| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 神经网络概述 | 第13-15页 |
| 1.1.1 神经网络的基本结构 | 第13-14页 |
| 1.1.2 神经网络的学习算法 | 第14-15页 |
| 1.2 本文研究目的及意义 | 第15-19页 |
| 1.2.1 课题背景 | 第15-17页 |
| 1.2.2 RBF神经网络国内外研究现状 | 第17-19页 |
| 1.3 本文的主要研究内容 | 第19-21页 |
| 第2章 RBF神经网络和非线性自适应滤波器 | 第21-37页 |
| 2.1 前言 | 第21页 |
| 2.2 RBF神经网络 | 第21-33页 |
| 2.2.1 RBF网络的拓扑结构及工作原理 | 第21-23页 |
| 2.2.2 RBF神经网络的数学基础 | 第23-27页 |
| 2.2.3 RBF神经网络的学习算法 | 第27-33页 |
| 2.2.4 RBF神经网络的特点 | 第33页 |
| 2.3 非线性自适应滤波器 | 第33-36页 |
| 2.3.1 自适应滤波器的基本结构及工作原理 | 第33-34页 |
| 2.3.2 非线性自适应滤波器的应用 | 第34-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第3章 基于两层RBF网络凸组合的非线性自适应滤波器 | 第37-59页 |
| 3.1 引言 | 第37-38页 |
| 3.2 基于RBF神经网络的自适应滤波器 | 第38-41页 |
| 3.2.1 用于自适应滤波的RBF网络 | 第38-39页 |
| 3.2.2 基于RBF网络的非线性自适应滤波器 | 第39-41页 |
| 3.3 基于两层RBF神经网络凸组合(CRBF)的非线性自适应滤波器 | 第41-54页 |
| 3.3.1 CRBF非线性自适应滤波器的拓扑结构和基本原理 | 第41-43页 |
| 3.3.2 CRBF非线性自适应滤波器的自适应学习算法 | 第43-48页 |
| 3.3.3 混合参数及稳态性能分析 | 第48-54页 |
| 3.3.4 改进的自适应CRBF算法 | 第54页 |
| 3.4 实验与仿真 | 第54-57页 |
| 3.5 本章小结 | 第57-59页 |
| 第4章 基于CRBF的最小指数平方误差学习算法 | 第59-71页 |
| 4.1 引言 | 第59-60页 |
| 4.2 最小指数平方误差算法 | 第60-63页 |
| 4.2.1 指数误差代价函数 | 第60-61页 |
| 4.2.2 最小指数平方误差算法基本原理 | 第61-63页 |
| 4.3 基于CRBF自适应滤波器的最小指数平方误差学习算法 | 第63-67页 |
| 4.3.1 大步长RBF1网络参数的训练 | 第63-65页 |
| 4.3.2 小步长RBF2网络参数的训练 | 第65-66页 |
| 4.3.3 混合参数的自适应调整 | 第66-67页 |
| 4.4 仿真验证 | 第67-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第5章 基于多层RBF网络凸组合的非线性自适应滤波器 | 第71-83页 |
| 5.1 引言 | 第71-72页 |
| 5.2 多层RBF网络的凸组合(MCRBF) | 第72-74页 |
| 5.3 自适应MCRBF滤波器的学习算法 | 第74-78页 |
| 5.4 实验及仿真 | 第78-82页 |
| 5.5 本章小结 | 第82-83页 |
| 第6章 基于CRBF、CRBF-EE和MCRBF的非线性自适应滤波器的应用 | 第83-101页 |
| 6.1 引言 | 第83页 |
| 6.2 基于CRBF和CRBF-EE的非线性自适应信道均衡 | 第83-86页 |
| 6.3 基于CRBF和CRBF-EE的混沌时间序列预测 | 第86-89页 |
| 6.4 基于MCRBF滤波器的非线性动态系统辨识 | 第89-99页 |
| 6.4.1 系统模型及参数设定 | 第89-91页 |
| 6.4.2 应用实例 | 第91-99页 |
| 6.5 本章小结 | 第99-101页 |
| 结论 | 第101-103页 |
| 致谢 | 第103-105页 |
| 参考文献 | 第105-119页 |
| 攻读博士学位期间发表的论文及科研成果 | 第119-120页 |
