基于神经网络水下机器人的容错控制.doc

哈尔滨工程大学硕士学位论文基于神经网络水下机器人的容错控制姓名：谭博申请学位级别：硕士专业：船舶与海洋结构物设计制造指导教师：万磊20090301哈尔滨：群人学硕学佗论文关键词：水下机器人；故障诊断；神经网络；容错控制；信号恢复；数捌融哈尔滨：拌人学硕十学何论文（），（），哈尔滨：稃人学硕学奇：论文扩，：（）；哈尔滨工程大学学位论文原创性声明本人郑重声明：本论文的所有工作，是在导师的指导下，由作者本人独立完成的。有关观点、方法、数据和文献的引用己在文中指出，并与参考文献相对应。除文中已注明引用的内容外，本论文不包含任何其他个人或集体已经公开发表的作品成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式棚一脘蟪谢悴栅僦罐辫雾毯勇日期：训妒年弓月，日哈尔滨工程大学学位论文授权使用声明本人完全了解学校保护知识产权的有关规定，即研究生在校攻读学位期间论文工作的知识产权属于哈尔滨工程大学。哈尔滨工程大学有权保留并向国家有关部门或机构送交论文的复印件。本人允许哈尔滨工程大学将论文的部分或全部内容编入有关数据库进行检索，可采用影印、缩印或扫描等复制手段保存和汇编本学位论文，可以公布论文的全部内容。同时本人保证毕业后结合学位论文研究课题再撰写的论文一律注明作者第一署名单位为哈尔滨工程大学。涉密学位论文待解密后适用本声明。本论文（囱在授予学位后即可口在授予学位个月后口解密后）由哈尔滨工程大学送交有关部门进行保存、汇编等。作者（签字）：落一孳导师（签字）：历永荭泯夕日期：旧年岁月日锄加多年多月，日哈尔滨？群人学硕十。学何论文第章绪论概述智能水下机器人在军事应用和海洋丌发方面均有极为广阔的应用订景，爿：已成为西方发达国家发展智能化海军武器的重要方向之一。水下机器人的个嘤仟务是水下寻找目标、识别目标，并对目标采集尽可能多的信息，这就嘤求它具铂精确的运动控制能力。由于海洋环境的复杂性和水下机器人本身的耥合效应，水下机器人运动是非线性的、时变的，其水动力系数通常很难硝；确测定，这就决定了一般的经典控制方法应用于水下机器人运动控制时，很难墩得满足要求的控制效果川。容错控制技术的出现，为提高复杂系统的可靠性：辟了条新的途径。水下机器人的容错控制技术是保障水下机器人生存及成功完成作业任务的关键技术之一，具有极为重要的地位。采用容错控制技术，可以保证水下机器人在部分部件（或分系统）出现故障的情况下，顺利完成既定的作业任务，是保障水下机器人生存及成功完成作业任务的关键技术，具有重大的现实意义，是水下机器人智能技术中重要的一部分。智能水下机器人容错控制技术的研究，为实现大范围和远距离全天候的运动摔制技术丌辟了一条重要途径。水下机器人概述水下机器人分类水下机器人按照控制方式一般分为三大类：（）遥控式水一术器人（简称）；（）尢人无缆水下机器人（简称）：（）智能水下机器人（简称）。遥控式水下机器入主要采用由操作员手动控制的方式。俄罗斯在这方商七较高的声誉，较为著名的有、等。无人无缆水下机器人主要用于完成海洋传导性、温度和压力剖面测绘。在科研力面，主要用作活动的水声平台，兼作水下程序控制系统的研究，有代表性的是斯坦福大学丌发的。哈尔滨：群人宁：硕十导：何论文智能水下机器人是随着计算机技术、通信技术、人工智能的发展而出现向新型智能化的水下机器人，是近几年水下机器人发展的主要方向之一。水下机器人发展趋势随着海洋经济的发展和军事需求的增加以及水下机器人技术的趋成熟，水下机器人的发展方向也越来越明朗。归纳起来有以下几个方向瞵：（）水机器入的专业化程度越来越高。这是市场和技术的共同需求。（）与并存，更加实用可靠，技术更加成熟。