亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)大壩變形

        2017-08-01 00:21:15蔣園園盧獻(xiàn)健鄭中天劉海鋒
        地理空間信息 2017年7期
        關(guān)鍵詞:小波適應(yīng)度大壩

        蔣園園,盧獻(xiàn)健,鄭中天,劉海鋒

        (1.桂林理工大學(xué) 測(cè)繪地理信息學(xué)院,廣西 桂林541004;2.廣西空間信息與測(cè)繪重點(diǎn)實(shí)驗(yàn)室,廣西 桂林541004)

        基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)大壩變形

        蔣園園1,2,盧獻(xiàn)健1,2,鄭中天1,2,劉海鋒1,2

        (1.桂林理工大學(xué) 測(cè)繪地理信息學(xué)院,廣西 桂林541004;2.廣西空間信息與測(cè)繪重點(diǎn)實(shí)驗(yàn)室,廣西 桂林541004)

        為了提高大壩變形的預(yù)測(cè)精度,提出一種基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)模型。首先通過對(duì)BP神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的替換,彌補(bǔ)了網(wǎng)絡(luò)易收斂于局部極小點(diǎn)的缺陷,增強(qiáng)了函數(shù)逼近能力,進(jìn)而建立了小波神經(jīng)網(wǎng)絡(luò)大壩預(yù)測(cè)模型;再利用該模型對(duì)大壩變形訓(xùn)練集進(jìn)行學(xué)習(xí),并運(yùn)用遺傳算法選取全局最優(yōu)參數(shù)。該方法充分利用了小波神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性預(yù)測(cè)能力和遺傳算法的全局優(yōu)化搜索功能,彌補(bǔ)了BP神經(jīng)網(wǎng)絡(luò)存在的理論缺點(diǎn)。將其與小波神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)進(jìn)行比較,實(shí)驗(yàn)結(jié)果表明該方法具有更優(yōu)的局部預(yù)測(cè)值、更高的全局預(yù)測(cè)精度,適用于復(fù)雜的大壩變形預(yù)測(cè)。

        大壩變形;小波神經(jīng)網(wǎng)絡(luò);遺傳算法;參數(shù)優(yōu)化

        對(duì)大壩變形進(jìn)行預(yù)測(cè),有利于及時(shí)地對(duì)大壩潛在的危險(xiǎn)進(jìn)行排除,然而大壩變形受多種因素影響,變化較復(fù)雜且具有非線性。目前國內(nèi)外已研發(fā)多種模型可用于非線性變化的仿真與預(yù)測(cè),主要包括:支持向量機(jī)模型、灰色預(yù)測(cè)模型、神經(jīng)網(wǎng)絡(luò)模型等[1]。但是單一的模型預(yù)測(cè)精度往往不高,特別是灰色預(yù)測(cè)模型,當(dāng)預(yù)測(cè)非線性數(shù)據(jù)變化時(shí),其精度將大幅降低,不適于預(yù)測(cè)復(fù)雜的大壩變形。在非線性預(yù)測(cè)方面,比較成功的模型是神經(jīng)網(wǎng)絡(luò),其中較為常用的是BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)通常指基于誤差反向傳播算法(BP算法)的多層前向神經(jīng)網(wǎng)絡(luò)[2]。與感知器和線性神經(jīng)網(wǎng)絡(luò)不同的是,BP神經(jīng)網(wǎng)絡(luò)中采用具有閾值特性的Sigmoid函數(shù)作為神經(jīng)元的激發(fā)函數(shù),可實(shí)現(xiàn)輸入與輸出間的任意非線性映射,系統(tǒng)地解決了多層神經(jīng)元網(wǎng)絡(luò)中隱含單元層連接權(quán)的問題。但該方法存在訓(xùn)練速度慢、時(shí)間長(zhǎng)、且很容易陷入局部極小點(diǎn),無法保證每次訓(xùn)練的收斂結(jié)果是最優(yōu)等缺點(diǎn)。為改善BP神經(jīng)網(wǎng)絡(luò)的性能,1992 年 ZHANG Q H[3]等提出了小波神經(jīng)網(wǎng)絡(luò)的概念和算法。小波神經(jīng)網(wǎng)絡(luò)是用非線性小波基取代Sigmoid函數(shù)作為激活函數(shù),利用仿射變換建立小波變換與網(wǎng)絡(luò)系數(shù)之間的連接,并應(yīng)用于函數(shù)逼近,從而縮短了模型的訓(xùn)練時(shí)間,提高了訓(xùn)練速度,有效避免了局部最小。然而小波神經(jīng)網(wǎng)絡(luò)是采用梯度法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化,難以適應(yīng)大壩變形隨機(jī)性和時(shí)變性的特點(diǎn),且存在易陷入局部極小點(diǎn)和引起振蕩效應(yīng)等不足[4]。遺傳算法在搜索中不易陷入局部最優(yōu),能在許多局部較優(yōu)中找多全局最優(yōu)點(diǎn),并沿多種路線進(jìn)行平行搜索,因此利用它來解決小波神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化問題,能較好地彌補(bǔ)梯度法的不足,提高大壩變形的預(yù)測(cè)精度[5-6]。本文將通過數(shù)據(jù)評(píng)估該組合模型的可行性和有效性。

