用于信号逼近的自适应时延小波神经网络
AN ADAPTIVE TIME DELAY WAVELET NEURAL NETWORK FOR SIGNAL APPROXIMATION
-
摘要: 小波神经网络是一种强有力的函数逼近工具。本文结合时延神经网络和小波分析概念提出一种新的小波神经网络摸型自适应时延小波神经网络(ATDWNN:adaptive timedelay wavelet neural network).ATDWNN可以对同一类存在不同时延的多个信号用同一个超小波(superwavelet)进行逼近。为了训练ATDWNN,本文提出一种基于时间机理的竞争学习算法。实验表明,ATDWNN不仅可以成功地对同一类存在不同时延的多个信号采用同一个超小波进行逼近,而且可以用来估计各样本信号的时延。Abstract: Wavelet neural networks (WNN) is a powerful tool for function approximation. In this paper a new model named adaptive time delay WNN(ATDWNN) is proposed which combines time delay neural network and wavelet decomposition. ATDWNN is used to approximate signals having different time delays in the same class. In order to train ATDWNN, time mechanism based competition learning is also proposed. It is shown through experiments that ATDWNN can not only approximate signals having different time delays by the same superwavelet, but also detect these time delays successfully.
-
Hornik K, Stinchcombe M, White H. Multilayer feedforward networks are universal approximar tors. Neural Networks, 1989, NN-2(2): 359-366.[2]Par J, Sandberg I W. Universal approximation using radial-based-function networks[J].Neural Computation.1991, 3:246-257[3]Zhang Q H, Benvenisete A. Wavelet networks. IEEE Trans. on Neural networks, 1992, NN-3(6): 889-989.[4]Zhang J, Walter G G, Miao Y B, Lee W N. Wavelet neural networks for function learning[J].IEEE Trans. on Signal Processing.1995, 43(6):1485-1496[5]Kreinovich V, Sirisaengtaksin V, Cabrea S. Wavelet neural networks are optimal approximators for functions of one variable. University of Texas at EL. Paso, Computer Science Department Technical Report, 1992, No. UTEP-cs-92-29.[6]Delyon B, Juditsky A, Benveniste B. Accuracy analysis for wavelet approximation. IEEE Trans. on Neural Networks, 1995, NN-6(2): 332-348.[7]Szu H H, Telfer B, Kadambe B. Neural network adaptive wavelets for signal representation and classification[J].Optical Engineering.1992, 31(9):1907-1916[8]Waibel A, Hanazawa T, Hinton G, Shikano K, Lana K. Phone recognition using time-delay neural networks. IEEE Trans On ASSP, 1989, ASSP-37(3): 328-339. 期刊类型引用(25)
1. 胡紫睿，刘倩. 基于区域生长的肝影像分割系统的设计与研究. 黑龙江科学. 2024(06): 88-92 . 
百度学术2. 刘浩然，张力悦，苏昭玉，张赟，张磊. 最大期望模拟退火的贝叶斯变分推理算法. 电子与信息学报. 2021(07): 2046-2054 . 
本站查看3. 王丽红，胡长宏，范鲜红，高春歌，张晓峻，孙晶华. 自适应中值滤波器优化及其FPGA实现. 哈尔滨理工大学学报. 2021(05): 68-75 . 百度学术4. 孙巧妍，陈祥光，刘美娜，孙玉梅，辛斌杰. 基于毛羽补偿与自适应中值滤波的纱线主体图像识别算法. 纺织学报. 2019(01): 62-66+72 . 百度学术5. 杨健，陈建明，李清华. 一种改进SVG医用电力无功补偿装置. 电力电容器与无功补偿. 2017(04): 130-134 . 百度学术6. 张辉，金侠挺. 基于机器视觉的新能源电动车充电孔检测与定位方法. 测控技术. 2017(02): 9-14+19 . 百度学术7. 张嵘. 基于Matlab平台的遥感图像变化检测算法改进策略. 测绘通报. 2016(07): 84-89 . 百度学术8. 黄立慧，陈海霞. 基于方向梯度计算的图像椒盐噪声滤除算法. 福建电脑. 2016(06): 108-110 . 百度学术9. 董春，孙力，全庆霄. 一种改进的激光打印图像预处理方法. 电子设计工程. 2016(24): 176-179 . 百度学术10. 伍文源，曾水玲，蒋天保. 湘西方块苗文图像的预处理方法. 吉首大学学报(自然科学版). 2016(03): 24-27 . 百度学术11. 胡义坦，曹杰，刘伟. 无人机视觉着陆中的图像去噪算法. 计算机应用研究. 2016(02): 629-631 . 百度学术12. 张辉，金侠挺. 基于曲率滤波和反向P-M电动车充电孔检测方法. 仪器仪表学报. 2016(07): 1626-1638 . 百度学术13. 陈晓，唐诗华. 改进的中值滤波在图像去噪中的应用. 地理空间信息. 2015(06): 77-78+13 . 百度学术14. 王贵君，杨永强. 基于高概率椒盐噪声的模糊滤波器在图像恢复中的算法设计. 电子学报. 2015(01): 24-29 . 百度学术15. 赵君爱，魏艳春. 基于改进中值滤波的图像噪声去除算法的研究. 浙江农业学报. 2015(06): 1078-1082 . 百度学术16. 李楠，张为. 基于提升小波变换的薯类视觉图像滤波处理. 江苏农业科学. 2014(01): 376-378 . 百度学术17. 程东旭，杨艳. 基于自适应耦合PDE模型的车牌图像去噪研究. 计算机测量与控制. 2014(08): 2592-2594 . 百度学术18. 徐晓东，李培林，炊明伟，王崴，冯有前. 一种针对图像脉冲噪声的改进中值滤波算法. 电视技术. 2013(19): 61-63+150 . 百度学术19. 陈健，郑绍华，余轮，潘林. 基于方向的多阈值自适应中值滤波改进算法. 电子测量与仪器学报. 2013(02): 156-161 . 百度学术20. 刘国军，马月梅. 混合波原子和双边滤波的纹理图像滤波方法. 计算机应用研究. 2013(03): 942-945+949 . 百度学术21. 毛清华，马宏伟，张旭辉. 煤矿钢芯输送带缺陷信号小波降噪研究. 煤矿机械. 2013(09): 69-71 . 百度学术22. 孙永生，刘大健，秦蒙. 多幅图像中值法在滤除噪声中的应用. 电视技术. 2012(23): 15-17+72 . 百度学术23. 王冰野. 用改进的自适应中值滤波去椒盐噪声. 湖北警官学院学报. 2012(08): 156-157 . 百度学术24. 朱士虎，黄智. 一种新的高密度椒盐噪声滤波算法. 计算机工程. 2012(18): 207-210 . 百度学术25. 王小兵，孙久运，汤海燕. 一种基于数学形态学与小波域增强的滤波算法. 微电子学与计算机. 2012(07): 64-67 . 百度学术其他类型引用(28)
-
百度学术
计量
- 文章访问数: 2204
- HTML全文浏览量: 130
- PDF下载量: 378
- 被引次数: 53
下载:
