导读:本文包含了量子小波神经网络论文开题报告文献综述及选题提纲参考文献，主要关键词:电流检测,诊断,算法,低压电网
量子小波神经网络论文文献综述
关海鸥,刘梦,李春兰,杜松怀,李伟凯[1]（2018）在《基于小波包变换和量子神经网络的触电故障类型识别模型》一文中研究指出针对农村低压电网中广泛应用的剩余电流保护装置,只能检测到剩余电流有效值的大小作为唯一动作判据,不能自动识别剩余电流与触电故障类型之间所具有的非线性映射规律的难题,提出了一种基于小波包变换和量子神经网络的触电故障类型识别模型。首先应用小波包变换明确了生物体触电故障时,剩余电流中312.475 Hz以下低频带的能量谱波动明显,其中39.062 5~78.125 Hz和119.2~156.25 Hz两频带的波动幅度达9.05和9.00,提取了剩余电流的小波包能量谱8维度特征向量,同时应用特征频带能量占有比之差的平均变化率,实现了生物体发生触电故障的准确检测。然后以小波包能量特征向量为有效信息源,利用量子计算的态迭加思想和神经网络计算的自适应性结合,建立了一种量子神经网络作为触电故障类型识别模型,该网络采用多个量子能级的量子神经元,在学习1 437次时误差精度达到0.000 998 92,快速高效地实现了触电故障类型的识别,其仿真试验准确率达100%。该研究对于研发新一代基于生物体触电电流分量动作的自适应型剩余电流保护装置具有重要的参考价值。(本文来源于《农业工程学报》期刊2018年05期）
孟飞,兰巨龙,胡宇翔[2]（2015）在《基于改进的量子粒子群优化小波神经网络的网络流量预测》一文中研究指出为了改善小波神经网络(WNN)进行流量预测的性能及避免量子粒子群算法(QPSO)搜索后期的早熟收敛缺陷,提出了一种改进的QPSO。该算法定义粒子群聚拢度,改进收缩—扩张系数使其表示为聚拢度的函数并服从随机分布,以使粒子群具有动态自适应性,避免陷入局部最优,并通过搜索使用WNN待优化参数编码位置向量的粒子群的全局最优位置来实现目标参数的优化,使用本算法优化WNN参数,建立了基于改进的QPSO优化WNN的网络流量预测模型。使用真实网络流量通过两组对比实验对其预测精度进行验证,证明了该方法的可用性。实验结果表明,该方法的预测精度优于WNN和QPSO-WNN方法。(本文来源于《计算机应用研究》期刊2015年05期）
银俊成[3]（2013）在《量子信道与量子小波神经网络相关问题研究》一文中研究指出本文应用算子论与矩阵方法,通过对量子信道刻画、小波保持子、Hilbert空间中的框架膨胀、小波神经网络插值问题的讨论,提出并研究了量子小波神经网络模型。主要作了如下四方面的工作：第一部分是关于量子信道刻画的研究.量子信道定义为保迹的完全正映射.本文利用算子论以及矩阵论的方法,给出完全正映射的两个重要性质,作为推论得到了深刻揭示完全正映射本质的Stinespring膨胀定理,建立了任意两个C*-代数之间完全正映射的表示定理,并且给出了一族C*-代数到同一个Hilbert空间上的表示.第二部分是关于小波保持子与Hilbert空间中的框架膨胀的研究.讨论了可分无限维复Hilbert空间中框架、ω-独立框架以及Riesz基之间的关系,得出框架膨胀的充分条件以及Riesz基膨胀的充要条件.研究了小波的运算性质与保持小波的算子的性质(保持问题),主要结果为：(1)研究了函数空间L2(R)中的全体小波(母小波)构成的集合的代数性质,证明了(0与小波之集)在数乘、加法及卷积运算下是封闭的,进而形成一个交换赋范代数.(2)研究了L2(R)上将小波映射为小波的有界线性算子(称为小波保持子),证明了这些算子的全体WP(L2(R))构成一个含幺乘法半群.(3)研究了L2(R)上将小波映射为小波或0函数的有界线性算子(称为广义小波保持子),证明了这些算子的全体GWP(L2(R))构成了Banach算子代数B(L2(R))的一个含幺赋范子代数.(4)给出了L2(R)上有界线性算子成为小波保持子的一个充分条件.第叁部分是关于小波神经网络插值问题的研究.对于给定的一维插值样本,使用一元连续小波函数作为激活函数,构造了一元单隐层前向神经网络(称为小波神经网络).在一定条件下,证明了一元精确插值小波神经网络的存在性,构造了近似插值小波神经网络,给出了精确插值和近似插值小波神经网络之间的偏差估计.对于多元情况,通过对插值节点作内积处理后,借助一维空间中的方法,建立了多元精确插值与近似插值小波神经网络,并给出了两者之间的偏差估计.第四部分是关于量子小波神经网络模型及其插值问题的研究.研究了基于通用量子门的量子神经元模型以及量子感知机神经网络模型,给出了量子BP神经网络模型连续性的一个刻画.以一元连续小波函数作为激活函数建立了量子小波神经网络.将样本的实值描述转换为量子态描述后,进一步研究了量子小波神经网络的插值问题.(本文来源于《陕西师范大学》期刊2013-05-01）
