小波如何和神经网络更好的结合？小波降噪的特点是什么？

1.离散仿射小波网络模型。思想是将离散小波变换引入神经网络模型，通过对Sigmoid 函数的平移伸缩构成L^2 (R)中的仿射框架，进而构造小波神经网络。

2.小波元代替神经元，即用已定位的小波函数代替Sigmod 函数作激活函数，通过仿射变换建立起小波变换与网络系数之间的联接，并应用于函数逼近。

3.采用正交小波函数作为神经元的激活函数，即正交多分辨小波神经网络。依据多分辨率分析理论，把尺度函数和小波函数共同包含在网络中，并采用逐级学习的方法来训练网络。即先在粗分辨率下(尺度函数)对信号进行逼近，而后由粗到细逐渐增加结点(小波函数)。由于正交小波基具有良好的时-频分辨性能，当信号剧烈突变时，网络可增加分辨尺度来保证逼近的精度。此外，由于各函数基的相互正交性，训练过程中添加、删除网络结点不影响已训练好的网络权值，可使网络学习的时间大大缩短。

小波降噪的特点是什么？

在实际工程应用，所分析的信号常常是非平稳信号，而其中的有用信号通常表现为低频信号或一些比较平稳的信号，但它也可能包含着尖峰和突变的表现。噪声信号通常表现为高频信号，也可能是非平稳的白噪声。对含有噪声的有用信号作小波分解，噪声信号主要表现在各个尺度的信号中高频信号部分。然而，噪声在高频系数的幅值方面的表现，是随着尺度变大和分解层次增多而快速衰减的。另外，噪声在各个不同尺度上的表现也是不相关的。

要分析这类信号，必须对信号作预处理，将信号中的噪声部分消除，以便提取有用的信号。非平稳信号除了含有非常有用的低频信号外，其突变部分通常反映了检测对象的某些重要特征，含有较丰富的高频信号。因此，对非平稳信号作滤波预处理，既要消除噪声所表现的高频量，又要保留那些反映信号突变部分的高频量。

用传统的傅立叶变换方法不能满足非平稳信号滤波预处理的要求，因为它不能区分哪些是表现突变部分的有用高频量，哪些是属于噪声的无用高频量；它不能给出在某个局部时间段或时间点上的信号频域变化表现。对于采用傅立叶分析方法处理的低通滤波，当低通频率范围较窄时，滤波后的信号突变部分变得平滑了，因为反应突变部分的高频量被当作噪声滤掉了；当低通频率范围较宽时，信号突变部分虽然得到体现，但信号中仍然存在着大量的噪声。

正交小波分解具有自适应的时-频局部化功能。在信号的突变部分，某些小波分量表现幅度大，它与噪声在高频部分的均匀表现正好形成明显的对比，因此正交小波分解能有效的区分信号中的突变部分和噪声，达到消噪预处理的效果。

mbd.pub/o/GeBENHAGEN

擅长现代信号处理(改进小波分析系列，改进变分模态分解，改进经验小波变换，改进辛几何模态分解等等)，改进机器学习，改进深度学习，机械故障诊断，改进时间序列分析(金融信号，心电信号，振动信号等)