基于小波变换架构和神经网络的分类和回归算法研究

发布时间：2023-06-02 22:14

　　时序数据普遍存在于医学、航天、金融、商业、气象、工业等方面。时序数据的分类和回归目前在金融、娱乐、医学以及工业等领域都有广泛的应用。小波变换是一种基于多分辨率分析的方法,它不仅可以将输入数据分解到不同尺度空间,同时还在不同尺度空间具有很好的时频分解特性。因此,小波变换可以在多种尺度和频率上提取显著特征,在处理时序信号问题上有很大的优势。本文提出了基于快速小波变换的处理时序数据的分类和回归算法。该算法主要包括两个模块:输入数据的多尺度表达和组合模块、WTNN模块。第一模块可以得到输入数据的多尺度表达,第二模块中WTNN模块又分为时序数据的特征映射子模块、分类(回归)器子模块,这两个子模块集成在一个单隐层神经网络中。在第一个子模块中,采用小波变换提取前后时序信号的多尺度、多频率的显著特征,这样的特征对后续的分类或者回归更有利。此外,原始的小波变换需要对不同的尺度、不同的基函数分别进行离散化,参数较多、过程繁琐;而快速小波变换方便不同的尺度、不同的频率以及不同的基函数下的小波变换的离散化和实施,使得离散化和基函数的设计都更灵活。在小波变换中,基函数的形状对于小波滤波和尺度滤波起到重要作用。基...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第一章 绪论
    1.1 课题的研究背景和意义
    1.2 国内外研究现状
        1.2.1 神经网络分类和回归的研究现状
        1.2.2 小波变换与小波网络的研究现状
        1.2.3 时序数据处理的研究现状
    1.3 论文的主要内容及拟解决难点
    1.4 论文的组织结构
第二章 基于小波变换架构和神经网络的分类和回归算法的总体框架
    2.1 引言
    2.2 基于小波变换架构的神经网络的分类和回归总框架
        2.2.1 输入数据的多尺度表达与组合模块
        2.2.2 WTNN模块
    2.3 本章小结
第三章 基于快速小波变换的特征映射
    3.1 引言
    3.2 多分辨率展开
        3.2.0 级数展开
        3.2.1 尺度函数
        3.2.2 小波函数
    3.3 小波变换
        3.3.1 小波级数展开
        3.3.2 离散小波变换
        3.3.3 快速小波变换
    3.4 基于快速小波变换的特征映射
    3.5 小波基函数的生成
    3.6 本章小结
第四章 WTNN输出权重的训练
    4.1 引言
    4.2 WTNN输出权重训练方法
    4.3 WTNN输出权重的训练
    4.4 本章小结
第五章 实验结果及分析
    5.1 引言
    5.2 数据介绍
        5.2.1 太阳能数据
        5.2.2 UCI数据
    5.3 编程环境
    5.4 实验参数
    5.5 实验结果分析
        5.5.1 太阳能数据结果及分析
        5.5.2 UCI数据结果及分析
    5.6 本章小结
结论与展望
参考文献
致谢
个人简历
在学期间的研究成果及发表的学术论文



本文编号：3828118