小波变换—BP 神经网络的农产品价格预测研究

【目的】农产品价格变动关乎国计民生,由于农产品的价格受到多方面因素的共同影响,其价格预测也一直是研究中的难点。只有充分分析农产品价格的变化趋势才能提高价格预测精度,更好地指引农产品产业健康发展。【方法】文章以菠菜、大白菜、番茄、辣椒和马铃薯5种蔬菜为研究对象,基于2013年1月至2018年12月共72组月度价格数据,研究农产品价格变动趋势,并基于小波变换和BP神经网络构建农产品价格组合预测模型。首先利用小波变换对价格进行db5的3尺度分解,其次采用BP神经网络模型对分解出的趋势部分和细节部分分别进行预测,最后对各分量的预测结果进行组合重构。【结果】采用预测精度指标对5种蔬菜的价格预测结果进行评价分析,其平均绝对误差最小值为0.083元/kg,平均百分比误差最小为3.95%,均方根误差最小值为0.102。【结论】将小波变换和BP神经网络结合起来的组合预测模型具有较好的农产品价格预测性能,该组合方法能适应多种蔬菜的价格预测,具有普适性。但农产品价格波动幅度和强度会对该模型的预测精度产生影响。     

基于混合学习算法的模糊小波神经网络控制

采用小波函数作为模糊隶属函数,将模糊控制与神经网络相结合,利用神经网络实现模糊推理.针对BP算法易陷入局部极值点的缺点和简单遗传算法局部搜索能力差的不足,提出了一种混合学习算法,即首先利用遗传算法全局搜索的特点来离线优化神经网络的参数,再利用BP算法较强的局部搜索能力对网络参数进行在线调整.仿真结果表明,该网络能对不同的对象实施有效控制,且具有快速、适应性强等特点.     

Hartley变换小波研究

介绍Hartley变换的定义、基本性质,提出一种用有限和无限多个尺度完全可调制的正弦和余弦类型的小波作为窗口函数来表示Hartley变换的观点,弥补了窗口Hartley变换依赖于窗口宽度这一缺陷,将其与小波分析联系起来。     

小波神经网络在模拟电路故障诊断中的应用研究

对模拟电路提出了一种基于小波与神经网络辅助式结合的故障诊断方法．该方法用小波变换作为模拟电路故障信号的预处理器，大大减少神经网络的输入数目，简化神经网络结构和减少它的训练时间，提高辨识故障能力．在介绍该故障诊断方法的基本原理后。给出了小波函数及故障特征选择的方法．     

基于小波变换的图像融合方法研究

采用小波变换的多分辨率分析技术进行图像融合,将图像信息分解成低频和高频两部分,通过融合算法,将图像数据重构成一幅信息完整的新图像.仿真实验表明,采用本算法融合后的图像更符合客观实际,图像数据信息丰富.     

基于连续小波变换的土壤有机质含量高光谱反演

以托克托县境内120个土壤有机质含量以及对应光谱数据为数据源,探究了不同土壤类型与土地利用类型下土壤有机质高光谱反演研究的可行性,采用连续小波变换对原始光谱（R）、光谱倒数（1/R）、光谱对数（LnR）、光谱一阶微分（R′）进行分解生成小波系数并与土壤有机质进行相关系分析,提取特征波段建立BP神经网络与支持向量机模型（SVM）。结果表明：①R、1/R、LnR、R′与土壤有机质相关系数经过连续小波变换后,较之前增加了0.204、0.090、0.199、0.252,表明连续小波变换可深度挖掘光谱潜在信息,提升与有机质含量之间的相关系数。②未经过连续小波处理前,SVM无法实现对当地土壤有机质含量的预测,经过处理后,模型SVM-CWT-R与SVM-CWT-R′的精度决定系数分别达到了050、0.56,均方根误差为0.17、0.15,相对分析误差为1.62、1.53,实现了对土壤有机质的有效估算。③经过连续小波变换后BP神经网络预测模型结果得到提升,其中BP-CWT-LnR预测模型效果最佳,精度决定系数达到0.76,较之前BP-LnR提升了0.2;均方根误差达到015,降低0.04;相对分析误差为2.12,增加了0.87。因此利用BP-CWT-LnR高光谱反演模型进行区域土壤有机质遥感监测,可为当今精准农业提供理论参考与技术支持。     

基于小波神经网络的视频图像恢复

对于视频图像序列中的部分退化帧的恢复,提出利用清晰的相邻帧数据恢复得到背景信息,然后采用小波神经网络来逼近,求出退化图像背景恢复到原始图像背景的非线性影射关系,从而由退化帧恢复得到原始图像比较清晰的前景对象和背景边缘信息。该小波神经网络模型既考虑了相邻帧的信息,也利用了退化帧本身的数据。对比试验证明了本方案具有较好的恢复效果。     

一种基于小波变换的医学图像融合算法的研究

研究并实现了一种基于小波变换的医学图像融合的算法。详细地描述了该算法的原理和步骤,给出了算法流程框图。试验结果表明该算法达到了预期的效果。     

基于小波变换的图像融合算法的实现

图像融合技术能综合多幅图像满足人们要求,日益受到研究者的重视,现已广泛应用于医学、遥感、计算机视觉以及其他领域。有效实用的融合算法是进行图像融合的关键。文章着重讨论了基于小波变换的融合方法(基于像素的融合规则)及其实现方式,经仿真取得很好的效果。     

