一、小波神经网络及其应用（论文文献综述）
张振[1]（2020）在《基于深度小波神经网络的时变信号分类与人脸识别技术研究》文中研究说明小波分析是在应用数学的基础上发展起来的一门学科。由于小波函数具有良好的时频局部特性分析能力,使小波分析在时域信号和图像特征的提取、表示与分析方面被广泛应用,是基础科学、信息科学重要的研究和应用领域。小波神经网络是以小波分析为理论基础,结合神经网络基于实例集合的自学习、自适应特性所构建的分析模型。该模型采用小波基函数来发现和突出信号的时频特征,优化神经网络的参数和误差空间,以小波基和输入向量的内积进行加权完成对输入层的特征提取,使网络具有较强的非线性拟合能力和较快的收敛速度,在信号分析和图像处理方面取得丰富成果。由于现代科技的快速发展和研究领域的不断扩大,小波神经网络的分析对象变得日益复杂。一维信号多为时变信号,主要表现为时变性、非线性和非平稳性、不确定性等特征;二维图像则具有一定的随机性和耦合性等特点,易受亮度、清晰度、角度等各方面的干扰,给问题的分析研究带来困难。基于小波神经网络对一维信号和二维图像都有较好的微观分析和特征表示能力,本文面向时变信号分类和人脸图像识别问题,提出了两类改进小波神经网络模型。主要创新点及研究工作包含以下两个方面:1.针对多通道时变信号分类问题,构建了一种稀疏自编码器深度小波过程神经网络（SAE-WPNN）。通过构建一种多输入/多输出的小波过程神经网络（WPNN）,实现对时变信号的多尺度分解和对过程分布特征的初步提取;在WPNN隐层之后叠加一个SAE深度网络,对所提取的信号特征进行高层次的综合和表示,并基于softmax分类器实现对时变信号的分类。模型将基于小波基的多尺度特征分解与表示、PNN对时变信号的分类机制和学习能力、以及SAE深度网络对信号特征的高层次综合能力相结合,在机制上对复杂时变信号的分类问题具有良好的适应性。以中国心血管疾病医学数据库中基于12导联ECG信号的7种心血管疾病分类诊断进行实验,验证模型和算法的有效性。2.针对人脸图像识别问题,建立了一种基于小波多分辨分析的递归小波神经网络（RWNN）。该模型以小波多分辨分析为基础,将尺度函数和小波函数作为网络隐层激励函数,提取图像的低频轮廓特征和高频细节特征,实现对二维人脸图像由粗到细的多尺度分析,减少隐层表示的冗余。同时,结合递归神经网络的特征记忆能力和分类机制,可较为准确实现人脸图像特征的辨识和识别。以LFW人脸数据集图像识别进行实验,验证方法的可行性。
程扬[2]（2020）在《水文序列预测模型的耦合及优化研究 ——以磨刀溪为例》文中认为磨刀溪流域是长江上游具有代表性的中小型山区流域,本研究收集有流域内长滩水文站降雨径流资料,以及鱼龙、建南、谋道、龙驹四个雨量站的的降雨资料。首先,从周期性、趋势性、突变性三个方面分析磨刀溪水文序列的特性;其次,从相对误差、绝对误差等指标研究了传统和新兴两类预测模型的精度;然后建立了小波分析和人工神经网络耦合的WNN模型,并探究了水文序列的尺度和复杂特性对模型精度的影响;最后,基于遗传算法的全局寻优特性,优化了WNN模型的阈值、权值、时间尺度因子等模型参数,最终建立了优化的WA-GA-ANN模型。长滩站是磨刀溪流域唯一的水文站,也是集雨面积最大的控制站,分析该站的降雨径流特性,希望可以为磨刀溪全流域的防洪减灾、水资源统一规划利用提供科学指导。联合鱼龙、建南、谋道、龙驹四个雨量站的降雨序列,建立的全流域降雨预测模型,希望可以为该流域甚至中小型山区流域的中长期水文预报做贡献。本文主要研究结论如下:（1）论文采用趋势回归法、Mann-Kendall秩次相关法、滑动平均法识别该序列趋势项;采用时序累计相关曲线法、有序聚类法识别龙角站年径流序列跳跃项;采用傅里叶分析、最大熵谱分析、小波分析进行周期识别。经过对龙角站1959～1990年和长滩站2001～2010年的降雨序列进行分析,发现该站的控制流域内的降雨具有2a尺度的周期性,降雨量总体呈增加趋势,但在1963年～1966年间和1982年～1988年间降雨量有减少的趋势,径流由于受到人类活动的影响,在2001年产生突变点。（2）论文从小波消噪、分解层数确定、小波方法的周期分析等方面详细研究了小波方法体系。运用史坦SURE法和熵准则阈值选取法优选了小波消噪阈值,将这两种阈值选取方法运用到鱼龙站的降雨序列消噪,发现消噪后的序列峰值明显减小,即序列的系统误差减小。同时,提出白噪声检测的小波分解层数确办法,鱼龙站的降雨序列长度192,小波最优分解层数为2,这与经验公式得到的最大分解尺度相符。（3）论文以鱼龙站的降雨序列为例,运用自回归、模糊分析、灰色系统分析分别建立预测模型,比较原序列和模拟序列的残差、相对误差等指标,发现新兴类模型准确、高效、可操作性强。还探究了BP网络、RBF网络、GRNN网络的模型原理,并基于建南、谋道、龙驹的雨量资料、和龙角站的降雨径流资料建立预测模型模拟龙角站的日最高水位,发现GRNN网络模拟序列的特征值更接近实测序列。（4）论文将原始序列采用熵准则消噪,并采用白噪声检测方法确定分解层数后再带入小波分析和人工神经网络耦合的WNN模型。以鱼龙站2001年～2016年的月降雨序列和日降雨序列为例,研究了时间序列尺度对耦合模型预测结果的影响,发现序列越长、时间尺度越小预测结果越精准。再以鱼龙站2001年～2016年的月平均降雨、水位、流量序列为例,探究序列复杂程度特性对耦合模型预测精度的影响,发现序列本身越复杂,预测精度越低。最后本论文针对小波神经网络权值、阈值设定等问题,建立了一套遗传算法优化模型参数的小波神经网络模型。
任晓倩[3]（2020）在《基于小波神经网络的Volterra积分方程的数值解法》文中指出积分方程作为近代数学研究中的一个重要部分,其应用领域广泛渗透在物理、生物、化学等多个学科中,且很多实际问题可以归结为积分方程的问题来进行求解.Volterra积分方程在积分方程当中占有重要的地位,但由于其无解析解或解析解形式复杂,使得其数值解的研究成为学者们关注的重点.近年来,神经网络技术不断成熟,将小波分析理论和人工神经网络相结合的产物小波神经网络逐渐发展起来,它不仅具有运算速度快,抗干扰能力强等优点.还具有小波变换的优点,使得小波神经网络在函数逼近方面性能较优,故本文构造小波神经网络模型求解第二类Volterra积分方程.本文首先简述了人工神经网络和小波神经网络的理论基础.其次,构造了以梯度下降算法进行优化的单隐层小波神经网络模型,同时对该模型进行了收敛性分析,并通过运用该模型求解第二类Volterra积分方程的数值解,发现本文方法的计算精度优于其他文献中的计算精度,从而验证了该方法的有效性.最后结合第二类Volterra积分方程组的结构构造新型的双隐层小波神经网络模型,用Lyapunov函数分析了双隐层小波神经网络模型的收敛性,并利用第二类Volterra积分方程组的数值算例验证了此方法的可行性和有效性.
