多小波及其在图像处理中的应用

介绍了多小波的理论及如何利用多小波对图像进行分解和重构的方法；利用多小波零树图像编码，对图像进行压缩仿真试验，得到了比一般单小波更好的效果．     

用多小波对图像分解和重构

与单小波相比较,多小波同时具备诸如紧支性,正交性,对称性等诸多在信号处理中非常重要的良好性质．这决定了多小波是一种优于单小波的信号处理技术．在应用中,对于单小波可以直接利用分解与重构公式对信号进行滤波．但是多小波是用矢量滤波器组对信号进行分毹、重构．滤波对象必须是满足一定要求的矢量信号．因此,在进行多小波分解前必须通过前置滤波器对原始离散信号进行预处理得到初始矢量,然后才能进行多小波变换．同样,对重构后的数据也要进行后处理才能得到需要的结果．本文以GHM多小波为例,实现了对图像的预处理、分解和变换后的重构、后处理过程,并将解压缩后的结果与单小波相比较,获得较好的结果．     

小波神经网络结构设计新算法

依据训练数据集,构造多分辨率的小波节点库,再根据输入给出小波节点的输出向量．在此基础上,把一种非线性动态系统模型结构确定和参数估计方法与小波网络相结合,提出一种新的小波网络学习算法．该算法权衡网络的规模和精度两方面因素,自动地确定网络的节点数目,可以得到在ＢＩＣ准则下最优的小波神经网络．仿真结果表明,用本算法设计得到的小波神经网络具有较小的网络规模,同时还具有很好的推广性能     

磁悬浮开关磁阻电动机径向力的动态解耦控制

基于基本电磁场理论，给出了磁悬浮开关磁阻电动机径向力与位置的模型．针对模型具有非线性和强耦合的特点，对该模型进行可逆性分析，从而证明该系统可逆．应用神经网络逆系统方法。设计其非线性控制器，将原来非线性强耦合的多变量系统解耦，转变成2个位置彼此无耦合的线性子系统，应用线性系统理论容易对这2个子系统进行控制．仿真表明，系统具有良好的静动态性能．     

基于多小波变换非线性自适应增益的图像增强

随着多小波理论的发展,它所拥有的对称性、光滑性、紧支性、正交性等重要的数学性质弥补了单小波的不足．提出了一种基于多小波变换非线性自适应增益的图像增强算法,将图像进行多小波分解,高频细节图像采用多尺度非线性自适应增益增强．低频平滑图像采用反锐化掩模增强．实验结果表明：该算法能突出图像中的细节部分,可以有效地消除噪声,并且具有良好的增强效果．     

基于紧支撑和正交非分离小波的图像去噪算法

提出了一种基于紧支撑、正交的非分离高维小波去噪方法.首先,根据非分离小波理论,构造了一个非分离、具有二阶消失矩的小波滤波器组,然后结合非分离小波变换与单小波去噪方法中的VisualShrink方法进行图像的去噪,并与多小波、单小波的去噪效果进行比较.实验结果表明,该方法不但峰值性噪比的增幅值要明显高于CDF53单小波方法、GHM多小波、D4单小波的HeurShrink方法,而且具有更好的视觉质量.     

基于多小波直方图的纹理图像检索

为了进一步提高小波直方图的检索性能,提出了一种多小波直方图算法. 该算法根据多小波分解的特点,从能量角度出发,通过子带组合、0/1量化等运算生成多小波直方图. 与单小波直方图相比, 多小波直方图在实数域中同时具有正交、对称、短紧支撑和高消失矩等特性, 并且具有计算量小、精度高等特点. 纹理图像检索的对比实验结果表明,多小波直方图的检索精度比单小波直方图提高了16%.     

