時序數(shù)據(jù)普遍存在于醫(yī)學(xué)、航天、金融、商業(yè)、氣象、工業(yè)等方面。時序數(shù)據(jù)的分類和回歸目前在金融、娛樂、醫(yī)學(xué)以及工業(yè)等領(lǐng)域都有廣泛的應(yīng)用。小波變換是一種基于多分辨率分析的方法,它不僅可以將輸入數(shù)據(jù)分解到不同尺度空間,同時還在不同尺度空間具有很好的時頻分解特性。因此,小波變換可以在多種尺度和頻率上提取顯著特征,在處理時序信號問題上有很大的優(yōu)勢。本文提出了基于快速小波變換的處理時序數(shù)據(jù)的分類和回歸算法。該算法主要包括兩個模塊:輸入數(shù)據(jù)的多尺度表達和組合模塊、WTNN模塊。第一模塊可以得到輸入數(shù)據(jù)的多尺度表達,第二模塊中WTNN模塊又分為時序數(shù)據(jù)的特征映射子模塊、分類(回歸)器子模塊,這兩個子模塊集成在一個單隱層神經(jīng)網(wǎng)絡(luò)中。在第一個子模塊中,采用小波變換提取前后時序信號的多尺度、多頻率的顯著特征,這樣的特征對后續(xù)的分類或者回歸更有利。此外,原始的小波變換需要對不同的尺度、不同的基函數(shù)分別進行離散化,參數(shù)較多、過程繁瑣;而快速小波變換方便不同的尺度、不同的頻率以及不同的基函數(shù)下的小波變換的離散化和實施,使得離散化和基函數(shù)的設(shè)計都更靈活。在小波變換中,基函數(shù)的形狀對于小波濾波和尺度濾波起到重要作用。基...

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 課題的研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 神經(jīng)網(wǎng)絡(luò)分類和回歸的研究現(xiàn)狀
        1.2.2 小波變換與小波網(wǎng)絡(luò)的研究現(xiàn)狀
        1.2.3 時序數(shù)據(jù)處理的研究現(xiàn)狀
    1.3 論文的主要內(nèi)容及擬解決難點
    1.4 論文的組織結(jié)構(gòu)
第二章 基于小波變換架構(gòu)和神經(jīng)網(wǎng)絡(luò)的分類和回歸算法的總體框架
    2.1 引言
    2.2 基于小波變換架構(gòu)的神經(jīng)網(wǎng)絡(luò)的分類和回歸總框架
        2.2.1 輸入數(shù)據(jù)的多尺度表達與組合模塊
        2.2.2 WTNN模塊
    2.3 本章小結(jié)
第三章 基于快速小波變換的特征映射
    3.1 引言
    3.2 多分辨率展開
        3.2.0 級數(shù)展開
        3.2.1 尺度函數(shù)
        3.2.2 小波函數(shù)
    3.3 小波變換
        3.3.1 小波級數(shù)展開
        3.3.2 離散小波變換
        3.3.3 快速小波變換
    3.4 基于快速小波變換的特征映射
    3.5 小波基函數(shù)的生成
    3.6 本章小結(jié)
第四章 WTNN輸出權(quán)重的訓(xùn)練
    4.1 引言
    4.2 WTNN輸出權(quán)重訓(xùn)練方法
    4.3 WTNN輸出權(quán)重的訓(xùn)練
    4.4 本章小結(jié)
第五章 實驗結(jié)果及分析
    5.1 引言
    5.2 數(shù)據(jù)介紹
        5.2.1 太陽能數(shù)據(jù)
        5.2.2 UCI數(shù)據(jù)
    5.3 編程環(huán)境
    5.4 實驗參數(shù)
    5.5 實驗結(jié)果分析
        5.5.1 太陽能數(shù)據(jù)結(jié)果及分析
        5.5.2 UCI數(shù)據(jù)結(jié)果及分析
    5.6 本章小結(jié)
結(jié)論與展望
參考文獻
致謝
個人簡歷
在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文



本文編號：3828118