基于神经网络和多小波变换的数字水印算法

基于图像多小波域低频系数子块的相似性,利用神经网络的学习特性,提出了新的盲数字水印算法.将宿主图像变化为多小波域,把水印加入到宿主图像多小波变化后的低频系数中.通过后向传播算法的神经网络训练出宿主图像与嵌入的水印信号之间的关系特征,利用神经网络具有学习和自适应的特性,训练后的神经网络能够完全恢复嵌入到宿主图像中的水印信息.仿真实验表明,该算法针对各种攻击具有很好的鲁棒性,特别是在水印检测时不需要原始图像.     

基于小波变换和神经网络的安全帽识别系统分析与设计

介绍了安全帽识别系统的整体设计,着重分析了小波变换和BP神经网络的具体运用,提出了识别系统的神经网络模型。     

基于小波神经网络的短时交通流预测

针对BP神经网络寻优速度慢、实时性差等缺点,提出将小波神经网络应用于短时交通流量预测中.该方法具有良好的局部性特征,弥补了常规神经网络的不足.在非线性逼近中得到了很好的应用.实验结果表明,小波神经网络预测模型的预测精度明显优于BP神经网络,对交通流量预测问题有较高的应用价值.     

基于小波变换和神经网络的视频文字检测

图像中文字的检测有广泛的应用范围。无论是出现在场景中的文字，还是以图形的形式附加在视频图像中的文字，都能提供重要的索引信息资源。在这篇文章中，我们实现了一种基于小波变换和人工神经网络的视频文字检测系统。它能检测出现在数字图像中的文字区域。我们的系统实现了一个层次间隔的特征提取器，其输出结果将达到一个用于提了文本区域的人工神经网络处理器，即智能分类器，分析出来的文字区域可以送往适当的光学字符识别系统。在对各种各样文本检测的试验中显示了我们的系统的性能。     

离散仿射小波变换神经网络函数逼近方法

通过对仿射离散小波框架的分析,用离散仿射小波变换时频局部化集中与神经网络的有关理论,研究了前传神经网络的组织结构与简化,提出了处理方案,并利用此理论对波函数的逼近给出了一般算法．     

基于小波变换和径向基神经网络的签名识别

主要研究利用小波变换和径向基神经网络进行签名图像的分类识别.它包括不同签名图像和相似签名图像的分类识别.所提出的方法包括小波域的图像特征提取和利用径向基神经网络的模式分类.采用小波的多分辨分析方法对签名图像进行时频分析特别有效.熵和能量相关特征的概念用于小波域.径向基神经网络具有快速的收敛速度和分类能力.实验仿真证实了利用小波变换和径向基神经网络进行签名图像分类识别的有效性,且成功识别率100%.     

BP神经网络在风电功率预测中的应用

在分析风电机组输出功率波动性基础之上,建立了三层输入和一层输出的BP神经网络模型.首先,结合经验公式确定隐含层节点数大致区间范围,随机搜索找出训练效果较好的隐含层节点数为7;然后,通过多次的网络训练调节各参数值,找出训练结果较好的各参数;最后,通过训练好的BP网络实时预测了风电功率.将预测出的数据与实际数据比较,误差较小,说明了该方法能合理地用于预测风电功率输出.     

基于小波分析与神经网络的风电场短期风速预测

对风力发电进行有效的预测,可降低电网调度的难度。先对风速历史数据进行小波分解,再针对各小波分量分别建立改进型BP神经网络模型进行预测,最后通过小波重构得到原始风速预测值。仿真结果表明,所提方法能够有效地提高风速预测精度。     

基于NWP和改进神经网络的短时风电功率预测研究

风电场功率预测对电力系统稳定运行起着决定性作用。首先对传统BP神经网络进行改进,以某一风电场获取的2月1日-10日的天气预报(NWP)数据和功率数据作为改进后BP神经网络的训练数据,对神经网络进行训练;其次以2月11号3小时的数值天气预报数据作为改进后BP神经网络的输入数据,对未来3小时的输出功率进行预测。预测过程和结果显示,改进后的BP神经网络在满足低预测误差的同时,能够提高BP神经网络的稳定性和收敛速度。     

小波神经网络在超短期负荷预测中的应用研究

作为EMS的一个重要模块,超短期负荷预测日益受到关注.可建立一个3层神经网络模型,并在其学习和训练过程中引进BP算法来修正网络权重,然后用小波函数代替神经网络中的Sigmoid函数,通过Mallat算法实现对负荷序列的分解和重构.典型算例表明该算法预测精度高,能取得满意的结果.     

基于RBF神经网络的电力系统短期负荷预测

电力负荷预测一直是电力系统的重要研究课题。在考虑天气状况因素的前提下,通过MATLAB软件实验平台,构建了一个RBF神经网络模型,并用历史电力负荷数据进行训练,成功的进行了电力系统的短期负荷预测,预测结果误差比较小,结果令人满意,证明了RBF神经网络在电力短期负荷预测领域的有效性和可行性。     

基于灰色理论和神经网络对风电功率预测的研究

基于灰色理论和BP神经网络模型,对历史风电输出功率数据进行分析处理,并对比实测数据对预测结果进行检验.对电力部门对于风电的预测具有一定的指导意义.     

BP网络的结构动力响应预测

由于结构主动控制对地震反应振动控制的高效性，使主动控制在建筑结构振动控制领域中，具有广阔的应用前景，但是主动控制存在难以建立一个精确的数学模型，存在时滞效应等问题。神经网络不需要建立精确的数学模型，只是通过学习输入输出训练样本数据，就可归纳出隐含在系统输入输出中的关系；应用神经网络预测结构响应可以解决主动控制中的时滞问题，为控制决策提供依据。本文就最常用的BP神经网络进行研究，用BP神经网络对结构响应进行预测，以期能为结构主动控制提供一种新的思路。     

采用小波变换与RBF神经网络优化的电机故障模糊诊断系统

针对特征信号淹没于噪声信号的情况,采用Morlet小波分析实现了对原始电流特征信号的降噪.同时,采用基于RBF神经网络的最优化插值与具有频谱细化特性的CZT分析,提升了频谱分辨率,充分展现了发生故障时电流特征信号的频谱细节,为电机故障诊断系统提供了可靠的诊断依据.建立了基于改进型BP神经网络的电机故障模糊诊断系统,抽象出了偏心故障的诊断规则.实测结果表明,该系统能够可靠地诊断电机的偏心故障.     

基于空域相关的RBF神经网络混沌时间序列预测研究

与现有预测方法比较,神经网络在混沌时间序列预测中具有优势。利用RBF神经网络对混沌Lorenz时间序列的预测进行仿真研究,仿真结果表明：在单步直接预测、单步间接预测、多步直接预测和多步间接预测中,多步间接预测是其中最有效的方式。     

基于灰色系统理论的RBF神经网络铁路货运量预测

应用灰色系统理论计算了铁路货运量与货运量影响因素的关联度,并对其进行了排序。利用MAT-LAB软件,建立铁路货运量的RBF神经网络预测模型,对我国1992-2008年的铁路货运量进行仿真实验。结果表明基于灰色系统理论的RBF神经网络模型预测平均相对误差为0.44%,常规RBF神经网络模型的平均预测误差为1.47%,因此认为基于灰色系统理论的RBF神经网络的铁路货运量预测方法有效可行。