小波神经网络改进结构及其学习算法.docVIP

小波神经网络改进结构及其学习算法 何正友　　钱清泉 摘　要　论述了小波神经网络用于信号分类识别的模型结构，在此基础上，充分利用小波变换时频分析的局部化特性，提出了一种改进的网络结构，建立了非显式小波的网络的学习算法。计算机模拟表明，该结构提高了信号分类识别的精度和灵敏度。关键词　信号；分类；识别；建立模型；小波神经网络分类号　TP15 An Improved Wavelet Neural Network Structureand Its Learning Algorithm He Zhengyou　Qian Qingquan(School of Electric Eng., Southwest Jiaotong University, Chengdu 610031, China) Abstract　This paper introduced the general model structure of wavelet neural networks (WNN) for signal recognition and classification. By making full use of the advantages of wavelet transform time-frequency localization, the paper proposed an improved network structure and presented a learning algorithm for the hidden function wavelet neural network. A simulation on computer showed that using the structure, the precision and sensitivity of signal recognition and classification were improved.Key words　signals; classification; model building; recognition; wavelet neural network 　　小波分析（Wavelet Analysis）［1］是近年来发展起来的一种数学分析方法，被认为是继傅里叶变换以来的又一重大理论突破。小波变换（Wavelet Transform）同时在时域和频域内有较好的局部化性质，随信号不同频率成分，在时间（空间）域的取样疏密自动调节，以分析信号的任意细节，提取信号特征，被誉为数学显微镜。小波神经网络（WNN）是小波分析和神经网络结合的产物［2,3］，它结合了小波变换的局部化性质和神经网络的自学习功能，具有较强的逼近能力。在信号分类及识别中，小波空间作为信号分类的特征空间，而信号特征提取规则可通过神经网络分类功能实现。　　文献［2,3］已建立了小波神经网络模型及其学习算法，且在很多领域得到应用［4］。该模型仅把时域信号在一组固定平移因子b和伸缩因子a的小波基上进行内积计算，其内积等效于在固定小波基上的小波系数，因而未能充分体现小波分析的自动调节特点，对冲击和非平稳故障信号的特征提取不够完全和精细，对差别小的信号分类不成功，影响了信号分类的精度和灵敏度。另外，上述学习算法均利用了小波母函数导数，对非显式小波网络无法学习。基于此，本文中提出了把信号在小波基的各平移和伸缩上的展开同时输入到神经网络分类器的改进小波神经网络模型，且网络能够对基于多分辨分析的非显式小波进行学习。 1　小波神经网络　　满足下述条件的函数h(t)称为小波母函数 （1） 这使得小波具有有限能量 (2） h(ω)表示h(t)的傅里叶变换，该式确保了小波的局域波行为。由h(t)的伸缩和平移产生的小波函数族 （3） 　　小波神经网络是基于小波分析而构造的神经网络模型（见图1），在信号分类识别中，小波空间可作为信号分类的特征空间，而信号特征提取则是通过一组小波函数族与信号向量的内积输入到神经网络分类器来实现。对于信号f(t)（对时间进行离散t=1,2,…,T），其小波神经网络模型为 （4） 图1　小波神经网络结构 式（4）中，vn是第n次训练信号fn(t)的输出，K为小波基个数，T为输入节点数（信号离散点数），σ(x)=1/(1+exp(-x))为Sigmoid函数。网络参数wk,ak,bk可用最小均方误差函数进行优化 （5） 式中dn是信号fn(t)的期望分类输出。 2　小波神经网络改进结构　　上述的小波神经网络模型及其算法存在以下两点不足：首先，信号f(t)只是在所寻找到的一组小波基上展开，未能实现对信号细节的时-频局部化分析。因而对信号的局部细微差异难以分辨，影响信号分类的灵敏度