[发明专利]基于前向线性预测的自适应小波神经网络去噪建模方法

权利要求书

1.一种基于前向线性预测的自适应小波神经网络去噪建模方法，其特征在于包括如下步骤：

(1)：利用小波变换对光纤陀螺零漂信号进行多尺度分解

利用小波变换对静态下的光纤陀螺零漂信号进行多尺度分解，分解层数为n，得到分解后各层的小波系数，包括近似系数与细节系数；

(2)：对分解得到的逼近系数和细节系数进行单支重构

对分解得到的逼近系数和细节系数进行单支重构，得到重构后的近似信号a_n与细节信号d_i(i＝1，2，Λ，n)；

(3)：对重构后的逼近信号和细节信号逐层分别进行FLP去噪

对步骤(2)中进行单支重构后得到的逼近信号a_n与细节信号d_i(i＝1，2，Λ，n)分别利用FLP算法进行去噪，得到去噪后的信号a(n)与d′_i(i＝1，2，Λ，n)；

(4)：对网络进行训练，以得到光纤陀螺零漂信号的模型

以步骤(3)中得到的逐层去噪后的信号a(n)与d′_i(i＝1，2，Λ，n)作为神经网络的输入样本，以下一时刻的光纤陀螺信号作为输出样本，对网络进行训练，训练完毕即得到光纤陀螺零漂信号的模型。

2.根据根据权利要求1所述的一种基于前向线性预测的自适应小波神经网络去噪建模方法，其特征在于，所述步骤(1)中利用小波变换对信号进行多尺度分解，其小波基选为db4小波。

3.根据权利要求1所述的一种基于前向线性预测的自适应小波神经网络去噪建模方法，其特征在于，所述步骤(2)中对近似信号和细节信号进行单支重构，其小波基选为db4小波。

4.根据权利要求1所述的一种基于前向线性预测(FLP)的自适应小波神经网络去噪建模方法，其特征在于，所述步骤(3)中利用FLP算法进行去噪处理，其去噪过程是在信号的重构层进行的，即首先对小波多尺度分解后得到的逼近系数和细节系数进行单支重构，然后对单支重构后的信号进行FLP去噪处理。

5.根据权利要求1所述的一种基于前向线性预测的自适应小波神经网络去噪建模方法，其特征在于，所述步骤(3)中对多尺度分解得到的逼近信号与细节信号逐层分别进行FLP去噪，其FLP滤波器预测阶数选为30。

6.根据权利要求1所述的一种基于前向线性预测的自适应小波神经网络去噪建模方法，其特征在于，所述步骤(3)中对多尺度分解得到的逼近信号与细节信号逐层分别进行FLP去噪，其FLP滤波器中的步长选择遵循下面公式：E_j＝E[|e_n(n)|]；其中μ_j为不同频段下的步长，j＝1，2，Λ，n，E_j为第j频段内FLP绝对误差的均值。

7.根据权利要求1所述的一种基于前向线性预测的自适应小波神经网络去噪建模方法，其特征在于，所述步骤(4)中神经网络模型的输入节点为n+1个，输入样本为步骤(3)中的a(n)与d′_i(i＝1，2，Λ，n)，输出节点为1个，输出样本为基于前向线性预测的自适应小波变换去噪后的当前时刻的光纤陀螺信号。