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。
姜微[5]（2019）在《第二类Fredholm积分方程的自适应小波神经网络数值解法》文中进行了进一步梳理积分方程作为数学的一个重要研究方向,其数值解法的研究一直都受到众多学者的重点关注.但遗憾的是,较为复杂的计算量,并不稳定的计算精度以及较为缓慢的计算速度是现存的积分方程数值解法共有的缺点.神经网络对非线性问题可以达到良好的映射,对于多维的输入向量也可以自学习的进行高精度并行处理.而由于小波分析中含有平移因子和伸缩因子,使得可以分析数据在不同尺度下的特征.因此,为了有效地发挥两者的优势,将其结合构造出小波神经网络.本文采用小波神经网络求解第二类Fredhlom积分方程的数值解.第一章介绍了积分方程及神经网络的发展背景,以及研究意义,并概述了神经网络在求解积分方程数值解领域及小波神经网络的国内外研究现状.第二章归纳了本文需要的基础知识与理论,即神经网络和所需的小波神经网络.第三章根据数据本身的特征“自适应”选取合适的小波基,并将隐层中的激励函数转变为适用于神经网络的小波母函数,而输入层到隐层的权值与阈值通过选取的小波基构造而成,从而提出一种基于自适应小波神经网络模型的一维第二类Fredhlom积分方程数值解法.最后根据梯度下降算法自适应地调整相关参数.第四章以三层前馈式小波神经网络为主要研究对象,将积分项用积分中值定理的Nystrom解法展开,结合自适应小波神经网络求解二维第二类Fredhlom积分方程.第五章总结了本文的主要工作,并对以后的研究提出一些建议.
陶丽[6]（2016）在《基于改进小波神经网络模型的交通流预测研究》文中研究指明智能交通管理系统是解决现代交通问题的重要手段,然而城市道路交通系统变化复杂,极难预测。作为智能交通系统的基础问题,短时交通流预测具有重要的意义,因此,本文重点研究的是在对交通流的相关基础知识进行分析的基础之上,交通流预测模型使用及其改进,这就需要对历史和实时的交通流数据进行收集及处理,研究目的是为智能交通管理系统提供基础数据和决策支持,使得交通管理决策更加科学化。由于交通流问题是复杂和非线性的,目前,任何单一的预测模型都无法完全满足或匹配预测的要求,因此本文对预测模型进行了一定的改进。本文的主要工作有以下三个方面:第一,本文分析了交通流的基本定义,性质,并阐述了交通流数据采集方法,分析了数据异常识别方法,并介绍了四类交通流的预测模型。第二,本文首先研究了广泛应用的交通流预测模型-神经网络,在此基础上,提出了改进的粒子群算法优化小波神经网络模型对交通流进行预测。鉴于小波神经网络极强的非线性处理能力、自组织、自适应和学习能力,采用其作为基本预测模型,然而小波神经网络也存在收敛速度慢等缺点,因此利用粒子群算法收敛速度快、鲁棒性高、全局搜索能力强的优点,选择粒子群优化算法对小波神经网络的参数进行训练,组成粒子群算法小波神网络预测模型,以改进基本小波神经网络模型在短时交通流预测中的性能。最后,本文进一步研究对于粒子群算法的改进,改进的思路主要是从粒子群算法的关键参数着手,基于云模型在改进群智能算法上显出的优点,本文采用云模型优化粒子群算法,使粒子群算法的搜索和寻优能力得以提高,由此建立了基于云粒子群算法优化小波神经网络的短时交通流模型。第三,基于交通流的仿真实验,本文分析比较了基本粒子群算法和改进的粒子群算法优化小波神经网络模型的优缺点,以及各个模型预测结果的误差对比。
谢涛[7]（2011）在《基于（多）小波（包）、神经网络及优化的模拟电路故障诊断研究》文中认为模拟电路故障诊断的研究是电路测试领域中极具挑战性的前沿和热点研究课题。由于模拟电路响应的连续性、非线性和元器件参数的容差等固有的特点以及模拟电路故障的多样性复杂性,使得传统的故障诊断理论和方法在实际的的应用诊断中难以达到预期的效果。随着现代化电子技术的飞速发展,网络规模和结构日趋功能化和模块化,研究如何运用现代诊断技术快速、准确、有效地诊断模拟电路故障成为实际工程迫切需要解决的课题,也是模拟电路故障诊断理论和方法走向实际应用的关键步骤。小波理论的出现和发展,神经网络理论和方法的日益成熟,利用小波进行故障信号的分析和处理以及用神经网络来进行故障诊断,已成为热门的研究课题,大量的研究成果表明,它们为模拟电路的故障诊断提供了新的途径。本文以神经网络、小波（包）分析、多小波变换、遗传算法、粒子群算法、信号处理等理论为基础,深入研究了模拟电路的故障特征提取和故障诊断方法,本文的研究工作主要体现在以下几个方面：（1）阐述了神经网络和小波变换、小波包以及多小波变换理论,对常用的BP神经网络进行了详细的阐述,针对BP算法的不足讨论了几种改进BP算法；对小波理论领域的新兴的研究热点—多小波变换进行了探讨。（2）在分析和阐述神经网络、（多）小波（包）变换各自理论的基础上研究了两者的结合—（多）小波（包）神经网络在模拟电路故障诊断中的应用；比较深入地研究了紧致型小波神经网络和多小波神经网络的结构、学习算法及逼近性质。（3）对模拟电路故障诊断的关键步骤—故障特征向量的提取进行了详细的讨论和研究,文中研究了四种用于故障特征向量提取的方法—小波提取、最优小波包提取和主成分分析提取和多小波变换提取,通过诊断实例对四种方法各自的优缺点进行了分析和研究。（4）对神经网络的参数优化方法进行了研究。基于传统神经网络的模拟电路故障诊断方法普遍存在网络收敛慢、易限于局部最优等缺陷。本文分别研究了将遗传算法、粒子群算法优化神经网络的结构和参数,与传统的普通神经网络相比较,这些方法给出的神经网络的学习既包括网络权值的修正,也包括神经网络其它一些参数的调整。通过各自的诊断实例表明通过优化后的神经网络在故障诊断准确率和诊断速度方面有了进一步的提高。（5）从信号的高阶累积量角度和数据融合的观点出发,研究了基于信号的峭度、偏度特征提取结合信息融合的模拟电路故障诊断方法,并通过诊断实例验证了该方法的高效性和可行性。（6）为增强论文的实用性,给出了紧致型小波神经网络、遗传小波神经网络和粒子群小波神经网络进行模拟电路故障诊断的MATLAB仿真源代码程序,已在作者的仿真平台上运行通过。