小波变换在遥感数字图像处理中的作用

本文简要介绍了小波的基本概念、特点,以及小波变换在数字图像压缩、图像降嗓、图像增强以及影像融合等遥感数字图像处理中的作用和研究现况。此外,还实现了在Matlab语言环境下图像处理。在文章的最后,对小波在遥感影像分析中的应用趋势,以及一些尚待解决和进一步研究的问题进行了探讨。     

基于小波变换的图像压缩方法研究

图像压缩是为适应特殊应用场合或为得到一个较好的视觉效果,例如突出某些细节,常常需要一种可以有效改变已有图像大小的方法,使图像压缩后仍然有较高的质量。本文采用一维小波变换和二维小波变换方法,将图像信息分解成低频和高频两部分,通过压缩算法,将图像数据重构成一幅信息完整的新图像。实验表明,采用本算法压缩后的新图像符合客观实际,图像数据信息丰富。     

数字图像处理技术中小波变换的应用研究

数字图像处理技术的发展,使小波变换成为数字图像处理技术中的典型方法之一,本文通过对小波变换在信号分析中的两种类型进行探讨,对Mallat算法在离散小波变换计算中的基本思想进行了分析,在此基础上对数字图像处理技术中小波变换在图像压缩、图像去噪、图像增强及图像融合这四个方面的具体应用进行了深入的研究,最后利用Matlab软件对小波变换在数字图像处理技术中的应用效果进行了仿真验证。仿真结果表明,在数字图像处理中,小波变换具备实用性强、应用效果好、操作便捷等优势,是数字图像处理技术中一种行之有效的处理方法。     

一种基于中值滤波和小波变换的图像去噪算法研究

针对同时含有脉冲噪声和高斯噪声的混合含噪图像特点,结合自适应中值滤波和小波变换的阈值滤波的各自优点,提出了一种基于中值滤波和小波变换阈值去噪相结合的图像去噪方法,即先对图像进行自适应中值滤波去除脉冲噪声,然后利用小波变换去除剩余的高斯噪声.实验表明：该方法能在有效去除混合噪声的同时,较好地保持边缘和细节信息.     

小波和傅里叶相融合的彩色木材图像增强

针对现实生活中彩色图像普遍存在不清晰和对比度差的情况,在RGB模型上提出了一种新的彩色图像增强算法,并且应用到了木材图像领域。将彩色木材图像分解为RGB3个通道,首先使用滤波器把3个通道分别分解成高低频子带;然后使用傅立叶变换和小波变换相融合的方式进行锯齿检测,同时进行阈值判断;之后对检测到的锯齿进行消除,低频子带使用方向自适应滤波器,高频子带使用小波收缩函数进行消除;再使用小波逆变换返回3个通道;最后将3个通道还原成彩色图像。结果表明,该方法和传统方法相比较,可以有效保持图像的边缘特征,达到增强效果。以樟子松微观横截面为例,峰值信噪比PSNR提高了5.05,信息熵提高了3.14。本研究同时采集了榆木微观横截面、杨木宏观横截面和云杉微观横截面,其图像均得到增强。     

基于提升小波变换的火灾图像识别

基于提升算法的小波变换具有算法简单、运算速度快、占用存储空间小的特点[1,2].针对火灾图像实时性强、火焰边缘含有大量火灾特征信息等特点,结合图像处理技术和小波分析理论,提出基于提升小波变换的火灾图像识别方法.运用小波提升算法提取视频帧图像的边缘,通过火焰面积判据和火焰尖角判据识别是否有火灾发生,实验证明基于提升小波变换的火灾图像识别方法准确性高,实时性强.     

粗集神经网络在图像融合滤波中的应用研究

传统的或改进型的中值滤波器,很难在图像噪声滤除和细节保留两方面兼顾与平衡.本文基于粗神经元构建了一种粗集神经网络,该粗集神经网络对5×5中值滤波器和多级FIR中值混合滤波器MFMHF(Multilevel FIR-Median Hybrid Filter)的处理结果进行融合.由于粗神经元的不可微性,BP算法不再适用,因此本文采用遗传算法GA来进行网络权值的学习,同时融入具有局部搜索能力的爬山法改善了进化后期的计算效率.仿真试验表明,粗集神经网络在图像融合滤波方面的性能优于BP网络和一般的中值滤波器.     

基于小波变换的图像融合算法

图像融合技术的研究目的就是综合不同类型的传感器所获取的图像信息,通过对多幅图像间冗余数据的处理提高图像的可靠性和可观察性,通过对多幅图像间互补信息的处理提高图像的效果。提出了一种基于小波的融合算法,该算法基于小波图像的能量集中在低频子带、细节体现在高频子带的特点,在低频部分对小波系数采用基于局部能量的加权融合方法处理,高频部分采用基于边缘信息的加权算法进行融合。结果表明:所采用的方法避免了图像融合过程中因平均化而出现的模糊现象,融合后的图像内容更加清晰,更容易识别。实践证明,基于小波变换的图像融合可以取得良好的结果和较快的处理速度。