技术的发展，将致力于提高观察能力和顶流作业能力，加大数掘处理容襞，提高操作控制水平和操纵性能，完善人机交互界面，使其更加实用可靠。（）群体机器人成为现实。协同作业，共同完成更加复杂的任务，是机器入技术的发展趋势之一。水下机器人的容错控制所谓容错控制系统，是指元部件（或分系统）在出现故障时仍具有完成基本功能的系统。容错控制是从动态系统的控制规律出发，在动态系统发生故障时仍然能够稳定运行，或者仍然具有可以接受的运行指标的控制策略或故障处理策略。容错控制起初都是基于硬件冗余技术，这种技术源于可靠性分析理论，可靠，件理论认为并联系统可以大大提高系统的可靠性，因为几个并联的部件中的仃何一个失效，其功能可以由与之并联的其余部件完成。硬件冗余容储挖制就足将儿个功能相同的部件并联在一起完成同一任务，假如并联部件中有个部件发生故障，将不影响系统的正常工作。硬件冗余技术广泛地应用于工程实践中。由于硬件冗余技术完成同一功能需要多个相同的部件，在提高系统可靠性的州时也带来一些不足：增加系统的成本、结构、重量和所需空间；在某。嗨情况卜硬件冗余技术的采用是受限制的：对大型复杂系统全部采用硬件余技术怂不可能的。因此提出了解析冗余容错技术。另一方面，人们在：秸：实践中也逐步认识到，选用最可靠的元部件，并不一定能组装出最可靠的控制系统。相反，只要设计、组装、使用得当，用低可靠性元件组装成高可靠性的控制系统也是可能的。组成控制系统的各个基本环节都有可能发生故障，具体术讲，故障可划分为三种类型：被控对象故障，对象的某一子设备不能完成原仃哈尔滨科人。孚：硕十。予：何论文；，勺力能；仪表故障，包括传感器、执行器和计算机接口的故障。执行器和传感器的故障已成为导致控制系统失效的主要原因，因此，研究执行器和传感器的故障诊断和容错控制策略无疑具有重大的理论和应用价值。容错控制系统设计主要应解决故障诊断和容错控制两个问题，容错控制系统般结构如冬所示。它由传感器、执行器、故障监测系统和容错控制器纠成，其，故障监测系统能够对控制系统中的执行器、传感器和被控对缘进：实时故障监测，并根据故障特征进行动态补偿或切换故障源；容错控制器则根据故障监测系统所得到的故障特征作出相应的处理，这可能要对反馈控制的结构实时阿组合（），这种结构的重组可能简单到只从已计钟：的表中就叮读出一组新的控制增益，也可能复杂到实时地再设计控制系统，保证系统在故障状念下仍能获得良好的控制效果。执：器卜被控刈。象，放障信息提取传感器，敝障柃测故障什讣与隔离，容错控制讣算机图容错控制系统结构图在一个系统中，更多需要考虑的是针对执行器和传感器的容错控制。个系统能够容错的必要条件是系统中存在着冗余，即对执行器的容错需要有执行驱动冗余、对传感器的容错则需要存在传感测量冗余。容错控制系统设计的关键是如何使用这些冗余来达到容错的目的。容错控制器的设计方法有硬件冗余方法和解析冗余方法两大类。硬件）余方法是，通过对重要部件及易发生故障部件提供备份，以提高系统的容错性能。面解析冗余容错技术则是利用控制系统不同部件之的内在联系和功能上的氽性，：刍系统的某些部件失效时，用其余完好部件部分甚至全部地承担起故障部件所丧失的作用，以维持系统的性能在允许的范围之内。基于解析冗余的哈尔滨：样人导：硕十字：何论文容错控制技术需要增加硬件设备，具有成本低和易于工程实现的优点，在容错挖制中得到了广泛的研究和应用。基于“解析冗余”的容错控制器设汁方法通常仃挖制器甄构方法、完整性设计、基于自适应控制的容错控制器设计厅法、牲：家系统和神经元网络的容错控制器设计方法等。容错控制的发展历程容错控（，）的思想最早可以追溯到年，首先提出完整性控（）】。同时，也：始了容错控制的研究【】。