祝文姬[8]（2011）在《模拟电路故障诊断的神经网络方法及其应用》文中提出模拟电路故障诊断的神经网络方法可以看成是模式识别问题。通过对一系列过程参量进行测量,然后用神经网络从测量空间映射到故障空间,实现故障诊断。可见,模拟电路故障诊断神经网络方法中的两大问题是通过信号处理来实现特征提取的问题和神经网络结构建立的问题。目前,围绕这两大问题的热点研究是采用小波分析、演化算法等技术与神经网络结合的方法进行模拟电路硬故障或单值软故障的诊断,而这种结合包括神经网络的前置处理技术的改进和神经网络结构的优化两方面。但是,很少有文献涉及这些优化算法的优缺点的对比以及应用场合的阐述。此外,单值软故障诊断的实用性受到质疑,因为模拟电路故障诊断是需要区分电路元件参数处于容差允许范围内还是发生了硬故障或软故障。而且目前对重叠故障的诊断还有一定的难度。因此,本文对模拟电路故障诊断神经网络方法存在的问题进行了深入的研究后,提出一些新的故障诊断方法以及设计相关的自动测试与诊断系统装备的技术方案,以形成较为完整的模拟电路故障诊断神经网络方法体系。本文的主要内容和创新如下：1、探讨模拟电路故障诊断的小波方法。本文在模拟电路节点电压信号进行小波消噪与分解处理后获得的小波系数的基础上,提出三种故障特征提取的方法：小波系数各分量绝对值的最大值法、小波系数各分量平方和法以及小波分形法。前两种方法是首先利用小波变换来对电路测试节点的电压信号进行消噪和分解,对分解后的小波系数计算其各分量的最大值或各分量平方和,然后进行主元分析与归一化处理,形成电路的故障特征,输入神经网络来进行分类。小波分形法与前两种方法所不同的是,计算小波分解后的信号的盒维数来实现模拟电路故障特征的提取。文中将详细分析它们各自的优缺点和适用的场合并将这三种方法应用于诊断实例来进一步验证所述方法的正确性。2、提出模拟电路故障诊断的综合神经网络方法。基于模拟电路元件硬故障和软故障统一描述的思想,提出将电路测试节点电压信号的偏斜度与标准差组成的向量作为故障特征向量的方法。测前,首先对被测电路进行参数扫描和交流分析,计算该电路测试节点电压信号的偏斜度和标准差,标准差与偏斜度构成的向量即为故障特征向量。然后,根据以标准差为横坐标、以偏斜度为纵坐标的二维坐标系中的轨迹的特点选择神经网络的训练样本与检验样本。测后,训练过的神经网络就能够正确的区分电路处于容差允许范围内的状态还是发生了硬故障或软故障。文中将详述其诊断原理与适用场合,通过诊断实例来进一步验证所述方法的正确性,并通过与相关文献方法进行比较,说明所提方法的优越性。3、探讨模拟电路故障诊断的优化神经网络方法。针对BP网络易于陷入局部最优的缺点,探讨基于遗传BP网络的模拟电路故障诊断方法与基于免疫遗传BP网络的模拟电路故障诊断方法；提出基于粒子群算法优化BP网络的模拟电路故障诊断方法与基于分组粒子群算法优化BP网络的模拟电路故障诊断方法。这四种方法分别采用遗传算法、免疫遗传算法、粒子群算法、分组粒子群算法来代替BP网络中的梯度下降算法来实现神经网络权值的调整以及神经网络结构的优化。遗传BP网络是将遗传算法的“优胜劣汰”原则引入到BP网络中,提高其收敛性能。免疫遗传BP网络是在遗传算法的基础上融合了免疫系统的机理来优化BP网络,使其具有全局搜索的能力。粒子群算法优化的BP网络是将粒子群算法的速度-位移模型引入到BP网络中来改善其未成熟收敛,具有模型简单与易于实现的特点。分组粒子群算法是在粒子群算法的基础上发展起来的,具有重组和变异的特点。采用分组粒子群算法来优化BP网络是以确保BP网络收敛于全局最优解。文中将通过比较的方式来详述这四种方法的具体应用场合和效果。4、针对模拟电路重叠故障的诊断,分别从其表现形式和产生原因出发,探讨模拟电路重叠故障诊断的重分类方法和提出模拟电路重叠故障诊断的融合神经网络方法。在模拟电路重叠故障诊断的重分类方法中,首先将故障特征重叠的区域划分出来归为新的故障类,然后采用常规的神经网络方法来对重分类后的故障类型进行识别。模拟电路重叠故障诊断的融合神经网络方法主要包括测前和实时诊断两个步骤：测前,将重叠故障类分配在不同的子神经网络中,并且将不同类的故障特征作为各子神经网络的训练样本,对各子网络进行训练。而将各子神经网络的目标输出用来作为决策融合神经网络的训练样本,对决策融合神经网络进行训练；实时诊断时,将采集到的信号经预处理后输入到已训练的融合诊断系统中,从决策融合神经网络的输出就能确定故障的类型。文中将详述这两种方法的基本原理与应用条件,并通过诊断实例来进一步验证所述方法的有效性。5、探讨基于DSP控制的自动测试与诊断系统（Automatic Test and Diagnosis System, ATDS）的技术方案和典型应用方案。在模拟电路故障诊断理论与方法的指导下,成功研制了基于DSP控制的ATDS实验装置。文中将介绍系统的组成、基于DSP控制的主板设计、激励源设计、决策模块设计的基本原理以及软件设计方案,并通过对模拟芯片以及模拟集成电路的实验,详细阐述相应模块的设计原理,并给出实验结果。通过实验结果来进一步验证本文所述诊断方法的正确性和有效性。
