欢迎来到天天文库
浏览记录
ID:33362937
大小:2.70 MB
页数:60页
时间:2019-02-25
《小波神经网络的优化及其应用研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、摘要题名:小波神经网络的优化及其应用研究硕士研究生姓名:金丽婷导师姓名:崔宝同教授专业:控制理论与控制工程小波神经网络是建立在小波分析理论和人工神经网络基础上的一种新型神经网络.由于其兼具了小波变换良好的时频局部化特性和神经网络的自学习能力,因此已广泛应用于非线性函数逼近、非线性系统辨识与动态建模、信号处理及分类等各个领域.本文在深入研究小波神经网络构造、算法及优化的基础上,将小波神经网络应用于非线性系统辨识和信号处理,并取得了较好的效果.论文的主要研究工作包括:1、研究了小波神经网络的构造方法和学习算法.分别研究了自适应小波神经网络和基于时频分析的小波神经网
2、络,侧重对自适应小波神经网络的构造及算法进行描述,介绍了一种混合学习算法,通过将LM算法与梯度下降算法有机结合在一起,有效改进了网络的学习收敛速度和精度.给出了网络程序框图,所得到的仿真结果表明了该算法的有效性.2、研究了小波神经网络在非线性系统辨识中的应用.利用本文第二章所给出的算法,分别作了一维非线性系统和二维非线性系统的辨识研究.对二维非线性系统辨识,在网络隐层和输出层间引入一种局部线性模型,以减少网络隐层小波基个数.仿真结果表明了所建立的小波神经网络辨识模型及算法的有效性.3、研究Y4,波神经网络在心电图(ECG)信号处理及分类中的应用.介绍了一种基于
3、采样理论的小波神经网络,并将其应用于ECG信号滤波预处理中,对滤波效果作了计算机仿真验证.然后设计了一种基于BP神经网络的ECG信号分类器,把经过预处理的ECG信号进行分类,试验结果表明了所提方法的有效性.关键词:小波神经网络;LM-GD算法;函数逼近;非线性系统辨识;心电图(zcG);信号分类.AbstractTheme:Author:Tutor"Specialty:Researchofwaveletneuralnetworkoptimizationandit’SapplicationJinLitingCuiBaotongProfessorControlTh
4、eoryandControlEngineeringW打eletneuralnetwork(WNN)iSanovelneuralnetworkbasedonwaveletanalysistheoryandartificialneuralnetwork.BecausetheWNNinheritst11etime.fequencylocalizationofwaveletanalysisandself-learningabilityofneuralnetwork,itisappliedextensivelyinnordinearfunctionapproximati
5、on,nonlinearsystemidentificationanddynamicmodelbuilding,signalapproximationandclassificationfields.Inthispaper,bystudyingtheconstructingandlearningalgorithmofWNN,WNNisappliedfornonlinearsystemidentificationandsignaldisposal.T11emajorcontentsandcontributionsofthisdissertationareasfol
6、lows:l、TheconstructingandlearningalgorithmofWNNarestudied.111eWNNbasedontime-frequencyandadaptiveWNNarestudiedrespectively.ThestructureandlearningalgorithmofadaptiveWNNareresearchedindetail,andanewhybridlearningalgorithmisproposed.TllenewalgorithmcombinestheLevenberg—Marquart(LM)alg
7、orithmwithGrads-Descend(GD)algorithmtoimprovethetrackingaccuracyandspeedthelearningprocess.TheprocessflowchartofWNNiSgiven.andthesimulationresultsdemonstratethevalidityoftheproposedmethods.2、111eapplicationofWNNfornonlinearsystemidentificationiSstudied.111eWNNproposedinthisPaperisus
8、edtoidentificateaon
此文档下载收益归作者所有