于年发表的关于可靠镇定的文章最早丌始门研究容错控制的文章之一。“容错”原是计算机系统设计技术中的一个概念【，容错是容忍故障的简称。年，等人将容错控制分为动容错控￥（）和被动容错控￥（）”，如今已成为现代容错控制研究方法分类的依据。值得指出的是，我国在容错控制理论上的研究基本上与国外同步。年，张翰英【提出在我国“必须加速发展实用性容错控制系统”的研究。年，郑应平教授也发表了相类似的看法【。同年，叶银忠等发表了容错控制的论文，并于次年发表了这方面的第一篇综述性文章。随后，葛建华、程一【】、胡寿松【】等将容错控制策略应用于动念系统中传感器失效的研究。年葛建华等出版了我国第一本容错控制的学术专著【引。近几年，国内外陆续出版了多本关于这一方面的专著。容错控制的分类根据系统中处理故障和冗余的不同方式，容错控制系统可分为被动容错系统和主动容错系统。在被动容错控制系统中，系统可能发生的故障情况在控制系统设计之初就作为先验知识被考虑进去了，不需要在线获知故障信息，多采用的是鲁棒控制技术。而主动容错控制系统或者通过算法设计自适应地在线辨：故障参数，或者利用故障诊断机构获取故障信息，如故障发生的位霄和故障的榉度，总之，需要系统的故障信息束重组系统的控制行为。被动容错控制和主动容错控制多依赖于系统的模型：定量、半定量或定性模型。基于模型的容错控制策略，依然是当前研究的一个热点问题。被动容错控制哈尔滨：样人字：硕十学何论文被动容错控制就是在不改变控制器结构和参数的条件下，利片鲁棒控制技术使格个闭朋：系统对某些确定的故障具有不敏感性，以达到故障后系统仆坞仃的队能指标下继续。：作的日的。早期的容错控制设计中多采用这种控制策，这是由于鲁棒控制技术擅长于解决系统中的参数摄动问题，如果将系统中的故障归结为系统中的参数摄动问题，自然就想到了利用鲁棒控制技术进行容错控制系统设计。但这种策略的容错能力是有限的，其有效性要依赖于原始无故障时系统的器棒性。被动容错控制器的参数一般为常数，不需要获知故障信息，也小；精要在线调整控制器的结构和参数。被动容错控制大致可以分成叮靠镇定、完整性、联立镇定三种类型【。（）可靠镇定可靠镇定是关于控制器的容错问题。针对单个被控对象，等明了采用两个补偿器时，存在可靠镇定解的充要条件是被控对象足强川锁定的，即此对象可以被稳定的控制器所镇定。然而，当被控对象不满足强镇定条件时，补偿器就会出现不稳定的极点，受过程噪声的影响，闭环系统就会出现不稳定的情况。陔方法的另外一个缺点就是，即使可靠镇定问题是可解的，怎样设计这两个补偿器也不是一件容易的事。等【】部分解决了上述问题，给出了设计两个动态补偿器的参数化方法，来得到可靠镇定问题的解。文中还给出了把一个稳定的控制器分解成两个并联的动念补偿器，进而实现可靠镇定问题的有效方法，其前提仍然是被控对象必须是强可镇定的。等【深入的研究了冗余控制器的可镇定问题，在控制对象不是强可镇定的情形下，给了可靠镇定问题的求解方法，其设计思路是采用多个并列的动念补偿器。与传统方法不同的是，这罩每个补偿器需要获知其它补偿器的输出信号，因此需要借助辅助的传感器来观测其它执行器的运行状况。所以，对可靠镇定题的研究已基奉成熟。（）完整性完整性问题也称作完整性控带（），它一直是被动容错控制中的热点研究问题。该问题之所以有很高的应用价值，是因为控制系统中执行器长期频繁地执行控制任务，是最容易发生故障的部件。某些执行器的失效，能使系统欠去预期的性能指标，在这种情况下即使某些开坏稳定的系统，闭环后也可能失去稳定性。如果在部分执行器失效时整个系统仍能稳定工作，则哈尔滨科人学硕十。子：何论文称幺系统具有完整性。完整性问题的研究对象通常是线性定常系统。（）联立镇定联立镇定有两个主要作用。