机器人动力学模型识别新方法

准确的动力学模型在先进的机器人轨迹跟踪控制中扮演了一个非常重要的角色．通过分析关节的非线性摩擦力的特点，提出了一种新颖的机器人动力学模型识别途径．同时应用最小均方差方法和支持向量机算法，可以准确地识别机器人的线性和非线性耦合的动力学模型．对一自由度机器人系统的实验结果表明，相对于传统方法，其动力学模型的建模精度更高．     

小波神经网络结构设计新算法

根据系统的输入为小波网络的建立给出不同分辨率小波节点的可选集合,再根据输入为每个小波节点建立小波节点输出向量,把一种非线性动态系统模型结构确定和参数估计方法与小波网络相结合,提出一种新的小波网络学习算法．该算法权衡网络的规模和精度两方面因素,自动地确定网络的节点数目,可以得到在ＢＩＣ准则下最优的小波神经网络．仿真结果表明,用本算法设计得到的小波神经网络具有较小的网络规模,同时还具有很好的推广性能     

多变量生物发酵过程的解耦控制

把非线性系统的逆系统方法与神经网络非线性辨识技术相结合，提出了一种基于神经网络逆系统的发酵过程多变量解耦控制策略．当过程模型缺乏足够的先验知识时，所提出的解耦控制策略对多变量非线性连续发酵过程取得了良好的控制性能．仿真结果表明，提出的解耦控制方法能够适应过程模型的不确定性和参数的时变性，具有较强的鲁棒性．克服了基于微分几何理论的逆系统解耦控制方案依赖于过程模型和对模型参数变化很敏感的缺点．     

基于小波和非线性含输入自回归模型的系统辨识算法

提出了一种结合小波理论和非线性含输入自回归(NARX)模型的系统辨识新算法．该算法利用小波函数有效的逼近能力避免了应用NARX模型系统辨识时确定模型结构的复杂过程，消除了通常小波网络辨识算法由于输入变量之间可能存在巨大差别而引入的严重失真，构成了一个通用、有效、不依赖于系统先验信息的非线性辨识框架．两则数据仿真表明，对于高度非线性系统，该算法可使系统估计的均方误差减少60％以上．     

基于神经网络的多变量非线性系统的广义预测控制

为了使广义预测控制的思想成功应用于多变量非线性系统,用神经网络对其进行开环解耦得到单变量非线性系统后,采用一种复合多层前馈神经网络结构作为单变量非线性系统预测模型,利用递推最小二乘法和Davidon最小二乘法作为在线学习算法,建立了一种适合多变量非线性系统的自校正广义预测控制器。     

Application research of wavelet neural networks in proces control

非线性过程的建模和控制问题尚无通用的模型结构和方法可用于过程控制。结合小波和神经网络方法进行过程控制的通用模型和方法的研究,提出了一种仅用尺度函数逼近的小波神经网络模型,并用它来实现非线性预测控制方案。该模型能用线性最小二乘方法进行拟合,因而具有易于实现和通用的优点。由于简化了在线优化方法,所提出的非线性预测控制方案已在线实现。用该方法进行了两个非线性系统的模型辨识和一个双线性系统的控制仿真,模型的通用性、辨识和控制方法的简单易用和仿真结果表明,所提出的方案对过程工业和非线性、高阶系统有很好的实用性,有着比标准ＰＩＤ控制器好得多的控制效果。     

小波神经网络在过程控制中的应用研究

非线性过程的建模和控制问题尚无通用的模型结构和方法可用于过程控制.结合小波和神经网络方法进行过程控制的通用模型和方法的研究,提出了一种仅用尺度函数逼近的小波神经网络模型,并用它来实现非线性预测控制方案.该模型能用线性最小二乘方法进行拟合,因而具有易于实现和通用的优点.由于简化了在线优化方法,所提出的非线性预测控制方案已在线实现.用该方法进行了两个非线性系统的模型辨识和一个双线性系统的控制仿真,模型的通用性、辨识和控制方法的简单易用和仿真结果表明,所提出的方案对过程工业和非线性、高阶系统有很好的实用性,有着比标准PID控制器好得多的控制效果.     