舒晓惠[9]（2010）在《非线性协整时间序列的非参数方法及其应用研究》文中研究说明本文主要研究了非线性协整理论的非参数检验与估计两个领域,包括非线性存在性,混沌与分形特征,非线性非平稳检验以及非线性协整检验与估计。基本梳理清楚了这两个领域的研究脉络和框架。本文运用Gauss编程实现了所提各种非参数检验方法,MC仿真给出了相关统计量的临界值表,并比较了各方法的优劣。在随后的实证研究中,本文对我国货币各变量序列,以及我国与国际股市指数序列应用所给出的非线性协整理论的非参数方法进行了非线性存在性检验,混沌与分形特征检验,存在非线性的非平稳检验以及非线性协整检验与估计,得出了较此前学者们应用线性协整理论相关方法更一般的结论。综合看,本文主要在如下几个方面做了开拓性研究：第一,较为详细地梳理了线性协整理论的内容,对个中细节进行了注解,使得理论脉络更为清晰明了,从而增进了协整理论的易读性。第二,对线性加强型神经网络在时间序列的非线性存在性检验中的应用提出了新的方法,即加强型小波神经网络并给出了新的实现算法：改进的带动量的LM算法。MC仿真表明,高斯小波、墨西哥帽小波等两线性加强型小波神经网络方法效果较好。第三,发现应用小数据量法实现的最大Lyapunov指数值的意义在随机条件下和确定性混沌条件下是不一致的。因此,利用最大Lyapunov指数探讨非线性协整尚需商榷。第四,发展了秩检验方法,推导了其分布,针对非高斯的单峰分布和存在序列相关性问题提出了相应的改进方法和实现方法,即基于Bootstrap和Block Bootstrap抽样的单位根逆得分秩检验方法。第五,给出了协整的秩检验方法和记录数检验方法的检验临界值表和响应面函数,并应用上述方法对中国与世界主要证券市场股指进行了实证分析,发现其更多存在的是非线性协整关系。第六,研究了三种神经网络应用于非线性协整理论的可行性,比较了其优劣,特别地,提出了带动量改进的LM算法的小波神经网络,使得其更具泛化能力。另外,本文还提出应用加强型神经网络对非线性非平稳时间序列进行滤波,其更适用于非线性的情形。
杨丽[10]（2010）在《小波理论在大坝变形监测数据分析中的应用研究》文中研究指明大坝的整体工作性态主要反映在变形、渗流、应力应变等的变化上,而其中变形变化状况尤为直观可靠。变形性态综合反映了各种因素对其工作性态的影响,其变化是评价大坝安全状况的重要依据。国内外现有的变形分析模型算法、应用效果和应用范围具有一定的局限性。因此研究如何利用新理论、新方法,有效克服传统建模方法的不足,解决建模技术的关键问题已成为当前完善大坝安全监测工作的一项重要任务。本文正是从该角度出发,针对传统建模方法中存在的一些问题,引入小波理论,研究小波分析方法在大坝变形监测数据分析中的应用。主要研究内容和成果如下：（1）采用小波理论对大坝变形监测数据进行多方面分析。系统研究了小波分析在信号异常检测与处理、去噪及趋势分量提取中的应用原理和思路,编制了相应的基于MATLAB的小波分析程序。实例分析表明,小波分析比较适合于大坝安全监测数据的处理,相比其它方法其耗时少,精度高。（2）建立了基于自适应调整学习率优化算法的大坝变形监测小波神经网路预测模型。通过对传统小波神经网络（Wavelet Neural Network）算法的改进,实现了小波理论和神经网络理论的有机整合和渗透,并利用MATLAB软件的数值计算和仿真分析功能,编制了相应的建模分析程序。（3）对所建立的大坝变形监测小波神经网络模型进行了工程实例应用研究。将训练好的小波神经网络模型应用于某大坝的变形拟合与预测,并且与常规BP神经网络预测结果进行对比分析,结果表明：基于自适应调整学习率优化算法的小波神经网络模型其拟合与预测精度比BP神经网络模型高,具有较好的实用价值。
二、小波神经网络及其应用（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、小波神经网络及其应用（论文提纲范文）
（1）基于深度小波神经网络的时变信号分类与人脸识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 选题意义 |
| 1.2 相关领域研究概况 |
| 1.3 本文研究内容和技术路线 |
| 1.4 本文内容组织结构 |
| 2 相关理论和技术 |
| 2.1 小波神经网络 |
| 2.2 过程神经网络 |
| 2.3 稀疏自编码器 |
| 2.4 Elman神经网络 |
| 2.5 本章小结 |
| 3 基于深度小波过程神经网络的时变信号分类 |
| 3.1 问题分析 |
| 3.2 小波过程神经网络 |
| 3.3 深度小波过程神经网络 |
| 3.4 深度小波过程神经网络学习算法 |
| 3.5 实验及结果分析 |
| 3.6 本章小结 |
| 4 基于递归多分辨小波神经网络的人脸识别 |
| 4.1 问题分析 |
| 4.2 人脸目标检测技术 |
| 4.3 图像信号的特征提取 |
| 4.4 多分辨小波神经网络 |
| 4.5 递归多分辨小波神经网络模型 |
| 4.6 递归多分辨小波神经网络学习算法 |
| 4.7 实验及结果分析 |
| 4.8 本章小结 |
| 5 总结与展望 |
| 5.1 论文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（2）水文序列预测模型的耦合及优化研究 ——以磨刀溪为例（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 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 国内外关于水文序列特性分析研究进展 |
| 1.2.2 国内外关于水文序列预测模型研究进展 |
| 1.3 研究内容和技术路线 |
| 第二章 水文序列分析方法研究 |
| 2.1 水文序列周期分析方法 |
| 2.1.1 傅里叶分析 |
| 2.1.2 最大熵谱分析 |
| 2.2 水文序列跳跃成分识别 |
| 2.2.1 时序累计值相关曲线法 |
| 2.2.2 有序聚类分析法 |
| 2.2.3 Man-Kendall法 |
| 2.3 水文序列趋势成分识别 |
| 2.3.1 滑动平均法 |
| 2.3.2 Kendall秩次相关检验 |
| 2.3.3 趋势回归检验 |
| 2.4 水文序列的小波分析方法 |
| 2.4.1 小波函数选择研究 |
| 2.4.2 小波分解尺度的研究 |
| 2.4.3 基于小波方法的水文序列消噪处理 |
| 2.4.4 水文序列周期的小波分析方法 |
| 2.5 本章小节 |
| 第三章 水文序列预测方法研究 |
| 3.1 自回归模型 |
| 3.1.1 模型结构 |
| 3.1.2 模型的参数估计 |
| 3.1.3 模型的识别 |
| 3.1.4 算例分析 |
| 3.2 马尔科夫预测模型 |
| 3.2.1 模型理论 |