其一，当被控对象发生故障时，可以使其仍然保持稳定，具有容错控制的功能；其二，对非线性对象，经常采用线性控制力法红菜工作点上对其进行控制。当工作点变动时，对应的线性模掣也会发，变化，此时，具有联立镇定能力的控制器就仍然可以镇定被控对象。总之，被动容错控制系统的设计基于系统中存在着的冗余现象，设计所褂的控制器的结构和参数一般具有固定形式，并不需要故障诊断机构，也不必进行控制重组，因此易于实现。这是被动容错控制策略的优点。如果设计得、刍，应用被动容错摔制策略设计的容错控制系统在系统发生故障时，是能够起到容错控制作用的。然而，设计被动容错控制系统时，需要事先预知系统可能发生的各种故障情况，控制器的设计过程通常都很复杂，设计出来的控制器也难免过：保：容错控制系统的性能不可能是最优的。并且在不可预知的故障情况发生时，系统的性能甚至稳定性都可能无法得到保证。这是被动容错控制的足之处。这恰恰是主动容错控制设计所能解决的问题。主动容错控制策略的研究因此得到了迅猛的发展，成为当前容错控制方法研究的焦点。动容错控制】三动容错控制在故障发生后需要重新调整控制器的参数，也可能需要改变控制器的结构。主动容错控制结构如图所示。大多数主动容错控制需要故障检测与诊断（，）子系统，只有少部分不需要子系统，但也需要获知各种故障信息【酬。主动容错控制这一概念正是来源对所发牛的故障进行主动处理这一事实。主动容错控制大体上可以分为控制律晕新调度、控制律重构和模型跟随重组三大类。哈尔滨。稃人学硕学何论文“”一”“：二二：二：。：蔼“。一图主动容错控制不意图（）控制律重新调度（）在系统发生故障后，整个系统的动念特性发生了变化，针对不同的故障形式，应该进行不同的控制器设计。基本思想是离线设计出各种故障情况下所需的合适的控制律，并储存起来，然后，根据在线提供最新的故障信息进彳：控制器的选择和切换，组成新的闭环控制系统，从而起到对故障容错的作用【。显然，这种主动容错控制策略对诊断机构的实时性要求比较百，也需要对被控系统的认知程度比较深。采用实时专家系统进行控制器的切换将会产乍很好的效果。应该说这是一种非常实用而又快速的容错控制策略，有着较好的应用自景。（）控制律重构设计（）在单元确诊故障后，在线重组或重构控制律是目再很受关注的研究方向，现有的成果也比较多。最常见的控制律重构的设计方法多使用基于珍断结果的特征结构配置方法。基本思想是采用基于影响图的实时专家系统监督系统的运行。系统正常运行时，采用模型参考学习自适应控制律，以提高控：精度；当检测到系统已处于不稳定边沿时，将控制律实时切换到一种简华的控制器，仍使系统保持稳定。现有的控制律重构设计方法中，大多数考虑的执行器故障情况是要么失效、要么常。但某些故障情况不再是简单的发了故障或没仃发生故障的二值问题，故障后系统的剩余执行驱动力重组、口题虑情尔演料人学硕十学何论文被加以考虑。（：）模弘跟随蘑组控；制（这类土动容错控制基本原理是，采用模型参考自适应控制的思想，使得被控过程的输廿：始终白适应地跟踪参考模型的输出，而不管是否发生了故障。此，这种弃错控制小前婪单元。当发生故障后，实际被控过程会随之，茂乍变山，控制你就会适应地进行重组，保持被控对象对参考模型输出的跟踪。容错控制的国内外研究动态下面简要介绍国内外在水下机器人的容错控制方面的研究动态：（）戈幽夏威夷大学自主系统实验室械工程系研制的。如图所示，水下机器人是一个可以自由度运动的球形水卜机器人。配有个水平推力器、个垂向推力器，可充电的铅酸电池，续航力小叫。每个推力器有一个传感器测量捶力器电动机的输出电压，通过它可以监视椎力器。捕力器电动机的期望输出电压（由控制器推力及推力器控制矩阵决定）电动机的实际输出乜压之自的差值大于闽值，则认为改电动机对戍内摊力器出错。