基于神经网络的最优非线性滤波的研究
| 前言 | 第1-16页 |
| 第一章 神经网络与最优非线性滤波 | 第16-28页 |
| 1．1 人工神经网络 | 第16-20页 |
| 1．1．1 引言 | 第16页 |
| 1．1．2 神经网络的形式化描述 | 第16-18页 |
| 1．1．3 感知器 | 第18-20页 |
| 1．2 信号处理与最优非线性滤波 | 第20-26页 |
| 1．2．1 信号处理概述 | 第20页 |
| 1．2．2 非线性滤波器 | 第20-21页 |
| 1．2．3 最优滤波的产生 | 第21-26页 |
| 1．3 神经网络与最优非线性滤波 | 第26-28页 |
| 第二章 神经网络的最优滤波系统 | 第28-32页 |
| 2．1 最优非线性滤波的神经网络解决方案 | 第28-30页 |
| 2．1．1 多层前馈网络与BP算法 | 第28-29页 |
| 2．1．2 BP网络的解决方案 | 第29-30页 |
| 2．2 用BP网络逼近一非线性函数 | 第30-31页 |
| 2．3 结论 | 第31-32页 |
| 第三章 基于RBF网络的最优非线性滤波 | 第32-43页 |
| 3．1 无监督学习的两种动态聚类算法 | 第32-35页 |
| 3．1．1 聚类分析 | 第32-33页 |
| 3．1．2 两种动态聚类法 | 第33-35页 |
| 3．2 径向基函数神经网络 | 第35-38页 |
| 3．2．1 网络的输出计算 | 第35-36页 |
| 3．2．2 网络的学习算法 | 第36-38页 |
| 3．3 RBF网络的仿真 | 第38页 |
| 3．4 RBF网络的最优非线性滤波 | 第38-39页 |
| 3．5 RBF网络滤波实例 | 第39-41页 |
| 3．6 结论 | 第41-43页 |
| 第四章 BP网络和RBF网络的性能比较 | 第43-45页 |
| 第五章 实例仿真 | 第45-48页 |
| 结论 | 第48-49页 |
| 致谢 | 第49-50页 |
| 附录A 基本数学方法回顾 | 第50-53页 |
| 参考文献 | 第53-54页 |
