| 第1章 绪 论 | 第6-14页 |
| 1.1 引言 | 第6页 |
| 1.2 自适应噪声抵消器的发展与现状 | 第6-7页 |
| 1.3 人工神经网络的研究现状及发展趋势 | 第7-10页 |
| 1.3.1 人工神经网络的发展 | 第8-10页 |
| 1.3.2 现代神经网络的应用 | 第10页 |
| 1.3.3 发展趋势 | 第10页 |
| 1.4 遗传算法 | 第10-13页 |
| 1.4.1 遗传算法的历史和现状 | 第10-12页 |
| 1.4.2 遗传算法中的基本概念 | 第12-13页 |
| 1.5 本文的主要研究内容 | 第13-14页 |
| 第2章 自适应滤波器 | 第14-26页 |
| 2.1 自适应滤波器原理 | 第14-18页 |
| 2.1.1 横向自适应滤波器 | 第15-17页 |
| 2.1.2 最小均方(LMS)自适应算法 | 第17-18页 |
| 2.2 自适应噪声抵消系统基本原理 | 第18-21页 |
| 2.3 自适应噪声抵消系统的性能分析 | 第21-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 前向神经网络和遗传算法 | 第26-43页 |
| 3.1 神经元 | 第26-29页 |
| 3.1.1 脑神经元 | 第26-27页 |
| 3.1.2 人工神经元 | 第27-29页 |
| 3.2 多层前向人工神经网络的基本理论 | 第29-33页 |
| 3.2.1 前向人工神经网络结构 | 第29-30页 |
| 3.2.2 前向人工神经网络的计算过程 | 第30-31页 |
| 3.2.3 多层前向人工神经网络的非线性逼近能力 | 第31-32页 |
| 3.2.4 多层前向人工神经网络的学习过程 | 第32-33页 |
| 3.3 多层前向人工神经网络的学习算法 | 第33-38页 |
| 3.3.1 反向传播学习算法的基本计算原理和过程 | 第33-37页 |
| 3.3.2 多输出情况下反向传播算法的计算原理和过程 | 第37-38页 |
| 3.4 BP算法与遗传算法的结合 | 第38-42页 |
| 3.4.1 遗传算法的基本原理 | 第38-40页 |
| 3.4.2 遗传算法在神经网络学习中的应用 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 系统设计和仿真实验 | 第43-60页 |
| 4.1 MATLAB语言简介 | 第43页 |
| 4.2 用BP网络建模 | 第43-48页 |
| 4.2.1 自适应神经网络滤波器 | 第44-45页 |
| 4.2.2 自适应噪声抵消系统 | 第45-46页 |
| 4.2.3 BP网络模型参数 | 第46-48页 |
| 4.3 用遗传算法优化BP网络 | 第48-49页 |
| 4.4 基于MATLAB的仿真实验 | 第49-57页 |
| 4.4.1 单一的BP 算法仿真 | 第49-53页 |
| 4.4.2 BP算法和遗传算法相结合的混合算法仿真 | 第53-57页 |
| 4.5 算法仿真结果分析及结论 | 第57-60页 |
| 第5章 全文总结 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 致 谢 | 第64-65页 |
| 摘 要 | 第65-68页 |
| ABSTRACT | 第68页 |