闽值由试验和经验确定。然后用伪逆方法确定推力器推山，政变伪逆矩阵实现重新推力分配，通过重新推力分配实现容错控制。刚水机器人幽“：”水机器人（）如图所示，本东京大学在丌发的“水下机器人上采用了一种基于模型的故障诊断方法。提出采用回归型神经网络构造水下机器人动力学模型的方法柬对水下机器人进行故障诊断。将实际的传感器输小值模型预测输出值相比较获得残差，分析残差与闽值关系对传感器进行跨渐。哈自；滨稗人学硕十学位论文（”挺刚成尔士大学研究了丌架式水下机器人“”和“”的救障诊断和吝错控制系统，该系统由两个子系统组成：故障渗断（）系统（）察锚控划子系统（）。用相应于每个推力器的故障榆铡母儿（）术榆测其状态它基自组织映射和模糊聚类分析，是一种混合、（线旧”、，模叫厄芙的方法。在训练阶段，根据试验中捩僻数！佑髓，获得白组织映射特性；在故障检测阶段，通过比较特征向量在腆身投晌仃背柬判断故障的类型，完成故障诊断任务。刮“”水机器人幽“”水机器人国内方面，哈尔滨工程大学在水下机器人故障啥断方面也做了定的圳究。刘建成采用改进网络对水下机器人建模并进行：用带渐消川的扩展滤波器对无故障及每个推力器故障进行建模并进行研究：并用证据理论将两种诊断方法得到的结果进行融合”。王玉甲采用模糊逻辑与神经网络结合对水下机器人运行状态进行监测，并且实现了水下机器人推进器与舵执行器的故障监测”。王丽荣采用小波变换实现了传感器突变检测：采用改进型的小波神经网络实现了推进器的，并且将动态递归神经网络应用于主推进器的；采用滑模观测器对水下机器人进行建模并通过海卜试验验证了其理论的可行性；将模糊推理引入到中，、减少了误报率，提高了的精度口”。方少吉在神经网络中引入了最小扰动舅法进行研究【。孙瑞琛尝试了使用了神经网络对于传感器监控系统辨泌，使用数据融合的方法对于传感器故障进行监测以及融合【”。论文的主要工作论文研究的背景和意义本课题柬源于哈尔滨工程大学智能水下机器人试验室某科研项目。智能水。陟哈尔滨：科人。字：硕十号：何论文卜机器人是一个强非线性参数不确定系统，系统的可靠性依赖于相应传感器和执：器勺可靠性。一旦传感器或执行器发生故障，如果得不到及时处胖，轻则影响系统的控制效粜，霞则可能造成事故的发生。所以采用容错技术，能及时诊断出系统出现故障的位置，程度，并能及时得到处理，以保证水卜机器人：部分部件（或分系统）出现故障的情况下，顺利完成既定作业任务。所以，昝错技术足保障水下机器人的生存及成功完成作业任务的关键技术，具有重人的现实意义，足水下机器人智能技术中重要的一部分。但是对于众多基于容错控制，勺控制力法，对于智能水下机器人，哪一种方法更具有现实意义，更好的操作性和更高的容错能力，对其研究具有很大的现实意义，是保障水下机器人的生存及成功完成作业任务的关键。论文的主要工作本文结合神经网络和传统的控制理论对水下机器人的容错控制进：了深入分析，对于水下机器人传感器和推进器实际中可能出现的故障，提出了相应的容错控制研究。论文的主要工作包括以下几个方面：（）介绍了国内外目自，应用最广的几种神经网络在水下机器人容错控制系统中的应用，本文主要介绍了网络和小波神经网络在水下机器人容错控制中的应用，使用了强神经网络对于传感器进行了故障珍断，当某传感器发生故障时，使用强网络对于多个传感器信号的融合，恢复故障传感器的信息。（）对于传感器中出现的几种常见故障，采用了相应的故障处理方法，并进行了仿真。（）应用小波网络对于推进器中可能出现的故障进行了分析和研究，基了水下机器人本身的容错性，在单个推进器故障时，使用推进器推力的蕈新分配，仍能基本保证水下机器人水下作业，并进行了相应的仿真。