利用子波基函数神经网络进行预测

提出了一种利用子波基函数神经网络对自动控制系统进行预测的新方法。子波基函数神经网络利用局部获得信息完成函数映射,从实验数据中提取时频特征,基于以前观察获得的数据来预测未来的输出结果。在这篇论文中,我们提出了一种实现子波基函数神经网络的结构和算法,并给出了一个时间序列预测的例子评价子波基函数神经网络预测的性能。     

Wavelet Neural Networks for Adaptive Equalization by Using the Orthogonal Least Square Algorithm

Equalizers are widely used in digital communication systems for corrupted or time varying channels. To overcome performance decline for noisy and nonlinear channels, many kinds of neural network models have been used in nonlinear equalization. In this paper, we propose a new nonlinear channel equalization, which is structured by wavelet neural networks. The orthogonal least square algorithm is applied to update the weighting matrix of wavelet networks to form a more compact wavelet basis unit, thus obtaining good equalization performance. The experimental results show that performance of the proposed equalizer based on wavelet networks can significantly improve the neural modeling accuracy and outperform conventional neural network equalization in signal to noise ratio and channel non-linearity.     

受限机械臂的自适应小波滑模位置/力混合控制

针对终端运动受约束的机械臂位置/力混合控制问题,提出了一种自适应小波滑模控制算法.该控制方案将滑模控制的鲁棒性及自适应调整能力与小波神经网络相结合,根据坐标变换得到降阶位置/力模型,针对降阶模型采用小波神经网络在线学习系统未知动力学模型中的非线性部分,同时引入滑模控制自动调整小波网络权值参数,从而对神经网络的固有逼近误差进行有效补偿,达到期望的跟踪性能.二自由度机械臂的仿真结果表明该控制器能保证系统快速有效跟踪指定参考信号.     

基于小波网络的非线性多变量约束预测控制

为了解决非线性多变量系统的建模、控制和优化问题 ,论文扩展基于小波神经网络的单变量系统辨识到多变量系统辨识 ,并用它实现非线性预测控制。对开环稳定过程 ,引入一个具有输入约束的基于小波神经网络模型的区域预测控制方案 ,它的闭环稳定性能够通过适当选择它的预测水平来保证。基于上述动态控制方案 ,提出了一个稳态状态优化方案。通过对一个聚酯生产过程的仿真研究 ,证实了上述方法的有效性。由于能够通过线性最小二乘 (L S)估计方法来辨识 ,该模型易于实现并可用作通用模型。仿真研究的结果表明了该模型的通用性、辨识和控制方法的简单性 ,所提出方案能够被用于过程工业的非线性系统的建模和控制     

一种基于油中溶解气体分析的变压器绝缘故障诊断新方法

将小波神经网络优良的分类诊断能力和最小二乘加权融合方法相结合,采用油气分析实现电力变压器的故障诊断.用非线性Morlet小波基作为神经网络激励函数,形成神经元,结合双方的优点,建立了紧致型小波神经网络.采用6个同一小波,其隐层单元数目、学习率等相关训练参数不同的单个子网络,对相同变压器故障信号样本进行训练,用最小二乘加权融合法对各个子网络的输出结果进行决策信息融合,通过对融合结果的分析,得到变压器故障的识别结果.测试结果表明,系统具有较好的分类诊断能力和可靠性.     

X滤波自适应逆控制算法及在液压位置控制系统中的应用

针对非线性时变特性的液压位置伺服系统跟踪控制问题,基于自适应逆控制理论,提出X滤波液压位置自适应逆控制策略.对传统自适应滤波算法在X滤波结构下的不足,提出变换域变步长归一化最小方差算法.采用该算法对液压伺服位置系统进行了对象建模、在线逆建模及开环控制系统设计.仿真结果表明,X滤波液压位置自适应逆控制具有跟踪速度快、对参数摄动鲁棒性强等良好动态特性.