潘玉民,张晓宇,张全柱,薛鹏骞[4]（2012）在《基于量子粒子群优化的小波神经网络预测模型》一文中研究指出针对矿井瓦斯涌出量多因素预测问题,提出了一种基于量子粒子群优化(QPSO)算法的小波神经网络预测模型.该模型利用了小波神经网络的特征提取能力,并以QPSO算法确定小波网络的最优初始参数.仿真结果表明,优化后的小波神经网络(WNN)预测模型具有收敛速度快、拟合能力强、预测精度高以及预测结果唯一等优点.同时采用数据对比,分析了网络预测结果不稳定的原因、网络训练精度和预测精度之间的矛盾,给出了决定模型预测能力的关键因素以及评价方法.(本文来源于《信息与控制》期刊2012年06期）
李云红,谭阳红[5]（2009）在《基于小波包与量子神经网络的容差模拟电路的软故障诊断》一文中研究指出提出了基于小波包与量子神经网络的容差模拟电路的软故障诊断,将故障的不确定性数据合理地分配到各类中,减少了故障检测的不确定度,提高了故障检测的诊断率,克服了BP在模糊分类方面的局限性.实验证明,采用QNN与自适应BP神经网络相比,故障诊断率可提高11.89%.(本文来源于《微电子学与计算机》期刊2009年05期）
周传华,钱锋[6]（2008）在《基于改进量子遗传算法的小波神经网络优化及其软测量应用》一文中研究指出针对简单量子遗传算法在优化高维问题寻优速度慢、收敛率低的缺陷,提出一种改进的量子遗传算法,通过搜索各种群中最优染色体组成当前最优个体,并依此个体来确定量子门的全局最优搜索方向。将改进算法用于优化小波神经网络,藉此建立了4-CBA浓度的软测量模型。仿真结果表明:与简单量子遗传算法相比,改进算法对复杂优化问题具有全局快速寻优性能。(本文来源于《华东理工大学学报(自然科学版)》期刊2008年06期）
李云红,谭阳红,龙波华[7]（2008）在《基于小波与量子神经网络的容差模拟电路的软故障诊断》一文中研究指出量子神经网络(Quantum Neural Network,简称QNN)的隐层神经元采用多层激励函数,具有一种固有的模糊性,能将决策的不确定性数据合理地分配到各模式中,从而减少模式识别的不确定度,提高模式识别的准确性.笔者提出了基于小波与量子神经网络的容差模拟电路的软故障诊断,实验仿真分析表明:该诊断方法正确率可提高2478%,从而提高了故障诊断的正确性.(本文来源于《吉首大学学报(自然科学版)》期刊2008年04期）
杨琴,彭力[8]（2008）在《基于量子小波神经网络的传动装置模式识别》一文中研究指出针对传统神经网络收敛精度低,以及用于故障模式识别能力差的问题,提出了将量子神经网络与小波理论相结合的量子小波神经网络模型。该模型隐层量子神经元采用小波基函数的线性迭加作为激励函数,给出了网络学习算法,并以某型传动装置监测信号的小波能量谱为训练样本,识别传动装置带有缺损的齿轮故障征兆。仿真结果表明,量子小波神经网络能够提高神经网络训练精度和故障征兆识别精度。(本文来源于《自动化仪表》期刊2008年06期）
杨琴[9]（2008）在《基于量子小波神经网络的漏钢预报系统研究》一文中研究指出漏钢事故是连铸过程中最典型的事故,它损坏设备,降低作业率,破坏生产组织的均衡。为了避免或减少漏钢事故的发生,国际上目前主要的研究方向有两个,漏钢机理的研究和漏钢预报技术的研究。论文首先阐述了连铸粘结性漏钢事故的产生机理,并由此引出进行漏钢预报的必要性。国内外漏钢预报系统的研究现状表明,神经网络漏钢预报系统替代早期的逻辑判断系统已成为一种趋势。作者对热电偶检测漏钢预报方法、预报原理进行了深入研究,粘结性漏钢预报的过程实际是运用神经网络对结晶器上热电偶检测的温度波形进行模式识别的过程——识别具有漏钢征兆的波形。为了提高漏钢预报系统波形模式识别的精确性,作者对传统神经网络进行了研究,提出了量子小波神经网络模型,实验证明该模型在模式识别方面有很大优势。量子小波神经网络模型的隐层量子神经元采用小波基函数的线性迭加作为激励函数,这样的隐层神经元既能表示更多的状态和量级,又能提高网络收敛精度和速度。