用于图像与模式识别的小波神经网络模型.pdf

收稿日期“ “ 作者简介王阿明 的各种导数 A A ’ “ ; “ / “ * , - ’ ,. “ ,/0’ 1 2 3 4 5 ’ ; B A A -’ , “ 9 ; “ / “ ’A *; C A C . “ , 1DE’ ; F 其中C为G C , - ’ ,. “ ,/0’ 1’ ; H A A 1’ “ 9 ; “ / “ I ’A *; C A C / , - ’ ,. “ ,/0’ 1 J K L M 7 ’ ; N A A 1’ “ 9 ; “ / “ ’A *; C A C / 1OP’ ; Q 取*; R 为ST U V W X小波6该小波为余弦调制的高斯 波6时域频域同时具有较高分辨率Y *; R Z T [ ; Y H B R W \ ]/ R 7 OP7 ; 则G A *; R A R /D R Z T [ ; Y H B R / Y H B [ _ ‘ ; Y H B R E W \ ]/ R 7 OP7 ; 按梯度下降学习算法有 a , , b ’/cA A , ’ bd a , , ’; 7 -’ ,6 1’6 0’的变化与上式类似Y 按上式逐次学习 迭代6直至满足误差要求;或达到最大学习次数 Y 在传统e f网络中6存在隐层单元数目难以确 定的不足6而小波神经网络的中间单元数目可以按 如下方法自适应地确定G首先取小波变换单元数目 为 6即*1 6 0; g 6 学习迭代若干次后6如满足误差 条件6则停止迭代6若达到最大学习次数后6仍不满 足误差条件6则小波变换单元数目增加 6即有 *1 6 0; g 和*1 76 07; g 6 重复上述过程6直到满足误差 条件为止Y这样就可以根据具体的问题自适应地确 定小波变换单元个数6从而克服传统e f网络的不 足Y 对图像与模式识别以及天然气储量等级识别 等问题的仿真结果证实了小波神经网络模型优于 传统的e f模型6因此具有良好的应用前景Y h 仿真结果 h Y i 在图像与模式识别中的应用 取数字 jQ共 个图样作为学习和识别样 本6每个图样都由 k 栅格组成6这样每个图样 都有 个输入单元;取每个单元的输入值为或 6对应的输出可以由个单元组合而成6其对应 关系如表所示G 表i与输入图样相对应的目标输出 l m n o pi l m q r p s t u s v u s w t q q p x v t y z { y rs t{ y v u s v m s s p q y x 图样 7 i l 8 7 m8 7 i n 7 ; m8 7 Bn B 4 ; l l 4 m 9 ; l 8 7 ,Bo m8 7 B “ H H G s “ t e ‘ u ’ . ; m8 7 B o m8 7 B “ H H . s t e ’ ’ H u ’ H ’ 7 8 z 4 , ; 4 8 ; 7FF4 4 l 8 7 n j F m { n 7 9 4 B i| 7 i ; m8 7 B o m8 7 B . * * * “ “ s “ t e u G ’ 5 5 “ 6 A BC 5 “ 6C 5 “ 6 * D 7 8 8 6 9 “ 3 BG * H A * B C 5 “ 6 / *I I J K K I B7 A “ 5 L M N O P Q R S P T ’ 0, “ ’ “ 3 BG * V A * BC 5 “ 6 / *I I J K K d B7 A “ 5 a I W j 2 5 , 5 8 7 8 8 6 BG * V A * BC 5 “ 6 / *I I J K K I B 7 A “ 5 L M N O P Q R S P T. U5 8 ’ “ * 5 8 “ ’ U -* / “ 15 6 5 “ 2 5 ’ ’ “ , 6 “ ’ “U5 / / ’ * W3 A 5 8 6 ’ A 1 5 “ 1* 8 5 / U 2 / “ ’ B5 “ ’ A / 1* 8 5 ’ Z 2 1 “ ’ / U , 5 * ’ W3 A / * 8 ’ / A U/ ’ A 5 ’ ’ A / 1 8 , 5 “ , 1’ A / A ’ , 1 “ 6 / 6 ’ ’ A 8 , 5 8 1 “ 15 W.8 8 ’ A / 15 - 5 X 8 5 ’ * / “ 5 X 8 ’ A “ U 1 8 ’ X 6 2 / 2 , ’ / “5 2 2 8 , 5 ’ “ W [\ ] _ Q ‘ O TU5 8 ’ ’ 5 “ / 1a“ * 5 8 “ ’ U - / a1 8 a2 5 ’ ’ “ , 6 “ ’ “ ldc 第m期马良河等T异步电机的一类无源性快速渐进跟踪控制器 万方数据