浅谈基于小波分析的神经网络

浅谈基于小波分析的神经网络摘要：基于小波分析的神经网络在我们的日常生产中有着重要的作用，尤其是在故障检测中，正因为有了它的存在，使得我们能更好的对一些机器内部微小的部件进行检测。在一定程度上，避免了人工检测工作量大且准确度不高的情况，降低了检验的成本，减少了因零件损坏而带来的损失，为工业的生产提供了极大的帮助。关键词：小波分析，神经网络，故障诊断随着科学的进步与时代的发展，神经网络正慢慢的运用到我们的日常生活与生产之中。从1943年人们首次提出了人工神经网络这一概念至今，神经网络已经与越来越多的其他技术结合了起来，例如，结合神经元的混沌属性提出混沌神经网络，应用于组合优化的问题中，与粗集理论结合，应用于对数据的分类处理，与分形理论结合，应用于图形识别、图像编码、图像压缩等，与小波分析结合，应用于机械设备的故障检测中。以下是我对基于小波分析的神经网络的见解。一、概述小波分析即小波变换，是1981年Morlet首先提出的，经过发展后成为了一门学科，小波分析对低频信号在频域和高频信号在时域里有着较好的分辨率。而神经网络特有的对非线性适应性信息处理能力，当它与小波分析相结合后，使得它们能在对高压电网的信号处理，机械故障的检测等方面发挥了重要的作用。二、小波神经网络的算法小波神经网络的算法大体的思路是这样的，小波神经网络的核心是隐层神经元的激活函数小波基函数（Morlet）进行非线性映射，信号通路只进行前向传递，待分类信号进行前向传递的同时，误差信号进行反向的传递。输出层的传递函数为S函数，小波函数的拓扑结构如下所示：小波函数的修正公式如下：(k1)(k)*Emc（1）a(k1)(k)*Eamcaa（2）b(k1)(k)*Ebmcbb（3）误差函数如下：2111(yyt)2NMnnmmnmEN（4）输入层隐含层输出层其中，w为小波神经网络的权值，a、b是小波神经网络的伸缩因子和平移因子，,a,b分别是,,ab的改变量。是学习率，mc是动量因子。ynm和ytnm是m样本的第n个节点的是实际输出和理想输出。三、故障的检测根据需要我们将待检测的部件分类，并且根据不同的故障原因，我们分类得到各个部件的样本故障特征向量。而我们通过采集各个部件的信号，利用小波分析来提取各部件的信号信息，然后分析这些信息，得出相应的模拟的特征向量，并为了提高准确性，将这些向量做向量的融合处理，最后将经过融合处理的向量输入到神经网络中进行计算，得到相应的能量信息，而我们的神经网络是通过机器学习，在内部，我们已经保存了相应的样本故障特征向量所对应的不同的故障信息。同时，我们也可以利用MATLAB等软件，对数据进行相应的处理，然后将MATLAB处理过的数据，利用A/D数模信号转换和离散化处理，对的得到信号进行分析处理，与样本的数据进行匹配，得到部件所对应的不同的故障信息。四、结束语基于小波分析的神经网络不仅仅在故障检测方面有着重要的作用，同样其也可以运用于图像的识别仿真方面。随着时代的发展，小波神经网络在我们的生活中将会发挥更多的作用。我相信，基于小波分析的神经网络将会更为广泛的我们的生产中得到运用，利用这样的技术，将会使我们的生产变得更加快捷，更加完全，更加便利。参考文献[1]BoccalettiS,LatoraV,MorenoY,ChavezM,HwangD.Complexnetworks:Structureanddynamics[J].PHYSICSREPORTS-REVIEWSECTIONOFPHYSICSLETTERS,2006,424(4-5):175-308[2]Rodriguez-Galiano,VictorF,Chica-Rivas,Mario.EvaluationofdifferentmachinelearningmethodsforlandcovermappingofaMediterraneanareausingmulti-seasonalLandsatimagesandDigitalTerrainModels[J].INTERNATIONALJOURNALOFDIGITALEARTH,2014,7(6);492-509,[3]邱世卉.小波神经网络在模拟电路故障诊断中的应用研究[J].科学技术与工程,2012,12(30):145-149[4]彭良玉,王恒华.基于小波神经网络的模拟电路故障诊断方法及LabVIEW实现[J].微电子学与计算机,2013,30(5):72-75[5]KasabovNikola,FeiginValery,HouZeng-Guang,ChenYixiong,LiangLinda,KrishnamurthiRita,OthmanMuhaini,ParmarPriya;Evolvingspikingneuralnetworksforpersonalisedmodelling,classificationandpredictionofspatio-temporalpatternswithacasestudyonstroke[J].NEUROCOMPUTING,2014,134(SI):269-279[6]QinSitian,XuJingxue,ShiXin;Convergenceanalysisforsecond-orderintervalCohen-Grossbergneuralnetworks[J].COMMUNICATIONSINNONLINEARSCIENCEANDNUMERICALSIMULATION,2014,19(8):2747-2757[7]赵林明,楚清河,代秋平,王利英;基于小波分析与人工神经网络的水轮机压力脉动信号分析[J].水利学报,2011,42(9):1075-1080[8]杨立儒,李红波,郑红岩,曾繁景,李铁峰;一种基于小波分析和神经网络的模拟电路故障诊断的方法研究[J].计算机应用与软件,2012,28(3):223-226[9]陈佳;小波分析神经网络技术在故障诊断中的应用[J].软件工程师,2013,7:43-45[10]满红,贾世杰;基于小波分析和神经网络的异步电机早期故障诊断[J].大连交通大学学报,2012,32(3):80-83[11]黄河;电机故障诊断的仿真研究[J].计算机仿真,2011,28(9):177-180[12]荣明星;基于小波神经网络的电动机转子故障诊断[J].机械制造与自动化,2013,02:191-194