第卷 第期年月京科技大学学报山。万功神经网络在信号处理中的应用徐金梧梁静北京科技大学机械系,北京仪瓦阳摘要运用网络来消除信号的 随机噪声和模式识别作 为例 子,考 虑了正 弦波、矩形波和三角波种信号在功噪声情况下,网络仍能有效地消除这种信号 中的 随机噪 声 并 正 确地找出它 的理想模式关健词神经网络,信号处理网络,随机噪声,模式识别中 图分奏号俄知沼”故块吮司即,肠众犯,口拐】,一认公,获 宜一从么】,压众团拐刃,万,最近几年来,人工智能中的一个重要分支一神经网络在理论上 取 得了大 量 突破性的发展,引起了国内学术界、工业界的高度重视和极大关注它的发展为人工智能模式识别与信息处理等学科的研究带来了新的希望。由于神经网络具有自组织、自学习和并行分布信息处理的特点,神经 网络在模式识别信号处理 及最优 化问题等 方面得 到了广泛 的应用有人 认为,它有可能导致一场新的工 业革命本文将探讨神经 网络中使用最广 泛 的网络己在 信 号处理中的应用。主要是用网络来 消除信号 中的随机噪声,并 自动判别其理想模式。网络的基本特征和学习方式通常,网络被认为是一个具有高度非线性 的静态系统,目前多数用于诊断、预测等问尧 趁一一收稿第一作者男岁教授博士丫徐金梧等神经 网格在信号处理中的应用题神经元是神 经 网络的基本处理单元,它一般被认为是一多输人、单输出 的非 线性 器件,其结构模型如图所示其中,不 表示 输人信号,叽表示从第个神经元所输出的信号连接到第个神经元上的连接权,为第个神经元的闺值。表示第个神经元的状态二艺哄,兀一,表示第个神经元的 电位值。,称为转换函数或激 活函数对于网络这类连续性 网络,它 常取状函数,拜【,如图所示图神经元结构模型图状转换函数触朋洲帕“,刃如搜以瑰勿服闭加四币加网络是一种典型的多层非线性 映射网络,其拓朴结构如 图所示对于 这种无反馈的多层前向网络的学习问题,目前主要采用最小均方差 的方法它是建立在梯度下降法 的基础上,有教 师指 导的学习方法具体地说,对于一组已知其输人 与目标输 出的样本集,逐个输人样本对戈与,用梯度下降法计算叽的增量值叽,反复迭代,使系统学习后 的输出值与期望输出值的误差最小用这种学习方法所得到 的连接权叽,阂值使得系统对于这些样本集具有最小的均方误差这个思输出层隐含层输人层图网络的拓扑结构奄神汰娜业想常常被用来解决诊断问题譬如,戈可以被认为是特征,而丫表示故 障原因。如果已知在不 同故 障原因情 况下,它们 所呈现的特征量,那么通过学习可以将输入层特征与输 出层故障原因之间的映射关系凝结在连接 权城,和闭值上在 实 际诊断 过程 中,可以根据已知 的叽、和新 的特征量来确定它 的故障向量同样的方法也可用于 医学诊断【北京科技大学学报粥科年网络用于消噪和模式识别在工业控制和信号处理中,从传感器所获得 的信号常常伴有 噪声,这给信号识别带来了很大 的麻烦在一般的信号处理方法 中,噪音的消除往往通过时域中的自相关分析法和频域中的各种 滤波方法来完成但自相 关分析仅对淹没在噪音 中的周期信号和瞬 时信 号较为有效因此,直接采样得到 的时域信号往往得不到很好的利用尤其对于 实时控制系 统要求的对信号进行快速处理,确定 它们属 于哪一种模式 时,就更显得力不从心神经网络用于消 噪和模式识别,目前多采用网络和双向联想网络【这 两种 网络都是利 用它们的联想记忆能力来实现消噪和模式识别的但这两种网络在实现联想记忆时多采用离散网络离散型的网络不仅收敛速度慢,而且常常不能得到精确解离散型 的双向联想网络需要编码和满足正交性条件同时,这种 网络在作信号识别 时为了提高它们的分辨率,需要划分大量的网络,这就要求计算机具有很大的内存空间,这些限制了它们在 实 时控 制系统 中的应用网络的消 噪能力以前一直没有 引起人们的注意最近,我们使用网络对信号进行处理,不仅消 除信号中的噪声,同时实现信号的模式识别功能具体方法如下选择信号中几种典型 的模式作为目标输出确定提供网络学习的样本集按网络的学习算法对样本集进行学习,以得到满足精度要求的各层 的连接权叽 和阂值,学习过程结束网络进行工作时,将待识别的带有噪声的信号输人到输人层,用前向网络计算其输出值为了提 高计算精 度,将所 得 的输出值作 为输人再次送 到 输人层,以得 到 新 的输出,直到本次输出结果与上次输出结果 的差小于某一给定值为止,工作过程结束通过对网络的工作状态进行改进,增加了反馈,可以保证一般的学习精 度 也 能得到较好的工作效果实现信号 的消噪和模式识别,这种方法运算效率高,消噪效果好计算实例在下面的讨论中,选择了种典型 的信号,它们是正弦 波、矩 形 波和三 角 波输 人 层口图 瑰用网络消噪后的正弦波如比”恤对匕,曰山价盛蛇山以件吸图 瑰用网络消噪后的矩形波 加嗯加 内门川日曰叭戏刃协,曰喊翎万徐金梧等神经网格在信号处理中的应用和输出层均 为个神经单元隐含层 为一层,神经元的个数为个这里选择的输人 层和输出层具有 同样的单元个数,是 由于输出层 的结果 对应着滤波以后 的输入层信号,即最终的输出层 的信号表示 消噪以后 的信号在学习阶段,将带有 噪声 的信号与它们所对应的目标信号作 为样本提供给网络进行学习,从而确定了这种典型模式的记忆状态,即它 的连接权叽和 阑值在工作 阶段,将待处理的信号输人到输人层,经过几次迭代,使输出结果的变化量达到某一给定值,其输出层的状态即为消噪以后 的信号图一表示带有噪声信号的正 弦波,矩形波和三角波经过网络三图瑰用网络消噪后的三角波吨叫加拐 山切而,曲肠巴脚介刃扣目口吐脚以傲次迭代处理后所得到 的理想信号从这些结果可以看出,网络具有极强的消 噪能 力事实上,当噪声 高达以上 时,网络仍能 正 确地 识别其理 想的模式,并 能 消 除信号 中的噪声这里,消噪以后 的信号即表示原始信号所属的模式结论本文运用网络有效 的消除了信号 中的噪声并 自动 识别 出信号的理想模式网络消噪方法不 同于其它滤波方法,它能实现宽频带范围内滤波从网络的学习方法可以看出,用网络进行模式识别是基于误差最小的距离分类方法,即将 带 有 噪声的信号匹配到距正确模式 中最近的那 个模式作 为其理想模式参考文献焦李成神经网络系统理 论西安西安电子科技大学出版社,男以坦仿外曰旧以司江用既过为亡刊限认心一曹焕光人工神经元网络北京气象出版社,卯庄镇泉等,神经网络与神经计算机北京科学出版社卯二