基于粒子群算法的自适应滤波器研究与应用
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-6页 |
| 创新点摘要 | 第6-9页 |
| 前言 | 第9-13页 |
| 第一章 概述 | 第13-19页 |
| ·自适应滤波器发展及其应用 | 第13-15页 |
| ·自适应滤波器的发展 | 第13-14页 |
| ·自适应滤波器的应用现状 | 第14-15页 |
| ·神经网络的研究现状与发展趋势 | 第15-17页 |
| ·神经网络发展 | 第15-16页 |
| ·神经网络应用 | 第16页 |
| ·发展趋势 | 第16-17页 |
| ·粒子群优化算法概述 | 第17-18页 |
| 本章小结 | 第18-19页 |
| 第二章 自适应滤波器 | 第19-23页 |
| ·自适应滤波器的基本原理 | 第19-20页 |
| ·FIR 横向自适应滤波器 | 第20-21页 |
| ·最小均方误差(LMS)算法 | 第21-22页 |
| 本章小结 | 第22-23页 |
| 第三章 粒子群优化算法 | 第23-31页 |
| ·原始粒子群优化算法 | 第23页 |
| ·标准粒子群优化算法 | 第23-24页 |
| ·粒子群优化算法的参数选取 | 第24-25页 |
| ·惯性权重 | 第24页 |
| ·群体规模和粒子的维度 | 第24-25页 |
| ·学习因子 | 第25页 |
| ·最大速度 | 第25页 |
| ·终止条件 | 第25页 |
| ·算法流程 | 第25页 |
| ·算法收敛性分析 | 第25-27页 |
| ·抑制局部最优的粒子群优化算法 | 第27-30页 |
| ·RPSO 算法的设计原理 | 第27-29页 |
| ·算法仿真实验及结果分析 | 第29-30页 |
| ·结论 | 第30页 |
| 本章小结 | 第30-31页 |
| 第四章 基于粒子群算法的自适应滤波器 | 第31-44页 |
| ·神经网络 | 第31-37页 |
| ·神经元模型 | 第31-32页 |
| ·多层前馈网络与BP 算法 | 第32-35页 |
| ·BP 网络有关的几个问题 | 第35-37页 |
| ·基于粒子群优化的神经网络学习算法 | 第37-41页 |
| ·算法设计思想 | 第37-38页 |
| ·算法的基本步骤和流程 | 第38-40页 |
| ·算法的性能评价指标 | 第40-41页 |
| ·基于粒子群算法的自适应滤波器的设计 | 第41-43页 |
| 本章小结 | 第43-44页 |
| 第五章 基于粒子群算法的自适应噪声抵消器 | 第44-57页 |
| ·自适应噪声抵消器的组成 | 第44-45页 |
| ·仿真实验 | 第45-48页 |
| ·BP 算法仿真 | 第45-47页 |
| ·RPSO 算法仿真 | 第47-48页 |
| ·算法仿真结果分析及结论 | 第48-49页 |
| ·参数对滤波器性能的影响 | 第49-51页 |
| ·自适应噪声抵消器动态仿真 | 第51-56页 |
| ·自适应噪声抵消器动态仿真模型构造 | 第51-53页 |
| ·动态模型仿真结果 | 第53-56页 |
| 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 发表文章目录 | 第63-64页 |
| 致谢 | 第64-65页 |
| 详细摘要 | 第65-70页 |