        1 基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

        1.1 小波神經(jīng)網(wǎng)絡(luò)

        小波神經(jīng)網(wǎng)絡(luò)是基于小波分析而構(gòu)造的一類新型前饋網(wǎng)絡(luò),其基本思想是利用小波元代替神經(jīng)元,通過小波分解來建立小波變換與神經(jīng)網(wǎng)絡(luò)的連接。小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定主要是確定隱含層節(jié)點(diǎn)個(gè)數(shù)[7],即在平方可積函數(shù)空間中,選擇小波基函數(shù)個(gè)數(shù)。小波變換是一 種變分辨率的時(shí)頻分析方法,通過尺度伸縮和平移對(duì)信號(hào)進(jìn)行多尺度分析,得到的級(jí)數(shù)具有小波變換一般逼近函數(shù)的性質(zhì)和分類特征,且由于引入了兩個(gè)新參數(shù)變量(伸縮因子和平移因子),使其具有更靈活的函數(shù)逼近能力以及更強(qiáng)的模型識(shí)別能力和容錯(cuò)能力。

        理論上可以證明3層神經(jīng)網(wǎng)絡(luò)即可實(shí)現(xiàn)任意復(fù)雜的非線性映射問題,因此采用一個(gè)隱含層的3層小波神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型,可達(dá)到較好的預(yù)測(cè)精度。3層小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

        圖1 小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

        小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可表示為:

        式中,M為輸入層神經(jīng)元個(gè)數(shù);K為隱含層結(jié)點(diǎn)個(gè)數(shù);N為輸出層神經(jīng)元個(gè)數(shù);xk為輸入層的第k個(gè)輸入神經(jīng)元;yk為輸出層的第k個(gè)輸出神經(jīng)元;Wjk為隱含層節(jié)點(diǎn)j與輸入層節(jié)點(diǎn)k的連接權(quán)值;Wij為輸出層節(jié)點(diǎn)i與隱含層節(jié)點(diǎn)j的連接權(quán)值;aj、bj分別為隱含層節(jié)點(diǎn)j的伸縮和平移系數(shù)。

        小波網(wǎng)絡(luò)中的小波函數(shù)采用的Morlet小波函數(shù),即

        輸出層神經(jīng)元函數(shù)Sigmoid為:

        1.2 基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)