| 3.2.2 算例分析 |
| 3.3 模糊分析 |
| 3.3.1 模型理论 |
| 3.3.2 算例分析 |
| 3.4 灰色系统分析 |
| 3.4.1 模型理论 |
| 3.4.2 算例分析 |
| 3.5 本章小节 |
| 第四章 水文序列预测模型耦合的研究 |
| 4.1 人工神经网络 |
| 4.1.1 BP神经网络 |
| 4.1.2 RBF神经网络 |
| 4.1.3 GRNN神经网络 |
| 4.2 小波神经网络耦合模型 |
| 4.2.1 模型理论 |
| 4.2.2 算例分析 |
| 4.3 水文序列时间尺度对耦合模型预测结果的影响 |
| 4.4 水文序列复杂特性对耦合模型预测结果的影响 |
| 4.5 模型的不足及改进 |
| 4.6 本章小节 |
| 第五章 水文序列预测模型优化的研究 |
| 5.1 遗传算法基本理论 |
| 5.2 GA优化的WNN模型 |
| 5.3 GA优化的WNN模型算法流程 |
| 5.4 WA-GA-ANN模型仿真 |
| 5.5 本章小节 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 在学期间发表的论文和参加的项目 |
| 一、在学期间发表的论文 |
| 二、科研项目 |
| 三、在学期间获奖情况 |
（3）基于小波神经网络的Volterra积分方程的数值解法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要内容及工作安排 |
| 第二章 基本知识 |
| 2.1 人工神经网络 |
| 2.1.1 人工神经元模型 |
| 2.1.2 激活函数 |
| 2.1.3 人工神经网络结构模型 |
| 2.2 小波神经网络 |
| 2.2.1 小波理论 |
| 2.2.2 小波神经网络模型结构 |
| 2.2.3 小波基函数的选取 |
| 2.3 本章小结 |
| 第三章 第二类Volterra积分方程的小波神经网络数值解法 |
| 3.1 单隐层小波神经网络模型的构建 |
| 3.2 算法程序框图 |
| 3.3 收敛性分析 |
| 3.4 数值结果 |
| 3.5 本章小结 |
| 第四章 第二类Volterra积分方程组的小波神经网络数值解法 |
| 4.1 双隐层小波神经网络模型的构建 |
| 4.2 算法说明 |
| 4.3 收敛性分析 |
| 4.4 数值结果 |
| 4.5 本章小结 |
| 第五章 总结及展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（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）第二类Fredholm积分方程的自适应小波神经网络数值解法（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要内容及安排 |
| 第二章 基本知识与理论 |
| 2.1 神经网络的相关理论 |
| 2.1.1 神经元模型 |
| 2.1.2 神经网络的模型分类 |
| 2.2 小波神经网络的相关理论 |
| 2.2.1 小波神经网络的模型分类 |
| 2.2.2 小波神经网络的学习过程 |
| 2.3 本章小结 |
| 第三章 基于自适应小波神经网络的一维第二类Fredholm积分方程数值解法 |
| 3.1 引言 |
| 3.2 自适应小波神经网络模型的构建 |
| 3.2.1 输入-输出关系 |
| 3.2.2 参数调整 |
| 3.2.3 算法说明 |
| 3.2.4 收敛性分析 |
| 3.3 数值算例 |
| 3.4 本章小结 |
| 第四章 基于自适应小波神经网络的二维第二类Fredholm积分方程数值解法 |
| 4.1 引言 |
| 4.2 二维自适应小波神经网络模型的构建 |
| 4.2.1 输入-输出关系 |
| 4.2.2 参数调整 |
| 4.2.3 积分中值定理的Nystrom解法 |
| 4.2.4 算法说明 |
| 4.2.5 收敛性分析 |
| 4.3 数值算例 |
| 4.4 本章小结 |
| 第五章 总结及展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、读研期间发表的论文 |
（6）基于改进小波神经网络模型的交通流预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 交通流预测研究的背景及意义 |
| 1.1.1 研究的背景 |
| 1.1.2 研究的意义价值体现 |
| 1.2 交通流预测模型国内外研究现状 |
| 1.2.1 交通流预测模型研究 |
| 1.2.2 基本小波神经网络预测模型及模型的改进 |
| 1.3 本文的内容框架 |
| 1.4 论文章节安排 |
| 第二章 交通流短时预测的背景知识 |
| 2.1 交通预测的基本概念 |
| 2.1.1 交通流预测的基本概念 |
| 2.1.2 交通流预测基本流程 |
| 2.2 交通流数据采集和数据分析 |
| 2.2.1 交通流数据采集 |
| 2.2.2 交通流数据异常的识别 |
| 2.2.3 交通流故障数据的修复方法 |
| 2.3 交通流短时预测的基本方法 |
| 2.4 本章小结 |
| 第三章 基于小波神经网络模型的交通流预测 |
| 3.1 神经网络模型介绍 |
| 3.1.1 神经网络算法原理 |
| 3.1.2 BP算法实现流程 |
| 3.2 小波神经网络预测模型 |
| 3.2.1 小波神经网络模型基础 |
| 3.2.2 基于小波神经网络交通预测的流程图 |
| 3.3 交通流数据的处理 |
| 3.4 交通流仿真实验 |
| 3.4.1 交通流数据预处理及来源 |
| 3.4.2 交通流预测仿真实验 |
| 3.4.3 小波神经网络模型的优点及不足 |
| 3.5 本章小结 |
| 第四章 基于改进小波神经网络模型的交通预测 |
| 4.1 基于粒子群算法改进的小波神经网络模型 |
