《神经网络信号处理》求取 ⇩

第一章神经网络基本模型和基本理论1

1.1Hopfield神经网络1

1.1.1 离散型Hopfield神经网络1

1.1.2 连续状态Hopfield神经网络2

1.2 多层感知器及BP学习算法6

1.3 自组织神经网络8

1.4 高阶神经网络9

1.5 概率神经网络(PNN)10

本章小结11

第二章神经网络滤波系统13

2.1 LS准则下的神经网络自适应滤波13

2.2 实现RLS算法的神经网络18

2.3 带线性约束的LS算法的神经网络求解21

2.4TLS算法的神经网络实时实现22

2.4.1 TLS算法简介22

2.4.2 TLS算法的神经网络实时实现23

2.5 神经网络用于一类非线性自适应滤波28

2.6 神经网络非线性滤波基础29

2.7 神经网络时间序列预测30

2.8 基于神经网络的噪声相消31

2.9非理想因素对神经网络性能的影响32

2.9.1 连接强度失配对TH网络性能的影响32

2.9.2 神经元的延迟对TH网络性能的影响33

本章小结35

第三章基于神经网络的谱估计36

3.1 最大熵一维谱估计的神经网络实现36

3.2正弦信号参量的神经网络实时估计39

3.2.1 Pisarenko法简介39

3.2.2 一种神经网络模型40

3.2.3 神经网络用于Pisarenko谱估计计算43

3.2.4 单个正弦波参量的神经网络估计47

3.3 最大熵多维谱估计的神经网络方法50

3.4 基于神经网络的高阶谱估计53

3.5基于神经网络的多通道谱估计56

3.5.1 多通道谱估计56

3.5.2 一种二维神经网络模型58

3.5.3 二维神经网络实时实现多通道谱估计算法60

3.5.4 二维神经网络用于矩阵求逆63

本章小结67

第四章神经网络方向估计68

4.1神经网络用于ML法和传播算子算法68

4.1.1 问题描述68

4.1.2 ML法和交替投影ML法69

4.1.3 Marcos“传播算子”算法70

4.1.4 几种方向估计算法的神经网络实现72

4.1.5 模拟举例75

4.2基于神经网络的ML空间参数估计77

4.2.1 实数ML方向估计77

4.2.2 神经网络结构78

4.2.3 神经网络实现ML方向估计80

4.2.4 模拟举例82

4.3MUSIC法的神经网络实现82

4.3.1 MUSIC法方向估计82

4.3.2 特征分解神经网络结构83

4.3.3 神经网络求解信号子空间84

4.4基于空间分割的神经网络方向估计方法88

4.4.1 窄带信号源88

4.4.2 宽带信号源91

4.4.3 模拟举例93

本章小结93

第五章基于神经网络的信号检测94

5.1神经网络二元检测94

5.1.1 似然比最佳检测原理94

5.1.2 神经网络检测器95

5.1.3 非高斯背景下信号的神经网络检测96

5.2 强噪声背景下信号的神经网络检测97

5.3 瞬时信号的神经网络检测100

5.4 运动目标信号的神经网络检测101

本章小结102

第六章神经网络自适应信号处理103

6.1 最大主元的自适应提取103

6.2 多主元的自适应提取108

6.3 Sanger主元学习算法112

6.4 一类局部多主元分析算法113

6.5 APEX神经网络学习算法116

6.6 MCA算法119

6.7 应用举例122

本章小结124

第七章基于神经网络的信号重构125

7.1神经网络实现最大熵信号重构算法125

7.1.1 最大熵信号重构算法125

7.1.2 神经网络求解最大熵信号重构问题126

7.2 病态反卷积问题的神经网络求解131

7.3 二进制信号的神经网络重构133

本章小结138

第八章神经网络与系统辨识139

8.1 系统辨识的基础139

8.2 多层前馈神经网络用于系统辨识140

8.3 循环神经网络用于系统辨识146

8.4 几种神经网络辨识算法的比较148

本章小结153

第九章模糊神经网络信号处理154

9.1模糊集理论简介154

9.1.1 隶属概念154

9.1.2 模糊子集的简单运算154

9.1.3 模糊向量及其笛卡尔乘积155

9.1.4 模糊矩阵与模糊关系155

9.1.5 常见的模糊条件语句及其对应的模糊关系R157

9.1.6 精确量与模糊量的相互转换157

9.1.7 模糊度量158

9.1.8 模糊熵159

9.2 结构性知识的神经网络与模糊集表示159

9.3自适应模糊神经网络160

9.3.1 网络的构成160

9.3.2 自适应算法161

9.4模糊神经网络分类器162

9.4.1 模糊神经网络的结构与权值的修改163

9.4.2 输入的模糊化164

9.5神经网络与模糊推理协作系统166

9.5.1 构造系统的基本原理167

9.5.2 具体实现方法169

9.5.3 应用于目标系统171

9.5.4 学习后的神经网络权值变化的解释171

9.5.5 结论172

本章小结173

参考文献174