        遺傳算法是一種基于自然選擇和基因遺傳學(xué)原理的優(yōu)化搜索方法,不需要有關(guān)體系的任何先驗(yàn)知識(shí);沿多種路線進(jìn)行平行搜索,不易陷入局部極?。灰材茉谠S多局部較優(yōu)中找到全局最優(yōu)解,且搜索不依賴于梯度信息,是一種全局最優(yōu)化方法。基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)的基本思想是:由于遺傳算法的優(yōu)化過程是在一定編碼機(jī)制的碼空間進(jìn)行的,因此需先選擇編碼方式,再對(duì)小波網(wǎng)絡(luò)中的權(quán)值、伸縮因子和平移因子等參數(shù)進(jìn)行編碼。在N個(gè)遵循這種編碼的染色中,構(gòu)造遺傳算法的初始種群;然后用小波神經(jīng)網(wǎng)絡(luò)對(duì)初始種群進(jìn)行訓(xùn)練,計(jì)算它們的適應(yīng)度函數(shù)值;若達(dá)到最大進(jìn)化代數(shù),則終止循環(huán),若不滿足終止條件則繼續(xù)循環(huán);最后得到適應(yīng)度最大的染色體,繼而轉(zhuǎn)化成相應(yīng)的權(quán)值、閾值以及隱含層節(jié)點(diǎn)的伸縮、平移算子。采用遺傳算法對(duì)小波神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化的步驟為(圖2)。

        1)設(shè)計(jì)染色體編碼方式,即將問題的解用一種碼來表示,使得問題的空間與遺傳算法的碼空間相對(duì)應(yīng),一般采用二進(jìn)制編碼方式。

        2)種群初始化,對(duì)每個(gè)結(jié)構(gòu)對(duì)應(yīng)的小波網(wǎng)絡(luò)中的Wjk、Wij、aj和bj進(jìn)行初始化編碼;確定種群規(guī)模、交叉概率、變異概率、最大進(jìn)化代數(shù);在可行域中選擇p 條染色體,構(gòu)成初始種群。

        3)根據(jù)訓(xùn)練的結(jié)果確定每個(gè)個(gè)體的適應(yīng)度值。適應(yīng)度值函數(shù)公式為:

        4)判斷是否滿足遺傳算法終止條件,滿足則轉(zhuǎn)向步驟8),進(jìn)入小波網(wǎng)絡(luò)優(yōu)化搜索。

        5)選擇優(yōu)秀的個(gè)體進(jìn)行復(fù)制,根據(jù)染色體各自的適應(yīng)度值,判斷染色體是否直接遺傳給下一代。個(gè)體適應(yīng)度值越大,越容易被遺傳給下一代。

        6)交叉,在進(jìn)行交叉運(yùn)算時(shí),采用線性組合的方式。按照一定的概率Pc從復(fù)制過的種群中隨機(jī)選擇兩 個(gè)個(gè)體進(jìn)行交叉,隨機(jī)選擇交叉位置k,交換兩個(gè)基因串位置k右邊的部分,產(chǎn)生兩個(gè)新的個(gè)體。其自適應(yīng)調(diào)整公式為:

        圖2 遺傳算法優(yōu)化BP小波神經(jīng)網(wǎng)絡(luò)流程圖

        式中,k1、k2為取值范圍為[0,1]的常數(shù);fc'為待交叉的兩個(gè)父串中的較大適應(yīng)度值;fmax為種群最大適應(yīng)度值;favg為種群平均適應(yīng)度值。

        7)變異,對(duì)于種群中每個(gè)個(gè)體,以變量概率Pm隨機(jī)改變某一分量的值。

        8)種群是否達(dá)到最大進(jìn)化代數(shù),若未達(dá)到則轉(zhuǎn)向步驟4),否則此時(shí)種群中適應(yīng)度值最大的個(gè)體所對(duì)應(yīng)的目標(biāo)函數(shù)值,即為全局最優(yōu)解。

        9)將最終種群中的最優(yōu)解作為優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)連接權(quán)和伸縮平移因子。

        10)采用最優(yōu)參數(shù)建立基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)模型。

        2 算例分析

        2.1 數(shù)據(jù)來源

        [8]中某大壩水平位移變形監(jiān)測(cè)數(shù)據(jù)為例,基于水平位移監(jiān)測(cè)點(diǎn)20個(gè)周期的沉降量與時(shí)間的曲線圖,根據(jù)其變化趨勢(shì)選取D4的監(jiān)測(cè)點(diǎn)作為計(jì)算對(duì)象(圖3)。

