6、软计算中的小波：从遗传算法到火灾检测及样条小波应用

软计算中的小波：从遗传算法到火灾检测及样条小波应用

1. 遗传算法在小波系数选择及相关应用

在软计算领域，小波系数的选择常借助遗传搜索实现。Chalermwat（1999）将相关方法用于图像配准，Liao（1998）则用于纹理分类。

遗传算法在诸多场景中都有广泛应用。在梯度下降并非最优的问题里，它常被用于优化神经网络或多个神经网络组成的系统。因此，用遗传算法优化小波网络取得一定成功也就不足为奇了（Yang，1997）。

混合方法结合遗传算法和多分辨率分析，已在金融趋势分析中得到测试。以下是两个例子：
- 股票趋势预测 ：Kishikawa（2000）通过遗传算法优化隶属函数，设计了一个用于预测股票趋势的模糊推理系统。该系统基于对过去数据的多分辨率分析来预测趋势。
- 汇率预测 ：此方法利用神经网络预测未来汇率。网络效率取决于输入数据质量，数据通过小波阈值法去噪预处理（见1.7.3）。寻找合适的小波去噪阈值方法是重要且困难的问题，在该应用中，阈值通过遗传算法选择（Taeksoo Shin，2000）。

遗传算法在多分辨率分析相关领域，尤其是多目标优化和搜索问题，或对可能解空间有强约束的情况下，将有更多应用。并且，遗传和进化计算的部分本质常可用多分辨率语言表达。

2. 多分辨率和模糊逻辑在火灾检测中的应用

多年来，烟雾探测器一直受“误报”问题困扰（Thuillard，1994）。近年来，由于更可靠的组件、更好的报警组织以及低价优质微处理器的出现，情况有了显著改善。随着更复杂算法的开发，信号处理在烟雾探测器中的作用日益重要，模糊