小波神經(jīng)網(wǎng)絡(luò)的案例
169基于matlab的小波神經(jīng)網(wǎng)絡(luò)預(yù)測 ￥9.9
基于matlab的小波神經(jīng)網(wǎng)絡(luò)預(yù)測，通過權(quán)值參數(shù)更新得到誤差較小模型，進(jìn)行多輸出單輸出預(yù)測。輸出預(yù)測可視化結(jié)果。程序已調(diào)通，可直接運行。
小波神經(jīng)網(wǎng)絡(luò)程序(轉(zhuǎn)貼）
clc
clear
%step 1=========================
%定義輸入樣本；
t=0:0.01:1.5;
x=-sin(2*pi*t);
targ=[0 0 1 1 0 0 ];
eta=0.02;aerfa=0.935;
%初始化連接權(quán)wjh(輸出層和隱層的連接權(quán));whi(隱層和輸出層的連接權(quán));
%假設(shè)小波函數(shù)節(jié)點數(shù)為：H個；樣本數(shù)為P;
%輸出節(jié)點數(shù)為:J個；輸入節(jié)點數(shù)為：I個；
H=15;P=2;
I=length(t);
J=length(targ);
%初始化小波參數(shù)
b=rand(H,1);
a=rand(H,1);
%初始化權(quán)系數(shù)；
whi=rand(I,H);
wjh=rand(H,J);
%閾值初始化;
b1=rand(H,1);
b2=rand(J,1);
p=0;
%保存的誤差；
Err_NetOut=[];
flag=1;count=0;
while flag>0
flag=0;
count=count+1;
%step 2=================================
xhp1=0;
for h=1:H
for i=1:I
xhp1=xhp1+whi(i,h)*x(i);
end
ixhp(h)=xhp1+b1(h);
xhp1=0;
end
for h=1:H
oxhp(h)=fai((ixhp(h)-b(h))/a(h));
end
%step 3====================================
ixjp1=0;
for j=1:J
for h=1:H
ixjp1=ixjp1+wjh(h,j)*oxhp(h);
end
ixjp(j)=ixjp1+b2(j);
ixjp1=0;
end
for i=1:J
oxjp(i)=fnn(ixjp(i));
end
%step
展開 基于神經(jīng)網(wǎng)絡(luò)的松動部件監(jiān)測系統(tǒng)小波質(zhì)量估計方法研究
基于神經(jīng)網(wǎng)絡(luò)的松動部件監(jiān)測系統(tǒng)小波質(zhì)量估計方法研究<BR><Font color=#FF0000><B>.PS.:</B>該帖附件于2006-10-13 15:59:15被malong評為4星級，為發(fā)貼者加分80。</Font><BR><Font color=#FF0000><B>點評:</B></Font>
基于神經(jīng)網(wǎng)絡(luò)的松動部件監(jiān)測系統(tǒng)小波質(zhì)量估計方法研究.pdf
展開 圖片識字的前向神經(jīng)網(wǎng)絡(luò)的小例子 ￥10
通過python寫的一個簡單圖片識字的前向神經(jīng)網(wǎng)絡(luò)的小例子，適合剛開始入門，已經(jīng)封裝完成了，將學(xué)習(xí)的模型保存，通過畫圖板隨便寫個0-9的數(shù)字，導(dǎo)入exe進(jìn)行識別，如下：
273 基于matlab的改進(jìn)型節(jié)點重構(gòu)小波包頻帶能量譜與 PNN（概率神經(jīng)網(wǎng)絡(luò)）的聯(lián)合故障診斷新方法 ￥35.9
基于matlab的改進(jìn)型節(jié)點重構(gòu)小波包頻帶能量譜與 PNN（概率神經(jīng)網(wǎng)絡(luò)）的聯(lián)合故障診斷新方法。針對風(fēng)電機組故障信號的非平穩(wěn)性以及故障與征兆的非線性映射導(dǎo)致的故障識別困難問題，提出了改進(jìn)型的節(jié)點重構(gòu)小波包頻帶能量譜與PNN（概率神經(jīng)網(wǎng)絡(luò)）的聯(lián)合故障診斷新方法。文章深入分析了傳統(tǒng)小波包頻帶錯亂的問題，借助傅里葉變換與傅里葉逆變換改進(jìn)了小波包，消除了小波包頻帶錯亂的缺陷。程序已調(diào)通，可直接運行。
Matlab的使用經(jīng)驗