        由圖3可知,1~5期和8~14期該大壩水平位移變化較平穩(wěn),而5~8期和14~20期波動(dòng)幅度大,在第7期達(dá)到峰值后又急劇下降,在14~20期呈非線性增長(zhǎng)趨勢(shì),在第19期達(dá)到本次觀測(cè)的最大峰值為15.6 mm。目前該觀測(cè)區(qū)進(jìn)行了20期觀測(cè),選擇前10 期作為訓(xùn)練樣本,實(shí)現(xiàn)對(duì)小波神經(jīng)網(wǎng)絡(luò)參數(shù)的訓(xùn)練,建立基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)大壩變形預(yù)測(cè)模型;以后10期作為測(cè)試集對(duì)模型性能進(jìn)行檢驗(yàn)。所有實(shí)驗(yàn)均在P4 4核2.4 CPU,4GRAM,Windows7 64位的計(jì)算機(jī)上進(jìn)行,采用Matlab 2010b編程實(shí)現(xiàn)。

        圖3 大壩變形水平位移序列

        2.2 對(duì)比模型及預(yù)測(cè)結(jié)果

        為驗(yàn)證基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)模型在大壩預(yù)測(cè)中的可行性,本文設(shè)計(jì)了3種方案進(jìn)行算例比較:方案1為BP神經(jīng)網(wǎng)絡(luò),方案2為小波神經(jīng)網(wǎng)絡(luò),方案 3為基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)。為了使基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果具有可比性,3種方案均采用傳統(tǒng)的標(biāo)準(zhǔn)模式進(jìn)行對(duì)比實(shí)驗(yàn),小波函數(shù)選擇Morlet小波,訓(xùn)練次數(shù)為60,動(dòng)量因子為0.01,小波隱含層節(jié)點(diǎn)為5;遺傳算法的交叉概率為0.3,變異概率為0.1,最大進(jìn)化代數(shù)為10。待優(yōu)參數(shù)為 aj、bj、Wjk、Wij,因此遺傳算法的個(gè)體維數(shù)為4。為了評(píng)價(jià)模型的預(yù)測(cè)精度,選取平均絕對(duì)值誤差(MAE)、均方根誤差(RMSE)作為評(píng)價(jià)依據(jù)。其計(jì)算公式為:

        BP神經(jīng)網(wǎng)絡(luò)采用傳統(tǒng)標(biāo)準(zhǔn)模型,小波神經(jīng)網(wǎng)絡(luò)采用Morlet小波,基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)種群規(guī)模設(shè)置為10~20期。當(dāng)種群數(shù)量為10時(shí),采用上述參數(shù)設(shè)置的模型進(jìn)行預(yù)測(cè),實(shí)驗(yàn)結(jié)果如表1所示。

        由表1可知,方案1的預(yù)測(cè)精度較低,大部分預(yù)測(cè)值和實(shí)際值偏差較大,16~20期的預(yù)測(cè)結(jié)果尤為明顯。方案1的最大殘差值為-5.03 mm;方案2和方案 3的預(yù)測(cè)精度均較為穩(wěn)定,方案2的最大殘差值為1.59 mm;方案3的預(yù)測(cè)精度明顯高于前兩種方案,最大殘差值為-1.36 mm,最小殘差值為0.01 mm,最大值出現(xiàn)在第19期,其值比往期要大很多,出現(xiàn)了跳變,這是因?yàn)榈?9期的大壩變形值比往期突增了許多,樣本的變化趨勢(shì)在該期不明顯。由于大壩變形預(yù)測(cè)本身具有復(fù)雜性,且預(yù)測(cè)模型存在自身缺點(diǎn),很難做到預(yù)測(cè)趨勢(shì)與實(shí)際變化完全擬合,若要減少第19期的殘差預(yù)測(cè)值,則只能考慮加大學(xué)習(xí)樣本種群,經(jīng)過充分學(xué)習(xí),使之能更完美地與實(shí)際擬合。另一方面,綜合3種模型分析,其殘差最大值均出現(xiàn)在第19期,而在該期方案3仍然是3種方案中預(yù)測(cè)殘差最小的,這說明通過遺傳算法優(yōu)化的效果仍是有效的。綜上所述,對(duì)于非線性波動(dòng)幅度較大的大壩變形序列,BP神經(jīng)網(wǎng)絡(luò)模型未能達(dá)到很好的預(yù)測(cè)結(jié)果,得到的預(yù)測(cè)值相較于方案2和方案3誤差較大。小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度比BP神經(jīng)網(wǎng)絡(luò)提高了很多,但與基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)相比精度較低?;谶z傳算法的小波神經(jīng)網(wǎng)絡(luò)具有更好的逼近效果,在3種模型中預(yù)測(cè)效果最好。此外,在基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)的大壩預(yù)測(cè)建模中,訓(xùn)練的次數(shù)由原來的350次變?yōu)?20次,大大減小了二次優(yōu)化訓(xùn)練的次數(shù),減小了小波神經(jīng)網(wǎng)絡(luò)的計(jì)算復(fù)雜度,提高了收斂速度。

