 |
| 4.1.2 遗传算法 |
| 4.1.3 粒子群算法 |
| 4.2 结合遗传算法的BP 神经网络交通流量预测 |
| 4.3 结合粒子群算法的BP神经网络交通流量预测 |
| 4.3.1 结合标准粒子群的BP神经网络预测算法 |
| 4.3.2 结合参数改进粒子群的BP神经网络预测算法 |
| 4.4 本章总结 |
| 第5章 结合混沌与小波的神经网络交通流预测模型 |
| 5.1 小波神经网络概述 |
| 5.2 基于小波神经网络预测模型与仿真 |
| 5.3 小波网络预测算法改进 |
| 5.3.1 结合标准粒子群的小波网络算法改进 |
| 5.3.2 结合改进粒子群的小波神经网络算法 |
| 5.3.3 结合混沌的小波神经网络预测算法与分析 |
| 5.3.4 结合混沌粒子群的小波网络预测算法 |
| 5.4 预测算法比较总结 |
| 5.5 本章小结 |
| 第6章 结论 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（8）自适应结构优化神经网络控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景 |
| 1.1.1 课题来源 |
| 1.1.2 研究的目的及意义 |
| 1.2 模糊与小波神经网络的研究现状 |
| 1.2.1 模糊神经网络的研究现状 |
| 1.2.2 小波神经网络的研究现状 |
| 1.2.3 复杂系统神经网络控制方法 |
| 1.3 主要研究内容 |
| 第2章 基于模糊聚类算法的模糊神经网络 |
| 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 模糊神经网络模型 |
| 2.3 改进的模糊C 均值聚类法 |
| 2.3.1 聚类算法的引入 |
| 2.3.2 初始聚类中心的选择 |
| 2.3.3 聚类数目优选 |
| 2.3.4 改进算法的步骤 |
| 2.3.5 仿真实例 |
| 2.4 本章小结 |
| 第3章 基于灵敏度剪枝的自适应T-S 模糊神经网络 |
| 3.1 网络结构优化问题 |
| 3.2 灵敏度剪枝算法 |
| 3.2.1 算法原理 |
| 3.2.2 改进算法步骤 |
| 3.2.3 仿真实例 |
| 3.3 一种改进的自适应T-S 模糊神经网络的实现 |
| 3.3.1 T-S 型模糊神经网络模型构建 |
| 3.3.2 模糊神经网络参数和结构的自适应调整 |
| 3.3.3 算法实现 |
| 3.4 仿真实例 |
| 3.5 本章小结 |
| 第4章 初始参数优化的多级自适应小波神经网络 |
| 4.1 小波函数及其构造 |
| 4.1.1 小波函数 |
| 4.1.2 小波函数的构造 |
| 4.2 自适应小波神经网络模型构造 |
| 4.2.1 小波神经网络的分类及结构 |
| 4.2.2 改进的多级自适应小波神经网络 |
| 4.3 小波神经网络学习及优化算法 |
| 4.3.1 改进学习率的BP 算法 |
| 4.3.2 改进的共轭梯度算法 |
| 4.4 小波神经网络函数逼近仿真研究 |
| 4.5 改进的自适应遗传算法 |
| 4.5.1 种群的多样性评价 |
| 4.5.2 一种改进的种群多样性评价指标 |
| 4.5.3 算法描述 |
| 4.5.4 仿真实例 |
| 4.6 本章小结 |
| 第5章 自适应小波神经网络控制器设计 |
| 5.1 小波神经网络控制器的小波基选取 |
| 5.2 自适应小波神经网络控制器的初始参数确定 |
| 5.3 二阶倒立摆小波神经网络控制器设计 |
| 5.3.1 二阶倒立摆系统描述 |
| 5.3.2 小波神经网络结构的确定 |
| 5.3.3 网络初始参数的确定 |
| 5.3.4 分级自适应小波神经网络控制器模型 |
| 5.3.5 网络的学习与训练 |
| 5.4 基于自适应小波神经网络二阶倒立摆系统仿真与控制 |
| 5.4.1 控制系统的仿真研究 |
| 5.4.2 自适应小波神经网络控制器抗干扰能力研究 |