它能将决策的不确定性数据合理地分配到各模式中,从而减少模式识别的不确定度,提高模式识别的准确性。同时论文给出了量子小波神经网络的学习算法。本课题在研究的过程中主要取得了如下成果:1.在研究了量子神经网络和小波神经网络的基础上,提出了在模式识别方面比较有效的量子小波神经网络模型及算法,并通过在传动装置齿轮故障模式识别和漏钢预报波形模式识别中的应用,验证了该算法的有效性。2.漏钢预报系统的研究中,结晶器热电偶采集的样本温度数据不能直接作为神经网络的输入数据,论文结合漏钢事件发生时,温度变化过程的特殊性,提出了一种应用于漏钢预报的温度数据预处理方法,该方法将温度数据压缩为[0,1]内的6类值。3.为了提高漏钢预报系统的精确性,神经网络的训练需要大量的样本温度数据,但由于连铸现场环境极其复杂,加之漏钢过后,对漏钢事件发生时的温度数据的保存不够,以致难以获取大量的样本数据。结合论文中提出数据预处理方法,针对漏钢温度样本数据不足的问题,提出了一种基于概率统计的温度数据样本集获取方法。4.研究了预报系统的单偶网络、多偶网络预报模型,用Matlab6.5编程训练了基于量子小波神经网络的漏钢预报系统,并在Windows的操作平台上,采用简单、实用、编程方便的Visual C++软件进行界面的设计,开发了基于量子小波神经网络的可视化漏钢预报系统。实验证明,采用基于量子小波神经网络实现的漏钢预报系统进行漏钢预报,能够提高预报精度。(本文来源于《江南大学》期刊2008-06-01）
杨琴,彭力[10]（2008）在《量子小波神经网络及其在漏钢预报中的应用》一文中研究指出针对传统神经网络收敛速度慢,收敛精度低,以及用于模式识别泛化能力差的问题。提出了将量子神经网络与小波理论相结合的量子小波神经网络模型。该模型隐层量子神经元采用小波基函数的线性迭加作为激励函数,称之为多层小波激励函数,这样隐层神经元既能表示更多的状态和量级,又能提高网络收敛精度和速度。给出了网络学习算法。并以之在漏钢预报波形识别中的应用验证了该模型和学习算法的有效性。(本文来源于《计算机工程与应用》期刊2008年15期）
量子小波神经网络论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了改善小波神经网络(WNN)进行流量预测的性能及避免量子粒子群算法(QPSO)搜索后期的早熟收敛缺陷,提出了一种改进的QPSO。该算法定义粒子群聚拢度,改进收缩—扩张系数使其表示为聚拢度的函数并服从随机分布,以使粒子群具有动态自适应性,避免陷入局部最优,并通过搜索使用WNN待优化参数编码位置向量的粒子群的全局最优位置来实现目标参数的优化,使用本算法优化WNN参数,建立了基于改进的QPSO优化WNN的网络流量预测模型。使用真实网络流量通过两组对比实验对其预测精度进行验证,证明了该方法的可用性。实验结果表明,该方法的预测精度优于WNN和QPSO-WNN方法。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
量子小波神经网络论文参考文献
[1].关海鸥,刘梦,李春兰,杜松怀,李伟凯.基于小波包变换和量子神经网络的触电故障类型识别模型[J].农业工程学报.2018
[2].孟飞,兰巨龙,胡宇翔.基于改进的量子粒子群优化小波神经网络的网络流量预测[J].计算机应用研究.2015
[3].银俊成.量子信道与量子小波神经网络相关问题研究[D].陕西师范大学.2013
[4].潘玉民,张晓宇,张全柱,薛鹏骞.基于量子粒子群优化的小波神经网络预测模型[J].信息与控制.2012
[5].李云红,谭阳红.基于小波包与量子神经网络的容差模拟电路的软故障诊断[J].微电子学与计算机.2009
[6].周传华,钱锋.基于改进量子遗传算法的小波神经网络优化及其软测量应用[J].华东理工大学学报(自然科学版).2008
[7].李云红,谭阳红,龙波华.基于小波与量子神经网络的容差模拟电路的软故障诊断[J].吉首大学学报(自然科学版).2008
[8].杨琴,彭力.基于量子小波神经网络的传动装置模式识别[J].自动化仪表.2008
[9].杨琴.基于量子小波神经网络的漏钢预报系统研究[D].江南大学.2008
[10].杨琴,彭力.量子小波神经网络及其在漏钢预报中的应用[J].计算机工程与应用.2008