哈尔滨：稃人学硕十学何论文第章神经网络的基本理论人工神经元和神经网络人衬经元是对生物神经元的简化和模拟，是组成神经网络的摹本元素。人忡绛厄在结构一二为多输入、单输出的非线性元件，人工神经元结构模燃【纠：疗幽神经元的结构模型其中五，而，为输入信号，为神经元内部状念，谚为阂值，为连接的权值，表示外部输入信号（在某些情况下，它可以控制神经元“，使“，可以保持某一状念），为激发函数，只为输出，上述模型可以描述为：。缈，一，（）扰，（，）（）”（，）（仃，）厂（国。，只）（）其巾：通常的情况是没有，的。此时，每一个神经元的输入接受前一级神经尢的输，凶此，对神经元的总作用正，为所有输入的加权和减去阈值（替厄闽恤就彳减），此作用引起神经元的状念变化，而神经元的输出只为！与日订状念仃，的函数。二面都是针对稳定状念来说的，如果考虑到反应时日，那么必须用微分方程米表示神经元的状念变化，结合式（），在最简单的情况下，以下的式子成：兢：鲁；，）以（），甜合尔滨。柑人。子：硕十了：何论文人工神经叫络（）由大量的人工神经元连接而成，足源丁二人脑神经系统的一类模型，具有模拟人的部分形象思维的能力，是模拟人类错能的一条重要途径。其工作方式包含两个阶段，即学习阶段和工作阶段。住。爿阶段，学刊算法，经元之间的连接权值进行优化，优化标足使标函数厶剑最小；在：作阶段，连接权值不变，网络根据输入信号计算得），的输出。山此町以看出，神经网络的特征和性质主要决定于网络的拓扑结，年学规则。（）种经网络的拓扑结构根据神经元之间的连接方式，神经元的种类总体上可以分为两人类：前馈型硐络和反馈连接型网络。自仃馈型网络由输入层、中问层（或称为隐层）和输出层组成，中间层可以有荇二层，每一层的神经元只接受自仃一层神经元的输出；而反馈连接型网络中的仔崽两个神经元之间都可能反馈连接，因此信号要在神经元之日反复往返传递，从某一初始状态丌始，经过若干次的变化，逐渐趋近于某一稳定状念或周期抓荡等其它状态。（）神经网络的学习方式神经网络学习方式包含两大类，即有监督学习和无监督学习。多层前馈神经网络及其网络多层自，馈神经网络（），它包含输入层，隐层和输出层，隐层可以为一层或多层，层上的神经元称为节点或簟元，了点激活函数通常采用函数，同层节点之间没有任何连接。输入数就从输入层节点输入，依次经过各隐层节点，最后到达输出层，从而得到输出数据。由于同层节点之间没有任何连接，故每层节点只影响下一层节点的输出。删络中的神经元分层排列，常见的多层前向神经网络有：神经网络、网络等。络结构如图所示，它属于有监督的学习，是梯度下降法存多层自，馈神经网络中的应用。它由输入向传播和误差反向传播组成。输入萨向传播是指网络在施加输入信号后酊向传播直到在输出端产生实际输出信号，其输出哈尔滨群人学硕十学山论文址输入和权值的函数；如果输出层得到了期望的输出，则学习算法结束：食则，转罕反向传播。反向传播是指网络的实际输出与样本输出的差值即误差，幽输端始逐版血后传播。由梯度下降法调整各层神经元的权值和闽值，使误蕴信号减少。输入层，隐蔽层形啊毒一）输出层气，声。丫后图网络结构幽径向基函数神经网络网络的结构网络用于函数逼近时，权值的调节采用的是梯度下降法，这种调节权值的方法有它的局限性，即存在着收敛速度慢和容易陷入局部极小等缺点。径阻辏函数（，简称）网络是一种在逼近能力、分类能夕和学习速度等方面都优于网络的另一种网络。径向基函数神经网络是于年代术提出的一种神经网络，径向基函数神经网络是一个包含输入层、单隐层和输出层的三层前馈网络】。结构如图输入层隐层输出层图神经网络的结构？。