        表1 各模型計(jì)算結(jié)果對(duì)比/mm

        為進(jìn)一步評(píng)定算法的優(yōu)越性,采用RMSE和MAE兩項(xiàng)指標(biāo)進(jìn)行評(píng)定,見表2。

        表2 各模型精度對(duì)比/mm

        由表2可知,BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度最差,RMSE=2.29 mm,MAE=1.63 mm;小波神經(jīng)網(wǎng)絡(luò)的精度優(yōu)于BP神經(jīng)網(wǎng)絡(luò);相較于小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò),基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)對(duì)大壩變形監(jiān)測(cè)的誤差最小,預(yù)測(cè)精度相對(duì)最高,RMSE、MAE分別為0.47 mm和0.23 mm。圖4為3種模型在后10期預(yù)測(cè)中擬合值和實(shí)測(cè)值的曲線圖,可以看出,基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)具有良好的擬合度,其預(yù)測(cè)值更接近大壩變形的實(shí)測(cè)值。由此可見,基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)模型在非線性大壩變形預(yù)測(cè)中具有較高的預(yù)測(cè)精度。

        圖4 基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)和實(shí)際大壩變形曲線

        3 結(jié) 語

        由于大壩變形數(shù)據(jù)具有時(shí)變性和非線性的特點(diǎn),本文將遺傳算法和小波神經(jīng)網(wǎng)絡(luò)相結(jié)合的補(bǔ)償算法引入大壩變形短期預(yù)測(cè)中。經(jīng)理論和算例分析,并與BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比,結(jié)果表明:BP神經(jīng)網(wǎng)絡(luò)由于自身收斂速度慢和容易陷入局部極小值,難以解決復(fù)雜的非線性變化;小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)較為接近,說明小波神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性預(yù)測(cè)能力。本文在小波神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上引入遺傳算法,先利用遺傳算法的全局搜索能力找出小波神經(jīng)網(wǎng)絡(luò)優(yōu)化的初始權(quán)值和閾值,再用神經(jīng)網(wǎng)絡(luò)精確求解,克服了梯度法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化的缺點(diǎn)以及實(shí)驗(yàn)數(shù)據(jù)易陷入局部極小點(diǎn)和引起振蕩效應(yīng)等不足;且預(yù)測(cè)精度優(yōu)于前兩種模型,說明該模型在處理大壩變形數(shù)據(jù)時(shí)具有較高的精確度和擬合度。

        參考文獻(xiàn)

        [1]任超,梁月吉,龐光鋒,等.基于灰色最小二乘支持向量機(jī)的大壩變形預(yù)測(cè)[J].大地測(cè)量與地球動(dòng)力學(xué),2015,35(4):608-612

        [2]羅勝琪. BP 算法的改進(jìn)與性能分析[J].中國科技博覽, 2011(33):408-409

        [3]ZHANG Q H, Benveniste A. Wavelet Networks[J]. IEEE Transactions on Neural Networks,1992,3(6):889-898

        [4]趙學(xué)智,鄒春華,陳統(tǒng)堅(jiān),等.小波神經(jīng)網(wǎng)絡(luò)的參數(shù)初始化研究[J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2003(2):77-79