對于Matlab軟件，本人已經(jīng)使用了4年，里面的小波、神經(jīng)網(wǎng)絡(luò)、遺傳算法、模糊等都用過。在使用的所有的軟件中，感覺Matlab的幫主文檔作的是最好的。老實的說，國內(nèi)的很多Matlab方面的圖書也不過是幫主文檔的漢化，在圖書館看完了幾乎所有的（有價值的東西也沒幾頁）后，感覺幫助不是很大，最后開始老老實實的看幫助文檔，Matlab涵蓋的知識范圍相當(dāng)?shù)膹V泛，幫助中，contents和demos兩部分感覺最重要，把contens中某個工具箱的介紹看完后，也基本上了解了那個領(lǐng)域的東西。demos則是很多的簡單例子。英語也不難的，都是一些簡單的科學(xué)用語。看英文幫助的時候要記得，如果那個領(lǐng)域漢語的東西都看不懂的話就不要去看英語的東西。
展開 [轉(zhuǎn)帖]故障診斷技術(shù)的發(fā)展趨勢及我們的對策
應(yīng)性較強原理上它既適用于線性系統(tǒng)也適用于
非線性系統(tǒng)因此是一條很有應(yīng)用前景的故障診斷
技術(shù)路線近年來國內(nèi)許多學(xué)者在這方面作了深
入研究如HMMHidden Markov Model用于旋
轉(zhuǎn)機械升降速全過程的故障診斷研究基于可變多
元統(tǒng)計模型的故障診斷研究采樣時間序列的故障
數(shù)據(jù)檢測傳感器誤差故障檢測方法等在一定程
度上已取得了有實用價值的成果
基于信號處理的故障診斷方法雖然不直接涉及
被診斷對象的動態(tài)模型但它仍然建立在對故障機
理的透徹分析和研究基礎(chǔ)上測量信號的哪些特征
性狀能夠最顯著地反映出待診斷的故障是必須首
先研究的問題某種意義上這也是能成功實現(xiàn)故障
診斷的一個關(guān)鍵技術(shù)問題
小波變換技術(shù)是目前研究的一個熱點由于它
同時具有時域和頻域分析的特點因此對于準(zhǔn)確分
析系統(tǒng)傳感器的故障十分有利分析時間信號的奇
異性信號頻率結(jié)構(gòu)的變化或同時進(jìn)行時間和頻率
特性分析是利用小波變換進(jìn)行故障診斷的主要出
發(fā)點小波變換與神經(jīng)網(wǎng)絡(luò)的結(jié)合是值得重視的一
個方面此外利用小波變換的濾波性能對測量信
號進(jìn)行降噪處理可以有效地作為故障診斷前信號
的預(yù)處理方法同時也為從噪聲特性分析出發(fā)診斷
特定類型的故障提供了一條有效的技術(shù)路線
1.3 基于知識的診斷方法
基于知識的故障診斷方法引入了診斷對象多方
面的信息特別是可以充分利用領(lǐng)域?qū)＜业脑\斷知
識避免了對精確數(shù)學(xué)模型的過分依賴特別在非
線性系統(tǒng)領(lǐng)域被認(rèn)為是一種很有前景的方法專家
系統(tǒng)模糊推理和模式識別等在故障診斷領(lǐng)域中的
應(yīng)用由來已久由于人工神經(jīng)網(wǎng)絡(luò)具有記憶自學(xué)
習(xí)和能擬合任意連續(xù)非線性函數(shù)的能力以及它的
并行處理全局作用的能力使它在處理非線性問
題和在線估計等方面具有很強的優(yōu)勢在復(fù)雜系統(tǒng)
萬方數(shù)據(jù)
科普園地 故障診斷技術(shù)的發(fā)展趨勢及我們的對策
自動化博覽 變頻調(diào)速技術(shù)講座培訓(xùn)班10月在京舉辦歡迎參加55
的故障診斷中被寄予厚望得到了廣泛的重視神
經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用是多方面的作為一個
展開 小波神經(jīng)網(wǎng)絡(luò)的相關(guān)專題、標(biāo)簽、搜索
小波神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)遞歸神經(jīng)網(wǎng)絡(luò)深度神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)算法 小波神經(jīng)網(wǎng)絡(luò)小波神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測中的應(yīng)用基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的地震波阻抗反演方法神經(jīng)網(wǎng)絡(luò)算法matlab神經(jīng)網(wǎng)絡(luò)算法螺栓神經(jīng)神經(jīng)網(wǎng)絡(luò)energy plus神經(jīng)網(wǎng)絡(luò)顫振預(yù)測神經(jīng)網(wǎng)絡(luò)顫振