| 5.4.3 自适应小波神经网络控制器的实验研究 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（9）蚁群算法与小波网络在复杂性科学中的应用研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与问题的提出 |
| 1.1.1 研究背景 |
| 1.1.2 问题的提出 |
| 1.2 研究目标、研究内容与研究意义 |
| 1.2.1 研究目标 |
| 1.2.2 研究内容 |
| 1.2.3 研究意义 |
| 1.3 研究方法和技术路线 |
| 1.3.1 研究方法 |
| 1.3.2 技术路线及建模仿真方法 |
| 1.4 论文的主要工作与创新点 |
| 1.5 论文的章节安排 |
| 第二章 群集智能中的蚁群算法理论 |
| 2.1 群集智能及其基本特性分析 |
| 2.2 群集智能中的蚁群算法 |
| 2.2.1 真实蚂蚁的觅食现象 |
| 2.2.2 基本蚁群算法 |
| 2.2.3 蚁群算法的改进 |
| 2.3 蚁群优化元启发算法框架 |
| 2.3.1 元启发式搜索算法的基本理论 |
| 2.3.2 基于蚁群优化的元启发框架 |
| 2.3.3 蚁群优化元启发框架中的自组织性及其反馈特性分析 |
| 2.3.4 蚁群算法元启发框架下的收敛性分析 |
| 2.3.4.1 基于图搜索蚂蚁系统的收敛性分析 |
| 2.3.4.2 蚁群优化算法的收敛性分析 |
| 2.4 蚁群算法中的参数优化设置 |
| 2.4.1 正交试验设计方法 |
| 2.4.2 基于正交试验法的蚁群算法参数设置方法 |
| 2.4.3 仿真试验及其结果分析 |
| 2.5 本章小结 |
| 第三章 元启发框架下蚁群算法的改进 |
| 3.1 遗传算法与蚁群算法的融合 |
| 3.1.1 基本遗传蚁群算法 |
| 3.1.2 基本遗传蚁群算法的收敛性证明 |
| 3.2 基本遗传蚁群算法的改进 |
| 3.2.1 遗传蚁群算法模型中的遗传算法改进策略 |
| 3.2.2 遗传蚁群算法模型中的信息素更新机制的改进策略 |
| 3.3 基于遗传蚁群算法的植物病斑检测 |
| 3.4 仿真实验及结果分析 |
| 3.5 本章小结 |
| 第四章 基于蚁群优化的小波网络 |
| 4.1 小波网络概述 |
| 4.2 小波分析理论 |
| 4.2.1 小波分析的基本原理 |
| 4.2.2 小波分解重构算法 |
| 4.2.3 小波包算法 |
| 4.3 BP 神经网络的基本原理 |
| 4.4 传统小波网络的基本模型 |
| 4.5 蚁群算法优化的小波网络模型 |
| 4.5.1 小波函数及其选择原则 |
| 4.5.2 小波网络的参数初始化 |
| 4.5.3 小波网络的隐层节点数的设计 |
| 4.5.4 基于蚁群算法的小波网络学习算法研究 |
| 4.6 基于改进型小波网络的故障模式识别模型 |
| 4.7 仿真实验及结果分析 |
| 4.8 本章小结 |
| 第五章 基于改进型小波网络的信息融合模型 |
| 5.1 数据缺失机制及其处理方法 |
| 5.1.1 数据缺失机制 |
| 5.1.2 缺失数据的常用处理方法 |
| 5.1.3 期望最大化似然估计在缺失数据处理中的应用 |
| 5.2 基于小波网络的特征级信息融合 |
| 5.3 决策级信息融合模型的构建 |
| 5.3.1 D-S 证据理论的基本概念 |
| 5.3.2 D-S 证据理论的组合规则 |
| 5.3.3 D-S 证据理论的推理决策 |
| 5.3.4 基于小波网络与证据理论的决策级信息融合模型 |
| 5.4 仿真试验及结果分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 本文工作的总结 |
| 6.2 本文工作的展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（10）基于小波神经网络的智能火灾探测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 火灾探测技术的发展与研究现状 |
| 1.2.1 火灾探测技术的发展史 |
| 1.2.2 火灾探测技术的研究现状 |
| 1.3 国内外智能火灾探测器研究概况 |
