小波神经网络原理及其应用汇总.pptVIP

X ?(s,t) x(t) × Inner product 0 连续小波---运算过程示意图 X ?(s,t) x(t) × Inner product 连续小波---运算过程示意图 X ?(s,t) x(t) × Inner product 连续小波---运算过程示意图 X ?(s,t) x(t) × Inner product 连续小波---运算过程示意图 X ?(s,t) x(t) × Inner product 连续小波---运算过程示意图 * 5.小波变换的应用领域 事实上小波分析的应用领域十分广泛，它包括：数学领域的许多学科；信号分析、图象处理；量子力学、理论物理；军事电子对抗与武器的智能化；计算机分类与识别，音乐与语言的人工合成；医学成像与诊断；地震勘探数据处理；大型机械的故障诊断等方面。 * 6.小波分析应用前景 （1） 瞬态信号或图像的突变点常包含有很重要的故障信息，例如，机械故障、电力系统故障、脑电图、心电图中的异常、地下目标的位置及形状等，都对应于测试信号的突变点。因此，小波分析在故障检测和信号的多尺度边缘特征提取方面的应用具有广泛的应用前景。 　　 （2） 神经网络与小波分析相结合，分形几何与小波分析相结合是国际上研究的热点之一。基于神经网络的智能处理技术，模糊计算、进化计算与神经网络结合的研究，没有小波理论的嵌入很难取得突破。非线性科学的研究正呼唤小波分析，也许非线性小波分析是解决非线性科学问题的理性工具。 * 6.小波分析应用前景 　　 （3）小波分析用于数据或图像的压缩，目前绝大多数是对静止图像进行研究的。面向网络的活动图像压缩，长期以来是采用离散余弦变换（DCT）加运动补偿（Mc）作为编码技术，然而，该方法存在两个主要的问题：方块效应和蚊式噪声。利用小波分析的多尺度分析不但可以克服上述问题，而且可首先得到粗尺度上图像的轮廓，然后决定是否需要传输精细的图案，以提高图像的传输速度。因此研究面对网络的地速率图像压缩的小波分析并行算法，具有较高探索性和新颖性。同时也具有较高的应用价值和广泛的应用前景。 　　　（4）目前使用的二维及高维小波基主要是可分离的。不可分离二维及高维小波基的构造、性质应用研究，由于理论上较为复杂，这方面的成果甚少。也许向量小波及高维小波的研究能够为小波分析的应用开创一个新天地。 小波变换的去噪应用 执行离散小波变换的有效方法是使用滤波器。该方法是Mallat在 1988年开发的，叫做Mallat算法，也叫金字塔算法。这种方法实际上是一种信号的分解方法，在数字信号处理过程中称为双通道子带编码 算法描述：把信号通过滤波器分成高频部分和低频部分，低频部分继续分解，迭代上述过程。形成的树叫小波分解树。 * 7.小波变换的去噪应用 小波降噪原理 　　 从信号学的角度看 ,小波去噪是一个信号滤波的问题。尽管在很大程度上小波去噪可以看成是低通滤波 ,但由于在去噪后 ,还能成功地保留信号特征 ,所以在这一点上又优于传统的低通滤波器。由此可见 ,小波去噪实际上是特征提取和低通滤波的综合 ,其流程框图如下图所示： 特征提取 低通滤波 特征信号 重建信号 带噪信号 什么是小波神经网络？ 小波变换：一种数学分析的工具 小波变换+人工神经网络=小波神经网络 小波神经网络是一种以BP神经网络拓扑结构为基础，把小波基函数作为隐含层结点的传递函数，信号前向传播的同时误差反向传播的神经网络。 小波网络的具体分类 (1) 用小波函数直接代替隐层函数 根据所选取的小波基函数的连续性的不同，可以将该模型分为连续参数的小波神经网络和基于小波框架的小波神经网络两种： ① 连续参数的小波神经网络 ② 基于小波框架的小波神经网络 基于小波框架的小波神经网络的学习方法 在传统的神经网络中，存在隐层单元数目难以确定的不足，而小波神经网络的隐层单元数目则可以 按如下方法自适应地确定： 首先取小波神经网络的隐层单元数目M为1，学习迭代若干次后，如满足误差条件，则停止迭带，若达到最大学习次数后，仍不满足误差条件，则小波变换单元数目增加1，重复上述过程，直到满足误差条件为止。这样就可以根据具体的问题自适应地确定小波变化单元个数，从而克服传统神经网络的不足。 小波神经网络的优点 (1)小波变换通过尺度伸缩和平移对信号进行多尺度分析，能有效提取信号的局部信息 (2)神经网络具有自学习、自适应和容错性等特点，并且是一类通用函数逼近器。 (3)小波神经网络的基元和整个结构是依据小波分析理论确定的，可以避免BP神经网络等结构设计上的盲目性 (4)小波神经网络有更强的学习能力，精度更高对同样的学习任务，小波神经网络结构