        [5]李華昌,謝淑蘭,易忠勝.遺傳算法的原理與應(yīng)用[J].礦冶, 2005,14(1):87-90

        [6]梁月吉,任超,劉立龍,等.基于EMD和GA-BP神經(jīng)網(wǎng)絡(luò)的大壩變形預(yù)測(cè)[J].桂林理工大學(xué)學(xué)報(bào),2015,35(1):111-116

        [7]馬文靜.基于遺傳算法小波神經(jīng)網(wǎng)絡(luò)的電力變壓器故障診斷[J].自動(dòng)化技術(shù)與應(yīng)用,2008,27(12):17-19

        [8]焦明連,蔣廷臣.基于小波分析的灰色預(yù)測(cè)模型在大壩安全監(jiān)測(cè)中的應(yīng)用[J].大地測(cè)量與地球動(dòng)力學(xué),2009,29(2):115-117

        P258

        B

        1672-4623(2017)07-0099-03

        10.3969/j.issn.1672-4623.2017.07.030

        蔣園園,碩士研究生,主要從事GPS高精度數(shù)據(jù)處理研究工作。

        2016-04-20。

        項(xiàng)目來源:國家自然科學(xué)基金資助項(xiàng)目(41461089);廣西自然科學(xué)基金資助項(xiàng)目(2014GXNSFAA118288);廣西“八桂學(xué)者”崗位專項(xiàng)經(jīng)費(fèi)資助項(xiàng)目;廣西空間信息與測(cè)繪重點(diǎn)實(shí)驗(yàn)室基金資助項(xiàng)目(桂科能1207115-07、桂科能130511407)。

        猜你喜歡
        小波適應(yīng)度大壩
        改進(jìn)的自適應(yīng)復(fù)制、交叉和突變遺傳算法
        構(gòu)造Daubechies小波的一些注記
        基于MATLAB的小波降噪研究
        電子制作(2019年13期)2020-01-14 03:15:32
        大壩:力與美的展現(xiàn)
        基于改進(jìn)的G-SVS LMS 與冗余提升小波的滾動(dòng)軸承故障診斷
        幫海貍建一座大壩
        大壩
        基于空調(diào)導(dǎo)風(fēng)板成型工藝的Kriging模型適應(yīng)度研究
        中國塑料(2016年11期)2016-04-16 05:26:02
        基于FPGA小波變換核的設(shè)計(jì)
        少數(shù)民族大學(xué)生文化適應(yīng)度調(diào)查
        精品女同一区二区三区免费战| 在线观看国产内射视频| 日韩女优中文字幕在线| 亚洲成人一区二区三区不卡| 18岁日韩内射颜射午夜久久成人| 中文字幕亚洲欧美日韩2019| 乱中年女人伦av三区| av免费在线手机观看| 成年人观看视频在线播放| 国产av无码专区亚洲av中文| 亚洲精品免费专区| 日韩少妇人妻一区二区| 中国男男女在线免费av| 狠狠色噜噜狠狠狠777米奇小说| 亚洲人成网站免费播放| 欧美xxxxx精品| 杨幂一区二区系列在线| 日本少妇高潮喷水xxxxxxx| 久久久无码一区二区三区| 日韩人妻无码精品系列专区无遮| 国产69精品麻豆久久| 国产精品精品自在线拍| 黄 色 人 成 网 站 免 费| 日本一区二区不卡超清在线播放| 少妇太爽了在线观看免费| 大地资源在线观看官网第三页| 欧美日韩国产成人高清视| 一区二区三区四区在线观看视频| 在线观看 国产一区二区三区| 国产免费av片无码永久免费| 成人精品一级毛片| 亚洲国产av午夜福利精品一区| 色欲一区二区三区精品a片| 无码人妻黑人中文字幕| 精品一区二区三区在线视频观看| 亚洲女同系列在线观看| 少妇人妻精品一区二区三区| 亚洲精品中文字幕无乱码麻豆| 日韩精品中文字幕免费人妻| 国产成人91久久麻豆视频| 韩国无码av片在线观看网站|