| 4.1.1 粒子群算法 |
| 4.1.2 基本粒子群算法流程 |
| 4.1.3 粒子群算法的改进 |
| 4.2 基于粒子群算法优化小波神经网络 |
| 4.2.1 基于粒子群算法优化小波神经网络预测算法步骤 |
| 4.3 粒子群算法优化的小波神经网络的交通流预测 |
| 4.3.1 交通流仿真实验 |
| 4.3.2 基本PSO算法优化小波神经网络存在的问题 |
| 4.4 云模型 |
| 4.4.1 云模型的理论背景 |
| 4.4.2 云模型的发展与应用 |
| 4.4.3 云模型的理论基础 |
| 4.5 云粒子群算法 |
| 4.5.1 粒子更新公式的改进 |
| 4.5.2 ICPSO算法流程 |
| 4.6 基于云粒子群优化小波神经网络的模型 |
| 4.6.1 基于云粒子群算法优化的小波神经网络的交通流预测仿真实验 |
| 4.6.2 模型试验对比 |
| 4.7 本章小结 |
| 第五章 交通流预测结果在智能交通管理系统(ITMS)中的应用 |
| 5.1 智能交通管理系统（ITMS）介绍 |
| 5.2 交通流预测在智能交通系统中的应用 |
| 第六章 研究结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
（7）基于（多）小波（包）、神经网络及优化的模拟电路故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 插图索引 |
| 附表索引 |
| 第1章 绪论 |
| 1.1 选题意义 |
| 1.2 模拟电路故障诊断技术的发展与现状 |
| 1.3 本文的主要研究内容及结构安排 |
| 1.3.1 本文的主要研究内容 |
| 1.3.2 本文的内容安排 |
| 第2章 神经网络和(多)小波(包)理论 |
| 2.1 引言 |
| 2.2 人工神经网络概述 |
| 2.2.1 神经网络的特性 |
| 2.2.2 神经网络的分类 |
| 2.3 神经网络的学习规则 |
| 2.4 BP网络 |
| 2.4.1 BP神经网络结构模型 |
| 2.4.2 BP网络的学习算法 |
| 2.4.3 传统BP算法的局限性及改进 |
| 2.4.4 BP神经网络在模拟电路故障诊断中的应用 |
| 2.5 小波理论 |
| 2.5.1 小波变换 |
| 2.5.2 小波变换的时-频局部化特性 |
| 2.5.3 多分辨分析 |
| 2.5.4 常用小波函数 |
| 2.5.5 小波包分析的定义和性质 |
| 2.5.6 小波包的空间分解和算法 |
| 2.6 多小波理论 |
| 2.6.1 多滤波器组与多小波 |
| 2.6.2 正交多小波的多分辨分析 |
| 2.6.3 正交、双正交和对称、反对称的性质 |
| 2.6.4 多小波的构造 |
| 2.7 小结 |
| 第3章 (多)小波(包)神经网络及其在模拟电路故障诊断中的应用 |
| 3.1 引言 |
| 3.2 小波神经网络的分类 |
| 3.3 小波神经网络隐层神经元个数的确定及其逼近性质 |
| 3.3.1 小波神经网络隐层神经元个数的确定 |
| 3.3.2 小波神经网络的逼近性质 |
| 3.4 小波神经网络的学习算法 |
| 3.5 多小波神经网络 |
| 3.5.1 多小波神经网络的结构及其逼近性质 |
| 3.5.2 多小波神经网络的算法 |
| 3.6 小波神经网络故障特征向量的提取 |
| 3.6.1 小波分析提取 |
| 3.6.2 小波包变换提取 |
| 3.6.3 主成份分析提取 |
| 3.7 故障诊断实例 |
| 3.7.1 松散型小波神经网络诊断故障实例 |
| 3.7.2 紧致型小波神经网络诊断故障实例 |
| 3.7.3 多小波神经网络诊断故障实例 |
| 3.8 几种诊断方法的比较 |
| 3.9 小结 |
| 第4章 基于神经网络参数优化的模拟电路故障诊断 |
| 4.1 引言 |
| 4.2 基于遗传算法的神经网络优化 |
| 4.2.1 遗传算法的定义及特点 |
| 4.2.2 遗传操作 |
| 4.2.3 遗传算法优化神经网络 |
| 4.3 遗传小波神经网络在模拟电路故障诊断中的应用 |
| 4.3.1 诊断原理 |
| 4.3.2 诊断实例 |
| 4.4 基于粒子群算法的神经网络优化 |
| 4.4.1 粒子群优化算法概述 |
| 4.4.2 原始粒子群优化算法 |
| 4.4.3 粒子群优化算法的改进 |
| 4.4.4 粒子群神经网络 |
| 4.5 粒子群算法优化神经网络在模拟电路故障诊断中的应用 |
| 4.5.1 诊断原理 |
| 4.5.2 诊断实例 |
| 4.6 小结 |
| 第5章 基于峭度、偏度特征提取和信息融合的模拟电路故障诊断 |
| 5.1 引言 |
| 5.2 高阶累积量、峭度和偏度 |
| 5.2.1 高阶累积量 |
| 5.2.2 峭度和偏度 |
| 5.3 信息融合技术 |
| 5.3.1 信息融合的分类 |
| 5.3.2 D-S(Dempster-Shafer)证据理论 |
| 5.4 有关BP神经网络的一点改进 |
| 5.5 基于峭度、偏度和信息融合技术模拟电路故障诊断原理 |
| 5.6 诊断实例 |
| 5.6.1 诊断实例1 |
| 5.6.2 诊断实例2 |
| 5.6.3 诊断实例3 |
| 5.7 小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录A 攻博期间的科研成果 |
| 附录B 诊断实例3.7.2 小波神经网络源程序 |
| 附录C 诊断实例4.3.2 的MATLAB仿真源程序 |
| 附录D 诊断实例4.5.2 的MATLAB仿真源程序 |
（8）模拟电路故障诊断的神经网络方法及其应用（论文提纲范文）
| 摘要 |
| Abstract |
| 插图索引 |
| 附表索引 |
| 第1章 绪论 |
| 1.1 模拟电路故障诊断技术研究的背景 |
| 1.2 模拟电路故障诊断技术研究的意义 |
