小波神經網絡在過程控制中的應用.pdf

1、小波神經網絡是小波分析和神經網絡相結合產生的，它把神經網絡的自學習自適應能力和小波對信號的時頻局部特性和變焦特性結合起來，以更有效的辨識黑箱模型，對保證工業(yè)產品的質量有很大的意義。 本文從小波的基礎理論出發(fā)，把小波對信號的濾波和多分辨率的優(yōu)越特性應用在工業(yè)信號的處理上，在傳統(tǒng)的小波神經網絡的基礎上進行了改進，利用小波對工業(yè)現(xiàn)場過來的數(shù)據(jù)進行了降噪，并使用主元分析法去除了數(shù)據(jù)的相關性。然后對處理過的數(shù)據(jù)建立小波神經網絡模型，最后通

2、過計算機進行了仿真。具體工作如下： 1、數(shù)據(jù)的預處理部分 由于在實際的生產過程中，從工業(yè)采集的信號往往帶有噪聲和突變，為了更好的跟蹤和保證生產我們需要對這些信號進行分析。 本人在深入學習小波分析的基本理論知識的基礎之上，借助Matlab語言完成了小波分析的基本算法，包括離散小波正變換和反變換；接著分別從小波基、閾值的選擇等方面詳細討論了基于各種閾值決策的小波降噪方法及其應用。并通過主元分析對數(shù)據(jù)的降維作用，通過P

3、CA對降噪過的信號進行了降維處理，為神經網絡的快速訓練提供了很好的基礎。 2、小波神經網絡部分 本文選擇RBF神經網絡，是因為與其它前向網絡相比，RBF網絡在結構上具有輸出-權值線性關系，同時訓練方法快速易行。與傳統(tǒng)的機理建模方法相比，用RBF神經網絡建立雙模型結構的時變非線性系統(tǒng)自校正模型不僅極為簡便，而且具有更高的精度和自適應能力，小波基的選擇上采用連續(xù)小波函數(shù)MexicanHat(mexh)小波，采用正交最小二乘算