局部自適應小波神經網絡訓練系統、設備及方法技術方案

一種局部自適應小波神經網絡訓練系統、設備及方法，該局部自適應小波神經網絡訓練方法包括：在線局部自適應WNN結構調整；在線更新WNN權重；WNN更新選擇策略。本發明專利技術能夠在線更新ＷＮＮ模型，且能夠保證模型的推廣性能，很好地克服實際中系統受到各種不確定性因素、工況變化而導致的ＷＮＮ模型適配的問題，用于工業過程控制中可以增加系統運行的平穩性，降低產品質量的波動性，提高設備的壽命。

【技術實現步驟摘要】

本專利技術涉及一種，尤其是一種系統平穩性高的。
技術介紹
設有個樣本點，其輸入-輸出關系由小波神經網絡(WNN)模型表示

【技術保護點】
一種局部自適應小波神經網絡訓練系統，其特征在于，該局部自適應小波神經網絡訓練系統由信號連接的離線WNN訓練模塊和在線更新WNN模塊組成。

【技術特征摘要】
1.一種局部自適應小波神經網絡訓練系統，其特征在于， 該局部自適應小波神經網絡訓練系統由信號連接的離線WNN訓練模塊和在線更新WNN模塊組成。2.如權利要求1所述的局部自適應小波神經網絡訓練系統，其特征在于， 該離線WNN訓練模塊建立WNN初始模型； 該在線更新WNN 模塊根據新來數據的分布特性，采用不同WNN模型更新策略對數據進行預測。3.一種局部自適應小波神經網絡訓練設備，其特征在于， 該局部自適應小波神經網絡訓練設備由信號連接的數據預處理模塊、在線滿意G-K模糊聚類模塊、小波函數參數設置模塊、WNN更新策略選擇模塊、隱含節點選擇模塊、擴展卡爾曼(EKF)訓練模塊、Laplacian正則化LSSVM模塊、實驗設計Optimum模塊、樣本增加WNN權重更新模塊、樣本移除WNN權重更新模塊、WNN預測模塊組成。4.如權利要求3所述的局部自適應小波神經網絡訓練設備，其特征在于， 該數據預處理模塊的功能與作用:函數輸入參數為數據集，輸出參數為規格化數據集; 該在線滿意G-K模糊聚類模塊的功能與作用: 輸入參數:數據集，初始隸屬度矩陣，聚類數量； 輸出參數:聚類數量，隸屬度矩陣； 該小波函數參數設置模塊的功能與作用: 輸入參數:隸屬度矩陣，數據集，聚類數量，節點函數生成策略； 輸出參數:小波函數參數矩陣； 該WNN更新策略選擇模塊的功能與作用: 輸入參數:過去時刻隸屬度矩陣，過去時刻聚類數量，當前隸屬度矩陣，當前聚類數量; 輸出參數:隸屬度矩陣，聚類數量； 該隱含節點選擇模塊的功能與作用: 輸入參數:候選節點集合，WNN權重向量，擬合數據集； 輸出參數:小波節點參數，對應權重； 該擴展卡爾曼(EKF)訓練模塊的功能與作用: 輸入參數:小波節點參數，算法終止閾值，訓練數據集； 輸出參數:小波節點參數，對應權重； 該Laplacian正則化LSSVM模塊的功能與作用: 輸入參數:訓練數據...

【專利技術屬性】
技術研發人員：任世錦，凌萍，倪銀龍，王高峰，楊茂云，呂俊懷，
申請(專利權)人：江蘇師范大學，
類型：發明
國別省市：