| 1.3 模拟电路故障诊断神经网络方法的研究现状 |
| 1.4 本文主要内容及结构 |
| 第2章 模拟电路故障诊断的小波方法 |
| 2.1 神经网络的设计 |
| 2.2 小波变换原理的研究 |
| 2.3 小波故障特征的提取方法 |
| 2.3.1 基于绝对值最大值的故障特征提取方法 |
| 2.3.2 基于平方和的故障特征的提取方法 |
| 2.4 小波分形故障特征的提取方法 |
| 2.4.1 盒维数的基本概念与计算的研究 |
| 2.4.2 小波分形故障特征提取方法 |
| 2.4.3 诊断实例 |
| 2.5 本章小结 |
| 第3章 模拟电路故障诊断的综合神经网络方法 |
| 3.1 标准差与偏斜度的基本概念 |
| 3.1.1 标准差基本概念的研究 |
| 3.1.2 偏斜度基本概念的研究 |
| 3.2 模拟电路故障特征的提取方法 |
| 3.3 综合神经网络法 |
| 3.3.1 神经网络结构的研究 |
| 3.3.2 综合神经网络的建立 |
| 3.4 诊断实例 |
| 3.4.1 被测电路与故障类型 |
| 3.4.2 神经网络样本的构造 |
| 3.4.3 神经网络结构的设计 |
| 3.4.4 仿真结果与结果分析 |
| 3.5 本章小结 |
| 第4章 模拟电路故障诊断的优化神经网络方法 |
| 4.1 BP网络 |
| 4.2 基于遗传BP神经网络的模拟电路故障诊断方法 |
| 4.2.1 BP网络的遗传优化 |
| 4.2.1.1 遗传算法的研究 |
| 4.2.1.2 BP网络的遗传优化 |
| 4.2.2 诊断步骤 |
| 4.2.3 诊断实例 |
| 4.3 基于免疫遗传BP网络的模拟电路故障诊断方法 |
| 4.3.1 BP神经网络的免疫遗传优化 |
| 4.3.1.1 免疫遗传算法 |
| 4.3.1.2 BP网络的免疫遗传优化 |
| 4.3.2 诊断步骤 |
| 4.3.3 诊断实例 |
| 4.4 基于粒子群BP网络的模拟电路故障诊断方法 |
| 4.4.1 基于粒子群算法优化的BP网络 |
| 4.4.1.1 粒子群算法的研究 |
| 4.4.1.2 基于粒子群算法优化的BP神经网络 |
| 4.4.2 诊断步骤 |
| 4.4.3 诊断实例 |
| 4.5 基于分组粒子群BP网络的模拟电路故障诊断方法 |
| 4.5.1 分组粒子群算法的研究 |
| 4.5.2 基于分组粒子群算法的BP神经网络 |
| 4.5.3 诊断步骤 |
| 4.5.4 诊断实例 |
| 4.6 本章小结 |
| 第5章 模拟电路重叠故障诊断的神经网络方法 |
| 5.1 重叠故障的基本概念 |
| 5.2 重叠故障诊断的重分类方法 |
| 5.3 重叠故障的融合诊断方法 |
| 5.4 本章小结 |
| 第6章 基于DSP控制的自动测试与诊断系统 |
| 6.1 ATDS实验装置系统的组成 |
| 6.2 ATDS样机的研制 |
| 6.2.1 基于DSP控制的主板设计 |
| 6.2.2 激励源的设计 |
| 6.2.3 决策模块(DC)的设计 |
| 6.3 诊断实例与结果分析 |
| 6.3.1 模拟芯片的测试与诊断 |
| 6.3.2 PCB的测试与诊断 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间的主要成果 |
（9）非线性协整时间序列的非参数方法及其应用研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 目录 |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究的目的和意义 |
| 1.3 研究现状与文献综述 |
| 1.4 本文章节安排及创新之处 |
| 第2章 单位根与线性协整理论概述 |
| 2.1 单位根过程 |
| 2.2 单位根检验 |
| 2.2.1 DF与ADF检验 |
| 2.2.2 PP检验 |
| 2.2.3 KPSS检验 |
| 2.2.4 SP检验 |
| 2.3 协整及其表述定理 |
| 2.4 协整的估计与检验 |
| 2.4.1 单一方程的E-G(Engle-Granger)两步法 |
| 2.4.2 基于系统检验法的Johansen协整检验法 |
| 2.5 本章小结 |
| 第3章 时间序列的非线性存在性检验 |
| 3.1 非线性的定义 |
| 3.2 非线性检验的方法 |
| 3.2.1 平方残差的Q检验 |
| 3.2.2 双谱检验(Bispectral Test) |
| 3.2.3 BDS检验 |
| 3.2.4 神经网络检验 |
| 3.2.5 PCA检验 |
| 3.2.6 邻近返回检验(Close Return Test) |
| 3.3 Monte Carlo仿真模拟 |
| 3.4 我国股市的非线性存在性分析 |
| 3.5 本章小结 |
| 第4章 非线性时间序列的混沌与分形特征检验 |
| 4.1.混沌与分形理论简介 |
| 4.1.1 混沌的定义 |
| 4.1.2 混沌特征的描述 |
| 4.1.3 分形的定义 |
| 4.1.4 分形特征的描述 |
| 4.1.5 混沌与分形的关系 |
| 4.2 混沌与分形理论在经济中的应用综述 |
| 4.3 非线性时间序列中是否存在混沌的非参数检验方法 |
| 4.3.1 相空间重构技术 |
| 4.3.2 最大李雅普诺夫指数(Lyapunov Exponents)的计算 |
| 4.3.3 Kolmogorov熵的计算 |
| 4.3.4 Hurst指数与R/S检验 |
| 4.4 Monte Carlo仿真模拟 |
| 4.5 我国沪深股票指数的混沌与分形特征研究 |
| 4.6 本章小结 |
| 第5章 非线性时间序列的非平稳检验 |
| 5.1 基于长记忆性、混合性概念的非平稳检验方法 |
| 5.1.1 R/S检验法 |
| 5.1.2 基于熵的相关系数法 |
| 5.1.3 推广的KPSS检验 |
