基于小波神经网络的滤波器设计方法.pdf

《基于小波神经网络的滤波器设计方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、计算机测量与控制.2007.15(5)·660·ComputerMeasurement&Control设计与应用文章编号:167124598(2007)0520660202中图分类号:TP183文献标识码:A基于小波神经网络的滤波器设计方法邢化玲,高社生,唐士杰(西北工业大学自动化学院,陕西西安710072)摘要:利用卡尔曼滤波器进行状态估计时,要求系统具有已知的数学模型和噪声统计特性等先验知识,而实际系统往往不能满足这一要求;针对这种情况,提出了一种小波神经网络滤波器设计的方法,它结合了神经网络的函数逼进能力和小波变换的良好局部特性及多分辨率特性,使网

2、络能根据数据的分布情况以不同的分辨率进行学习,从而使网络具有更灵活有效的函数逼近能力,提高了估计精度;仿真结果表明,用该滤波器对系统状态进行估计,其精度高于卡尔曼滤波器的估计精度。关键词:小波神经网络;状态估计;滤波器DesignMethodofFilterBasedonWaveletNeuralNetworkXingHualing,GaoShesheng,TangShijie(CollegeofAutomation,NorthwesternPolytechnicalUniversity,Xi'an710072,China)Abstract:Kalman

3、filterdemandspriorknowledgeofmathematicalmodelandnoisecharacteristicsabouttheknownsystem,butusuallythephysicalsystemcan'tmeetthedemand.Inviewofthisproblem,basedonthefunctionapproximationcapabilityoftheneuralnetworkandlocalandmulti-resolutioncharacteristicsofwavelettransform,adesi

4、gnmethodofwaveletneuralnetworkfilterisproposedtoestimatethestateofthesystem.SimulationshowsthattrackingaccuracyofthismethodisbetterthanthatofKalmanfilter.Keywords:waveletneuralnetwork;estimationofstate;filter0引言段,为神经网络提供输入特征向量;紧致型结合是用小波函数和尺度函数形成神经元,将小波与神经网络直接融合,它是采用卡尔曼滤波器对系统进行状态估

5、计时,要求系统具有[1]基于小波分析而建立的一类新型多层前馈网络,也可以看作是已知的数学模型和噪声统计特性等先验知识。但在许多情况以小波函数为基底的一种新型函数连接神经网络。下,这些先验知识是未知的,因此,需要作一些假设。但是,111小波网络滤波器的结构如果系统模型和噪声统计特性假设的不准确,将会造成对系统本文采用紧致型结合方式,用非线性小波基取代了通常的状态或参数估计不准确,这时,卡尔曼滤波方法很难得到满意sigmoid函数,以小波基为神经元,信号可以通过对所选取的的结果。为此,不少学者将神经网络等智能理论应用于信息融[6-7][2-4]小波基进行线性

6、叠加来表示。合领域,以便能在先验知识很少的情况下,提供满足精度对于多输入多输出系统:RnvRm,X=[x1,x2,⋯,要求的实时估计。TTxn]为传感器观测向量,Y=[y1,y2,⋯,ym]为系统状态小波神经网络是基于小波理论所构造的一种新的神经网络估计向量。输入层到隐层的连接权值均设为1,采用3层网模型,通过作为一致逼近的小波分解来建立起小波变换和神经络,输入层、隐层、输出层的节点数分别为n、N、m。给定网络的连接,结合了小波变换所具有的良好的高频域时间精满足框架性质的小波函数

7、能够使得N函数的逼近效果更好,因而网络有较强的逼近、容错能力。yT(X-t))(1)l=∑wjl

8、波器的设计方法(x,z)反复学习得到,Z为系统的真实状态向量。[5]小波变换和神