主分量和次分量神经网络学习算法及应用
| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-12页 |
| 第一章 绪论 | 第12-18页 |
| 1．1 研究历史与现状 | 第12-16页 |
| 1．2 本论文的主要工作 | 第16-18页 |
| 第二章 数值稳健的递归最小二乘主分量提取算法 | 第18-33页 |
| 2．1 引言 | 第18-19页 |
| 2．2 算法推导 | 第19-22页 |
| 2．3 收敛性分析 | 第22-24页 |
| 2．4 与其它算法的关系 | 第24-26页 |
| 2．4．1 与Hebb规则的比较 | 第24-25页 |
| 2．4．2 Oja规则的LS解释 | 第25-26页 |
| 2．5 算法学习性能及应用示例 | 第26-31页 |
| 2．5．1 学习性能示例 | 第26-30页 |
| 2．5．2 应用于DOA估计 | 第30-31页 |
| 2．6 小结 | 第31页 |
| 附录A2 | 第31-33页 |
| 第三章 广义能量函数准则下的快速自适应主分量提取 | 第33-52页 |
| 3．1 引言 | 第33页 |
| 3．2 广义能量函数 | 第33-38页 |
| 3．3 两种学习算法的推导 | 第38-42页 |
| 3．3．1 梯度学习算法 | 第38-39页 |
| 3．3．2 RLS学习算法 | 第39-40页 |
| 3．3．3 比较与讨论 | 第40-42页 |
| 3．4 收敛性和稳定性分析 | 第42-43页 |
| 3．5 算法性能仿真 | 第43-48页 |
| 3．6 小结 | 第48-49页 |
| 附录A3 | 第49-52页 |
| 第四章 基于加权信息准则的快速自适应主分量提取 | 第52-71页 |
| 4．1 引言 | 第52页 |
| 4．2 加权最大信息准则及平衡点性能分析 | 第52-58页 |
| 4．3 算法推导 | 第58-63页 |
| 4．3．1 梯度算法 | 第59页 |
| 4．3．2 RLS算法 | 第59-63页 |
| 4．4 全局收敛性分析 | 第63-64页 |
| 4．5 算法学习性能及应用示例 | 第64-70页 |
| 4．5．1 学习性能示例 | 第64-66页 |
| 4．5．2 在图像数据压缩中的应用 | 第66-70页 |
| 4．6 小结 | 第70页 |
| 附录A4 | 第70-71页 |
| 第五章 具有模块化结构的自适应次分量提取算法 | 第71-86页 |
| 5．1 引言 | 第71-72页 |
| 5．2 信息最小化准则及平衡点性能分析 | 第72-77页 |
| 5．3 算法推导 | 第77-80页 |
| 5．4 全局收敛性分析 | 第80-81页 |
| 5．5 算法学习性能及应用示例 | 第81-85页 |
| 5．5．1 学习性能示例 | 第81-84页 |
| 5．5．2 在DOA估计中的应用 | 第84-85页 |
| 5．6 小结 | 第85-86页 |
| 第六章 自适应主分量和次分量提取的统一框架 | 第86-99页 |
| 6．1 引言 | 第86页 |
| 6．2 PCA和MCA的统一框架及平衡点性能分析 | 第86-92页 |
| 6．3 一致学习算法的推导 | 第92-96页 |
| 6．4 全局收敛性分析 | 第96页 |
| 6．5 算法性能仿真 | 第96-98页 |
| 6．6 小结 | 第98-99页 |
| 第七章 基于特征子空间近似的空时自适应处理方法 | 第99-110页 |
| 7．1 引言 | 第99-100页 |
| 7．2 原理分析 | 第100-102页 |
| 7．3 性能仿真 | 第102-109页 |
| 7．3．1 输出信杂噪比（SINR） | 第103-105页 |
| 7．3．2 改善因子（IF） | 第105-106页 |
| 7．3．3 空时二维频率响应 | 第106-107页 |
| 7．3．4 空域自适应方向图 | 第107-108页 |
| 7．3．5 ESA的快速实现 | 第108-109页 |
| 7．4 小结 | 第109-110页 |
| 第八章 总结和展望 | 第110-114页 |
| 8．1 总结 | 第110-112页 |
| 8．2 展望 | 第112-114页 |
| 附录A | 第114-115页 |
| 致谢 | 第115-116页 |
| 参考文献 | 第116-124页 |
| 博士学习阶段发表与撰写的主要学术论文 | 第124页 |