| 5.1.4 Lyapunov指数法 |
| 5.2 推广的单位根检验 |
| 5.2.1 秩检验方法(Rank Test) |
| 5.2.2 改进的秩检验方法 |
| 5.2.3 全距检验方法(Range Unit-Root Test,RUR) |
| 5.3 货市需求函数各变量的单位根秩检验与全距检验 |
| 5.4 本章小结 |
| 第6章 非线性协整的非参数检验方法 |
| 6.1 推广的E-G两步法 |
| 6.2 非线性协整的秩检验理论 |
| 6.2.1 协整关系的秩检验 |
| 6.2.2 协整关系中存在非线性的秩检验 |
| 6.2.3 非线性协整秩检验的临界值及其响应面函数 |
| 6.3 记录数协整检验(Record Counting Cointegration Test,RCC) |
| 6.4 中国与国际股市的非线性协整研究 |
| 6.5 本章小结 |
| 第7章 非线性协整模型构造与估计的非参数方法 |
| 7.1 ACE算法(Alternating Conditional Expections,ACE) |
| 7.2 局部核权最小二乘法 |
| 7.3 基于神经网络的非线性协整模型估计方法 |
| 7.3.1 BP神经网络 |
| 7.3.2 两隐层BP神经网络 |
| 7.3.3 径向基网络(Radial Basis Function,RBF) |
| 7.3.4 小波神经网络(Wavelet Neural Networks,WNN) |
| 7.3.5 线性加强型神经网络 |
| 7.3.6 应用遗传算法优化神经网络的参数 |
| 7.4 Monte Carlo仿真实验研究 |
| 7.5 实证研究 |
| 7.6 本章小结 |
| 第8章 总结与展望 |
| 参考文献 |
| 在校期间发表论文及参与课题 |
| 后记 |
（10）小波理论在大坝变形监测数据分析中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究目的和意义 |
| 1.2 大坝变形监测资料处理与分析研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 小波理论研究现状 |
| 1.3.1 小波分析概述 |
| 1.3.2 小波分析应用现状 |
| 1.3.3 小波神经网络研究概况 |
| 1.4 论文研究内容与思路 |
| 2 小波分析的基本理论方法 |
| 2.1 傅里叶变换与小波变换 |
| 2.1.1 傅里叶变换 |
| 2.1.2 短时Fourier变换 |
| 2.1.3 从傅里叶变换到小波分析 |
| 2.2 小波变换 |
| 2.2.1 连续小波变换 |
| 2.2.2 离散小波变换 |
| 2.3 多分辨率分析与正交小波变换 |
| 2.3.1 多分辨率分析 |
| 2.3.2 二尺度方程 |
| 2.4 Mallat算法 |
| 2.4.1 Mallat算法的综述 |
| 2.4.2 Mallat分解算法 |
| 2.4.3 Mallat合成算法 |
| 2.5 常用小波函数 |
| 2.5.1 小波基的数学特性 |
| 2.5.2 常用小波函数 |
| 2.6 本章小结 |
| 3 小波分析在大坝变形监测数据分析中的应用研究 |
| 3.1 大坝变形监测数据的异常值检测与处理 |
| 3.1.1 基本原理 |
| 3.1.2 实例分析 |
| 3.2 大坝变形监测数据的去噪处理 |
| 3.2.1 基于小波分析的信号去噪问题基本原理 |
| 3.2.2 小波去噪方法 |
| 3.2.3 实例分析 |
| 3.3 大坝变形监测数据时效分量的提取 |
| 3.3.1 基本原理 |
| 3.3.2 实例分析 |
| 3.4 本章小结 |
| 4 小波神经网络在大坝变形分析中的应用研究 |
| 4.1 人工神经网络基本理论 |
| 4.1.1 神经元基本结构 |
| 4.1.2 神经网络的学习算法 |
| 4.1.3 BP神经网络算法优点及缺陷 |
| 4.1.4 BP神经网络算法的改进 |
| 4.2 小波神经网络基本理论 |
| 4.2.1 小波神经网络的结合方式 |
| 4.2.2 小波神经网络的分类 |
| 4.2.3 小波神经网络的算法 |
| 4.2.4 小波神经网络的自适应调整学习率优化算法 |
| 4.2.5 小波神经网络的程序实现 |
| 4.3 大坝变形预测的小波神经网络拟合与预测 |
| 4.3.1 模型的确定 |
| 4.3.2 预测模型的训练 |
| 4.3.3 大坝变形预测模型预测及对比分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、小波神经网络及其应用（论文参考文献）
- [1]基于深度小波神经网络的时变信号分类与人脸识别技术研究[D]. 张振. 山东科技大学, 2020(06)
- [2]水文序列预测模型的耦合及优化研究 ——以磨刀溪为例[D]. 程扬. 重庆交通大学, 2020(01)
- [3]基于小波神经网络的Volterra积分方程的数值解法[D]. 任晓倩. 宁夏大学, 2020(03)
- [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]第二类Fredholm积分方程的自适应小波神经网络数值解法[D]. 姜微. 宁夏大学, 2019(02)
- [6]基于改进小波神经网络模型的交通流预测研究[D]. 陶丽. 上海工程技术大学, 2016(11)
- [7]基于（多）小波（包）、神经网络及优化的模拟电路故障诊断研究[D]. 谢涛. 湖南大学, 2011(05)
- [8]模拟电路故障诊断的神经网络方法及其应用[D]. 祝文姬. 湖南大学, 2011(08)
- [9]非线性协整时间序列的非参数方法及其应用研究[D]. 舒晓惠. 暨南大学, 2010(09)
- [10]小波理论在大坝变形监测数据分析中的应用研究[D]. 杨丽. 西安理工大学, 2010(11)