⛄一、遗传算法优化小波神经网络简介
1 小波神经网络
1.1 小波神经网络结构
小波神经网络分为松散型与融合型两类, 前者将小波分析作为神经网络的前置手段, 对网络输入初步优化, 使得信息便于神经网络的处理, 但这类WNN并未改变隐含层的传递函数, 依然存在神经网络的固有缺陷;后者采用小波元替代神经元, 用小波函数的伸缩、平移参数替代输入层到隐含层的权值及隐含层阈值, 是小波和神经网络的直接融合。本文研究采用融合性WNN, 其网络拓扑结构如图1所示。
图1 融合性小波神经网络拓扑结构图
图1中各个字母代表含义如下:
x1, x2, …, xM:输入层数据;
wj, k:输入层到隐含层的权值参数;
ψa, b (x) :小波基函数, 本文采用Morlet函数, 其表达式如下:
a、b分别为小波基函数的伸缩参数和平移参数;
wi, j:隐含层到输出层的权值参数;
σ (I-t) :输出层Sigmoid函数, 其表达式如下:
I、t分别为输出的输入和阈值。
y1, y2, …, yN:输出层数据。