小波神经网络及其应用.pptx

小波神经网络及其应用;;3; ;5;6; 李银国等则在前人的基础上提出了小波神经网络结构设计的时（空）域“分解——综合”方 法[18]，并通过仿真实验（非线性函数逼近）表明：此种方法较好地解决了小波神经网络中 普遍存在的“维数灾”问题，且函数逼近能力强，精度便于掌握，训练过程方便，不存在局 部最优问题。 3.2 信号表示和分类 小波神经网络用于信号表示已有很多范例，但用于信号分类的很少。Harold HS 等构造了自 适应小波神经网络并将其应用于语音识别。他们首先提出了两种不同的自适应小波神经网络 2 结构（均采用高斯函数?(x) ? cos(1.75x)e? x /2 作为小波基函数）和能量函数分别用于信号 表示与分类，并引入了超小波（super-wavelet）这一新术语（对于具体的问题，超小波不仅;自适应计算定型小波函数的参数，而且自适应计算小波形状）。他们将这些理论先应用于一 维信号的表示与分类，随后又讨论了其可能在语音识别中的应用，并展望这些理论可能会广 泛应用于信号识别与分类和图像识别与分类。 3.3 材料损伤诊断 吴耀华等介绍了多变量输入、输出系统的B 样条小波神经网络和用于分类的自适应B 样条 小波神经网络，应用于智能复合材料应变损伤位置的诊断。他们在实际操作中采用了一些技 术处理以减少小波神经网络结构的复杂性，从而加快了训练的速度和提高了识别能力。并且 在同样条件下将这两种小波网络与BP 网络相对比，结果表明B 样条小波神经网络的建模精 度和收敛速度明显高于BP 神经网络（图3）。 ;该小波神经网络具有很好的预测功能和推广性能（见图4，实线是系统输出，虚线是小波神 经网络输出）。其训练方法亦比用普通的最小二乘法快得多。 ;10;11;12