刃哈尔滨：利人学硕十学位论文（）从输入层剑隐层由于输入层到隐层的权值是固定为的，即，隐层的激活函数妒（）墩为高斯函数，所以隐层第，个单元输出为：姒枷掣弘，伏：蹙范数，这驻采用欧式范数，即川（，）（，），农力隐层第，个单元的中心，仃，为归一化参数，用于控制接受域大小，为维输入向帚，【。，黾，】。（）从隐层到输出层第个输出单元网络输出为：儿纺（）（），。为隐层第，个单元到第个输出单元的连接权值，为隐单元总数。妒，（）为隐层第个荦兀输出。神经网络的算法中心，的确定由于定位于所有的数据点会造成“过度拟合”，所以采用聚类分析的方法术确定，从而可以极大的减少隐层单元数，故采用均值聚类算法：（）初始化所有聚类中心，（，），通常将其初始化为最初的个训练样本。（）将所有样本按最近的聚类中心分组。（）计算各类的样本均值：，寺，（）式中，为第类的样本数，为第类样本。重复以上步骤，直到所有聚类中心不再变化。利用一均值聚类算法获得各个聚类中心后，即可将之赋给各穆尢作为中心。？径，的确定半径仃决定了单元接受域的大小，能够影响网络的精度。本文确定仃，的哈尔滨：群人学硕十。孚：何论文方法是：刈每个求墩与它最邻近的个近邻单元中心距离的平均值：为仃的取值。渊。，口。年权值口时，采用梯度法。网络特点神经网络足类特殊的三层神经网络，具有以下几个特点：（）神经网络以峰实的数学基础为依托，无需假设学习的近似函数形，即埘数掘进行拟合。（）神经网络可以以网络参数之间的高度非线性，精度极高的预测非线性！时间序列，且速度快。（：）神经网络能从容应对网络参数之间的高度非线性关系，而不会陷入局部最优，能用丁：高维空间的内插和外推。（）隐含层功能函数一径向基函数的特点决定了神经网络较之其它多层前向网络而言，更适合于解决高维问题，在维数相同的情况下，所需隐层节点数较少。（）神经网络具有很强的鲁棒性和容错性，善于联想、概括、类比和推，任何局部的损伤不会影响整体结构。（）神经网络具有很强的学习能力，系统可在学习过程中不断完善自己，具有创新特点。型网络标准的型网络的原理结构【】如图所示。把表示中间层仃一时刻输出的神经元添加到输入层，根据中间层的输出来处理输入输出的历史信号。型网络结构，对应于输入信号不同，可以调整过去的信号对现在值的影响，刚时对于学习范围更高的频率的输入也可以有确的响应。哈尔滨稗人学硕学何论文输入单元“，（七一），鲋。（七一）结构：瞧，元隐层单元输出单元玉（七）弓（。套删（膏幽标准巧网络结小波神经网络小波网络的构造小波网络（，），也称小波神经网络（，），小波变换具有时频局部特性和变焦特性，而神经网络具有自学习、自适应、鲁棒性、容错性和推广能力，如何把两者的优势结合起来，一直是人们关注的问题。小波神经网络是小波分析理论与人工神经网络理论相结合的产物。目前，二者的结合有如下两种途径【：（）松散型结合，即小波分析作为神经网络的前置处理手段，为神经网络提供输入特征向量。（）紧致性结合，小波和神经网络直接融合，即小波函数和尺度函数形成神经元。图为松散型结合，信号经过小波变换后，再输入给常舰神经网络以完成分类，函数逼近等功能。如图，这是目大量研究小波神经网络的文献中广泛采用的一种结构形式。它是将常规神经网络的隐层函数用小波函数来代替，相应的输入层到隐层的权值及隐层阈值分别由小波函数的尺度和平移参数所代替。哈尔滨：袢人学硕十。学何论文图小波变换！常规神经网络的松散删结合工乞一（）气（）誓弓：（）弓，“）矗：，：（）。、。分岛，（），（）图小波神经网络的一种结构形式小波变换的基本原理小波变换的基本思想是用一族函数去表示或逼近一个信号，这族函数称为小波函数系。小波是一衰减的波形，它在有限的区域旱存在（不为零），且其均值为零。小波变换就是通过这一基本小波函数的不同尺度的平移和伸缩构成的。