一种用于信号分析和识别的优化小波网络研究.pdfVIP

中国第十六届电路与系统学术会议论文集 一种用于信号分析与识别的优化小波网络研究 jj彬谢平车宇波 【燕山太学秦皇岛066004) 摘要：本丈提出了—种俄』b卜蝴悭网络算法．首先绔出了小枷忪网熔钟构造模型和学习机桃同时针对多输 八输出问题带来的网络规模增走、牧敛i圭嚏幔等问题．提出了—种可在网络训练过程中根据误差衰减自适应调整学 习参数的{¨匕卜渡网络。能健小神经元数目明显减少从而简化黠冲q扣速牧敛的方法．仿真实岳怔明了奉主方法的有 效挂． 关犍词：模式识别4,,D4e。小波网络小庇元寻优参数自整定 1．引言 模式识别是信息科学中近H．十年发展最为迅速的学科之一。在这其中，以非平稳信号的分析与识 别令人关注。将小渡分析和人工神经网络结合而提出的小波网络是以研究模式识别中非平稳信号为着 眼点的，这是由于小波神经网络既具有神经网络的学习能力、泛化能力及非线性映射能力．又可有小 波变换的多尺度时频分析手段和具有良好逼近睁眭，固而非常适用于解决函女踺【i丘、系统料赠争镕拭 识别问题。 本文针对多输^多输出带来的网络规模增大、收敛速度匿等问题，在已有文商妒川的基础E，提 出了一种在网络训练过程采用自适应的方法选取最少小波基元，同时自适应调整权值学习参数的优化 小波网络及_lI练方法，仿真结果证明该网络可进—步简化网络结构、加速收敛，同时具有较好的识别 准确率。 2．小波神经网络结构 构造离散正交小波网络，由离散小波变换原型q：选定母小波函数m(z)∈L2(R)．使其满足容 许景彤1I 广口一怙(口)l。d口(。 (1) 其中庐(叮)为妒(x) Fourier变换，再对≯(x)作伸缩、平移变换．得小波基函数系饥。j， 其中 2 (m，rt)∈Z (2) 中。。(工)=ao-”／2中(日。一“x—nbo) 构造‰，j，使之构成肺舾州空间的—铲紧支撑正交基，并适当选俐申舅秤移参数吼、‰，(-- 般定义a。=2，bo=1)。对于紧支撑正交小破的存在J皑2及其构造的“多分辨分析”嘲已在理论上得 到证明，本文选择正交离散小波函数构造网络，这是因为正交离散小波除具有—般小波变换的特点外， 在实明模式识别时还有以下优点：1T可以进行任意精度的逼近一非线性特性，以突出反映信号的变化 过程：2)消除了小波空间任意两点之间因冗余造成关联而带来的特征不清晰：3)离散小渡变换是以离 散的方式改变时频窗宽度，更适合在计算机E实现：网络权系数线性分布和学习目标函数的凸性．使 网络V1l练过程从根本t避免了局部晟优等非线性优化问题。 为不失一般性，我们以—个m维输入n维输出的系统为例，即为厂：R“斗R”来表示． 其可分解为n个，：R”-+R，O=1,2，…，月)的映射。小波网络的学习问题就是对于给定的训练数据 集‰=p，，，(，，)Vi=1,2，．，M)，寻求f的最优估计f=g(t)，使其能充分逼近函数 ，(x，)。有小波理t学1可知，当mi擞够大时，g(o)可以任意精度逼近函数f(o)： f(x)=∑(‰。(工)，，)％。(砷 (3) 刘纯 谢平李宇波，～种用于信号分析与识别的优化小波刚络研究 囡此网络方程可表示为n： ％ Z(f)_∑w，∥。(∑h(小0，) (4) J=I 式(5)可以用图1所示的三层小波网络来实现，其中Ⅳ。表示K个输入分量．y．表示1个输出分 量．w．，表示隐层第，个单元到输出层第f个单元的瞄接权，激活函数丸。(·)为离}#征交4／g，占．表 示隐层第f个神经元的闽值量+由尺度和位移参数日，、b，决定。依据离散正交小波网络理划q，利 用正交小|蠹基良好的时—频分辨性能，构j告出一系列低通滤波器组及高通滤波器组。这样可以保证先 在粗分辨率F(尺度函数埘信号进行逼近，而后当信号剧烈突变时，又有足够的网络分辨尺度来保证 逼