小波神经网络理论的研究及其在加热炉钢坯温度预报中的应用
【摘要】:神经网络具有很强的非线性逼近能力及自学习、自适应能力,有较强的容错性,因而能够很好地跟踪捕获对象受各种不确定因素影响而发生的变化及变化趋势,能够很好的反映复杂工业过程的内部机理,是近年来研究和应用较多的一种智能控制方法。但在实际应用时,由于神经网络自身存在训练时间长、收敛速度慢以及局部极小等问题而限制了其在实时控制中的应用。为此,将小波分析理论引入神经网络,构成小波神经网络。小波神经网络融合了小波分析良好的时频局部化特性和神经网络的优点,较好的克服了以往神经网络结构设计的盲目性,具有较强的逼近能力、收敛速度快并且能有效避免局部极小值。本文选用的连续小波神经网络是将常规单隐含层神经网络中的Sigmoid函数用小波函数来代替,相应的输入层到隐含层的权值及隐含层阈值分别由小波函数的伸缩参数与平移参数代替,而输出层为线性神经元,它将隐含层的小波伸
【相似文献】 | ||
|
|||||||||||||||||||||||||||||||||||||||||
|
|
|||||||||||||||||||||
|
|
|||||||||||||||||||||
|
|
|||||||||||||||||||||
|
|
|||||||||||||||||||||
|