| 【中文题名】 | 基于神经网络的最优非线性滤波的研究 |
| 【英文题名】 | The Explores of Optimum Nonlinear Filtering Solved by Neural Networks |
| 【学科专业】 | 电力电子与电力传动 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2003-6-6 |
| 【中关键词】 | 最优滤波,非线性滤波,扩展卡尔曼滤波,BP神经网络,RBF神经网络, |
| 【英关键词】 | optimum filtering,nonlinear filtering,spread of Kalman filter,BP neural networks,RBF neural networks, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
本论文对神经网络理论应用于最优非线性滤波进行了研究，主要完成了以下的研究工作：
分析了神经网络理论应用于最优非线性滤波的现状及发展趋势，并对神经网络和经典的最优非线性滤波方法进行简单的讨论，其中包括非线性最小方差(LMS)估计(即扩展的卡尔曼滤波)和非线性最小二乘估计(LS)，研究了神经网络应用于最优非线性滤波的可行性。
探讨了基于反向传播(DP)网络和基于径向基函数(RBF)网络的最优非线性滤波，利用MATLAB作为仿真软件，并应用BP网络和RBF网络对实例进行了仿真，得出一系列仿真波形，从实验的角度验证了该模型仿真设计思想的正确性。
最后部分通过计算机仿真实验，验证了RBF网络在非线性滤波方面的优越性，它具有训练时间短、所用神经元数目少、精度高等突出优点。可以看到，神经网络用于最优非线性滤波具有广阔的发展前景。 |
| 【论文题纲】 |
|
前言 |
12-16 |
|
第一章 神经网络与最优非线性滤波 |
16-28 |
|
1．1 人工神经网络 |
16-20 |
|
1．1．1 引言 |
16 |
|
1．1．2 神经网络的形式化描述 |
16-18 |
|
1．1．3 感知器 |
18-20 |
|
1．2 信号处理与最优非线性滤波 |
20-26 |
|
1．2．1 信号处理概述 |
20 |
|
1．2．2 非线性滤波器 |
20-21 |
|
1．2．3 最优滤波的产生 |
21-26 |
|
1．3 神经网络与最优非线性滤波 |
26-28 |
|
第二章 神经网络的最优滤波系统 |
28-32 |
|
2．1 最优非线性滤波的神经网络解决方案 |
28-30 |
|
2．1．1 多层前馈网络与BP算法 |
28-29 |
|
2．1．2 BP网络的解决方案 |
29-30 |
|
2．2 用BP网络逼近一非线性函数 |
30-31 |
|
2．3 结论 |
31-32 |
|
第三章 基于RBF网络的最优非线性滤波 |
32-43 |
|
3．1 无监督学习的两种动态聚类算法 |
32-35 |
|
3．1．1 聚类分析 |
32-33 |
|
3．1．2 两种动态聚类法 |
33-35 |
|
3．2 径向基函数神经网络 |
35-38 |
|
3．2．1 网络的输出计算 |
35-36 |
|
3．2．2 网络的学习算法 |
36-38 |
|
3．3 RBF网络的仿真 |
38 |
|
3．4 RBF网络的最优非线性滤波 |
38-39 |
|
3．5 RBF网络滤波实例 |
39-41 |
|
3．6 结论 |
41-43 |
|
第四章 BP网络和RBF网络的性能比较 |
43-45 |
|
第五章 实例仿真 |
45-48 |
|
结论 |
48-49 |
|
致谢 |
49-50 |
|
附录A 基本数学方法回顾 |
50-53 |
|
参考文献 |
53-54 |
|
| 【DOI】 | LunWen.ID:2.2008.386733 |