| 1.3.1 目前火灾自动探测存在的问题及研究进展 |
| 1.3.2 国外智能火灾探测器研究概况 |
| 1.3.3 火灾自动探测发展的主要方向 |
| 1.4 小波神经网络的发展历史与研究现状 |
| 1.4.1 小波神经网络的提出 |
| 1.4.2 国内研究现状 |
| 1.5 本文研究的主要内容 |
| 1.6 本章小结 |
| 第2章 火灾机理分析与火灾探测原理 |
| 2.1 火灾的机理 |
| 2.2 火灾的发展过程 |
| 2.2.1 火灾的燃烧状态 |
| 2.2.2 室内火灾发展过程 |
| 2.3 室内火灾的模型 |
| 2.4 火灾探测原理 |
| 2.4.1 传统的火灾探测算法 |
| 2.4.2 新兴的火灾探测算法 |
| 2.5 本章小节 |
| 第3章 人工神经网络与小波分析理论 |
| 3.1 人工神经网络 |
| 3.1.1 人工神经网络概述 |
| 3.1.2 人工神经网络的基本概念 |
| 3.1.3 人工神经网络的结构与类型 |
| 3.1.4 人工神经网络的仿真、学习与训练概述 |
| 3.2 小波分析理论 |
| 3.2.1 一维连续小波变换 |
| 3.2.2 离散小波变换和二进小波变换 |
| 3.2.3 小波基函数的选取 |
| 第4章 小波神经网络及其改进算法研究 |
| 4.1 小波神经网络基础 |
| 4.1.1 小波神经网络的结构 |
| 4.1.2 经典小波神经网络 |
| 4.1.3 多层前馈神经网络的映像能力 |
| 4.1.4 小波神经网络的函数逼近能力 |
| 4.1.5 小波神经网络与MLP的比较 |
| 4.1.6 小波神经网络函数逼近Matlab仿真试验 |
| 4.2 小波神经网络改进算法研究 |
| 4.2.1 算法的推导 |
| 4.2.2 小波神经网络结构各层节点的确定 |
| 4.2.3 小波神经网络学习算法 |
| 4.2.4 小波神经网络算法推导 |
| 4.2.5 小波神经网络误差反传算法改进 |
| 第5章 小波神经网络在火灾气体识别中的应用 |
| 5.1 小波神经网络模型的建立与参数选择 |
| 5.2 小波神经网络训练算法 |
| 5.3 气体定性分析 |
| 5.3.1 问题描述 |
| 5.3.2 试验原理与方法 |
| 5.3.3 神经网络参数选择 |
| 5.3.4 Matlab计算结果分析 |
| 5.4 气体定量检测 |
| 5.4.1 试验原理 |
| 5.4.2 试验数据 |
| 5.4.3 数据预处理 |
| 5.4.4 神经网络参数选择 |
| 5.4.5 Matlab计算结果分析 |
| 5.4.6 误差分析 |
| 5.5 系统误差产生原因分析及减小措施 |
| 5.5.1 温湿度补偿方法 |
| 5.5.2 样本增强与筛选 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
四、一种小波网络的改进算法研究（论文参考文献）
- [1]多自主平台武器站协同打击策略研究与实现[D]. 付博雯. 西安工业大学, 2021(02)
- [2]基于生成对抗网络的舰船目标多源融合识别方法[D]. 王洁. 哈尔滨工业大学, 2020(01)
- [3]基于小波变换的图像去噪与边缘检测算法研究与应用[D]. 王佰辉. 西南交通大学, 2019(04)
- [4]基于改进小波神经网络的电力系统谐波检测方法研究[D]. 江帅. 电子科技大学, 2019(01)
- [5]基于雷达高分辨距离像的目标识别算法研究[D]. 李彬. 西北工业大学, 2018(02)
- [6]云—智能群体算法在盘式绝缘子优化中的应用[D]. 余汉华. 湖南大学, 2012(02)
- [7]人工神经网络交通流预测算法研究 ——结合粒子群、小波和混沌的方法[D]. 徐树安. 广西工学院, 2010(05)
- [8]自适应结构优化神经网络控制研究[D]. 宋清昆. 哈尔滨理工大学, 2009(01)
- [9]蚁群算法与小波网络在复杂性科学中的应用研究[D]. 冯登超. 天津大学, 2008(07)
- [10]基于小波神经网络的智能火灾探测研究[D]. 陈月. 东北大学, 2008(03)