最优非线性滤波的神经网络实现研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 绪论 | 第8-10页 |
| ·论文的研究意义 | 第8-9页 |
| ·论文的主要研究内容 | 第9-10页 |
| 第二章 神经网络和最优非线性自适应滤波 | 第10-23页 |
| ·神经网络 | 第10-15页 |
| ·引言 | 第10页 |
| ·人工神经网络的形式化描述 | 第10-12页 |
| ·感知器 | 第12-14页 |
| ·学习规则 | 第14-15页 |
| ·非线性滤波 | 第15-17页 |
| ·信号处理概述 | 第15-16页 |
| ·基本模型 | 第16-17页 |
| ·最优非线性自适应滤波 | 第17-21页 |
| ·最优估计 | 第17页 |
| ·非线性最小方差估计——扩展的卡尔曼滤波 | 第17-20页 |
| ·非线性最小二乘估计 | 第20-21页 |
| ·自适应滤波算法 | 第21-22页 |
| ·LMS算法 | 第21页 |
| ·RLS算法 | 第21-22页 |
| ·神经网络与最优非线性自适应滤波 | 第22页 |
| ·小结 | 第22-23页 |
| 第三章 基于神经网络的最优自适应非线性滤波系统 | 第23-30页 |
| ·系统的一般结构 | 第23-24页 |
| ·自适应滤波器 | 第23页 |
| ·自适应神经网络滤波器 | 第23-24页 |
| ·自适应噪声对消原理 | 第24-25页 |
| ·基于BP神经网络的自适应非线性滤波 | 第25-29页 |
| ·多层前馈网络 | 第25-26页 |
| ·BP算法 | 第26-27页 |
| ·网络特点 | 第27页 |
| ·解决方案 | 第27-28页 |
| ·仿真结果 | 第28-29页 |
| ·小结 | 第29-30页 |
| 第四章 基于RBF神经网络的自适应非线性滤波 | 第30-45页 |
| ·无监督学习的聚类算法 | 第30-33页 |
| ·聚类分析 | 第30-31页 |
| ·K-均值动态聚类算法 | 第31-32页 |
| ·基于样本与高斯核函数的相似性度量的动态聚类算法 | 第32-33页 |
| ·RBF神经网络 | 第33-35页 |
| ·网络结构 | 第33页 |
| ·输出计算 | 第33-34页 |
| ·无导师学习算法 | 第34-35页 |
| ·有导师学习算法 | 第35页 |
| ·训练算法设计 | 第35-41页 |
| ·训练算法的分类 | 第36页 |
| ·在线训练算法的构成 | 第36-37页 |
| ·在线分配隐单元 | 第37页 |
| ·网络参数校正 | 第37-40页 |
| ·阈值的选取 | 第40-41页 |
| ·RBF网络参数初始值的确定 | 第41页 |
| ·仿真研究 | 第41-44页 |
| ·训练及测试部分 | 第42-43页 |
| ·非线性滤波仿真实例 | 第43-44页 |
| ·小结 | 第44-45页 |
| 第五章 基于函数型连接神经网络的自适应非线性滤波 | 第45-54页 |
| ·函数型连接神经网络 | 第45-48页 |
| ·结构与算法分析 | 第45-47页 |
| ·数学理论分析 | 第47-48页 |
| ·FLANN与MLP网络的对比 | 第48-51页 |
| ·FLANN非线性自适应滤波器 | 第51-53页 |
| ·采用切比雪夫多项式扩展的FLANN | 第51-52页 |
| ·采用外积扩展的FLANN | 第52页 |
| ·FLANN非线性滤波器仿真实例 | 第52-53页 |
| ·小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-58页 |
| 作者在攻读硕士学位期间发表的论文 | 第58页 |