从而，提出了变化的时窗，当需要精确的低频信息时，采用长的时窗，州需要精确的高频信息时，采用短的时间窗。称满足如下允许性条件（）婵弘一（）的方可积函数（，）称为一个小波基（母小波）。式中（）是（）的傅立叶变换。由式（）可得到：痧（）妙（肛（）由式（）可知（）具有一定振荡性和衰减性，即它包含着某种频率特性。雠小波（，）绐、广移、伸缩口得到一函数族：刊剖（等，咖皑口。（）其中口为尺度因子，为平移因子。信号（）（尺），则（）的连续小波变换定义为吲砌冲一门肌啊（等（）在实际应用中，尤其在计算机上实现，连续小波必须加以离散化。在对连续小波及连续小波变换进行离散化时，离散化指的是对连续的尺度因子和平一一小波变换卜入输哈尔滨：利人。字：硕十。了：何论文移因子的离散化，而是针对时问变量的。通常，把连续小波变换中尺度大予和平移因子的离散化公式分别取做口，勋；，这罩扩胜步（，（足同定值，为方便起见，总是假定。所以对应的荔散小波晒数为：）学缈（计一蛾）（）任意蛹数（的离散小波变换的定义为：广上厂（，）（）防（）常常墩，此时的小波为二进小波，若再取玩，则称其为：进！交小波变换，即（，），（吖），（）相应的二进交小波变换定义为：墨，叫厂（）（吖一尼冲（）二进小波对信号的分析具有变焦距的作用。假定一丌始选择一个放大倍数，它对应为观测到信号的某部分内容。如果想迸一步观看信号更小的细节，就需要增加放大倍数，即减小，值；反之，若想了解信号更粗的内容，则可以减小放大倍数，且；大值。（）一般可看作为带通滤波器，其对应的尺度函数（）满足：击（）卜窆甲（，）（）矽（，）本质上是低通滤波器。由矽（）得到的一簇二进交尺度函数为：纵（）矽（一尼）（）根据多分辨分析的理论，如果二进离散小波函数族甲肘（幔，构成（）中的标准诈交基，则对信号（）有如下的交小波分解：（）酬甲肚（）乳（）（一）其为分解层数；酬为第层高频小波分解系数序列第个分量；为尺度分解系数。对任意信号，离散小波变换第一步运算是将信号分解为低频部分和离敞部分，低频部分代表了信号的主要特征；第二步对低频部分再进行相似运算，此哈尔滨：科人学硕十学何论文时尺度子已改变：依次进行剑所需要的尺度。小波神经网络和常规神经网络的比较小波网络是一种自订馈型网络，在自馈神经网络中最常用的是网络（）和侄璀踊数网络（）。对于网络和网络，如果给定足够多的经无，町以对任意连续函数以任意精度逼近，但是二者的逼近性质却截然彳。叫络一的隐含神经元采用的是全局激励函数如函数，天匕神经元住很大的输入范围内被激活，得到对函数的全局逼近。而例络一扣的隐含神经元采用的则是局部激活函数，如函数，神经元的输出在输入距激励函数接收场中心较远时很快下降，也即在给定输入较小的范围内彳被激活，因此具有局部学习功能和良好的细节逼近能力。由于采用全局激励函数，网络的每一个神经元在较大的输入范围内对输出有影响，并且所有的激励函数相互重叠，进而产生交叉影响，训练过程中要刈听有相了：影响的神经元的连接权进行调节，使全局逼近的学习速度下降。，外，全局逼近网络在整个输入范围内均有输出，而与输入空间中训练数执：的密度无关，这将导致很大的外推误差。采用局部激励函数的神经网络可以克服全局逼近网络的上述不足。对于每一个输入，只有少数几个神经元被激活，因为只需对网络的一部分进行调整，所以这姥神经元很容易适应新的数据。激励函数的局部特性保证了少数被激活神经元参与的外推在较小的输入范围内进行，可见采用局部激励函数的网络嘤比采用全局激励函数的网络在函数逼近理论和训练学习上都有优势。从结构形成看，小波网络与前馈神经网络没有本质区别，所不同的是，小波网络的隐节点函数是小波函数，输入层到隐层的权值和阈值分别对应小波的伸缩和平移参数。小波网络和网络同属于局部逼近网络，但是网络激励函数是：