| 第一章 绪论 | 第1-9页 |
| 第二章 自适应噪声抵消 | 第9-29页 |
| 2．1 自适应滤波器 | 第9-14页 |
| 2．1．1 横向自适应滤波器 | 第10-13页 |
| 2．1．2 最小均方（LMS）自适应算法 | 第13-14页 |
| 2．2 自适应噪声抵消系统基本原理 | 第14-18页 |
| 2．3 自适应噪声抵消系统抵消能力分析 | 第18-29页 |
| 2．3．1 模平方相干函数 | 第18-22页 |
| 2．3．2 衡量ANC系统抵消能力的指标 | 第22-23页 |
| 2．3．3 两路噪声的统计相关特性与ANC系统的抵消能力 | 第23-26页 |
| 2．3．4 自适应滤波器的性能与ANC系统的抵消能力 | 第26-29页 |
| 第三章 多层前向神经网络 | 第29-47页 |
| 3．1 神经元 | 第29-34页 |
| 3．1．1 脑神经元 | 第29-31页 |
| 3．1．2 人工神经元 | 第31-34页 |
| 3．2 多层前向人工神经网络的基本理论 | 第34-39页 |
| 3．2．1 前向人工神经网络的结构 | 第34-35页 |
| 3．2．2 前向人工神经网络的计算过程 | 第35-36页 |
| 3．2．3 多层前向人工神经网络的非线性逼近能力 | 第36-38页 |
| 3．2．4 多层前向人工神经网络的学习过程 | 第38-39页 |
| 3．3 多层前向人工神经网络的学习算法 | 第39-47页 |
| 3．3．1 反向传播学习算法的基本计算原理和过程 | 第39-43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43-45页 |
| 3．3．3 对神经网络学习方法的说明 | 第45-47页 |
| 第四章 基于MATLAB的仿真实例 | 第47-57页 |
| 4．1 MATLAB语言简介 | 第47-48页 |
| 4．2 噪声抵消系统的仿真 | 第48-57页 |
| 4．2．1 BP网络模型建立 | 第48-49页 |
| 4．2．2 基于神经网络工具箱的BP网络学习和训练 | 第49-52页 |
| 4．2．3 基于simulink的噪声抵消系统设计及动态仿真 | 第52-57页 |
| 第五章 结论 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-61页 |
