小波变换和PNN融合模型及在信号处理中的应用

论文摘要

在复杂信号处理和实际工程应用中,所采集和分析的信号往往是由系统真实信号与多个噪声信号源所产生的噪声信号的综合体。在信号分析与处理中,为获取信号中反映其特征的有用成分,要按照不同信号的频谱和时空尺度特征设法去掉噪声成分。本文将小波变换和过程神经元网络进行有机结合,兼容小波分析与过程神经网络的特性,一方面,利用小波变换的时—频局部化特性,突出有用信号特征和去噪;另一方面,发挥PNN(Process Neural Networks)对时序数据处理的自学习和自适应能力,为信号处理提供新的模型和方法。论文研究了小波变换和PNN的融合机制以及构造基于小波变换的多层多分辨率的新型过程神经元网络模型和方法。在目前小波神经网络模型和信息处理机制的基础上,建立了用于过程信号模式分类的小波与PNN集成模型和用于信号预测的自适应小波过程神经元网络,以及用于过程信号函数逼近的连续小波过程神经元网络。所建立的三种模型均具有小波的频谱分解性质和过程神经网络的自适应学习性质和时变特性,并对模型的结构、算法及性质进行了深入的研究。论文构造的小波变换和PNN集成模型,通过对小波分解进行平移和伸缩变换,得到一簇小波函数系,对原始采样信号在小波函数系下进行变换,可以保留有用信号,消除无用信号,然后再利用过程神经元对消噪后的信号进行处理;在自适应小波过程神经元网络模型中,将过程神经元网络的结构模型与信号的多分辨分析有效地结合起来,使得小波基元及整个网络结构的确定有可靠的理论依据,从而避免了网络结构设计的盲目性,同时在网络中引入了平移和伸缩因子,使得该模型结构具有比小波分解更多的自由度。网络权系数线性分布和学习目标函数的凸性,使网络训练过程可避免局部最优等非线性优化问题;在连续小波过程神经元网络模型中,利用小波基函数的性质对信号进行拟合,从而表示出系统输入输出信号之间的映射关系,实现非线性函数逼近功能。本文所建立的三种模型结构,通过实例验证了方法的高效性。并且针对第一种模型结构,将其应用到实际资料处理中,对大庆某区块7口油井进行水淹层的识别,取得了良好的结果。

论文目录

• 摘要
• ABSTRACT
• 创新点摘要
• 前言
• 第一章 概述
• 1.1 课题研究的背景和意义
• 1.2 小波分析的提出
• 1.3 人工神经网络
• 1.4 本文的主要工作
• 第二章 小波与过程神经元网络
• 2.1 小波分析理论
• 2.1.1 理论背景
• 2.1.2 连续小波变换和离散小波变换
• 2.1.3 常用小波函数
• 2.2 前馈过程神经网络
• 2.2.1 网络结构
• 2.2.2 双隐层过程神经元网络
• 2.2.3 过程神经元网络学习算法
• 2.3 结语
• 第三章 小波分析和PNN 融合模型
• 3.1 小波与PNN 集成模型
• 3.1.1 模型结构
• 3.1.2 学习过程
• 3.2 连续小波过程神经元网络
• 3.2.1 模型结构
• 3.2.2 学习算法
• 3.2.3 应用实例
• 3.3 自适应小波过程神经元网络
• 3.3.1 模型结构
• 3.3.2 学习算法
• 3.3.3 应用实例
• 3.4 结语
• 第四章 小波分析和PNN 融合模型在复杂水淹层识别中的应用
• 4.1 用于水淹层识别的基于小波变换和PNN 的融合模型
• 4.1.1 测井信号的噪声模型
• 4.1.2 测井曲线的小波变换
• 4.1.3 过程神经元网络的水淹层识别
• 4.2 结语
• 结论
• 参考文献
• 致谢
• 详细摘要