| 【中文题名】 | 动态神经网络与分数阶Fourier变换的研究及其应用 |
| 【英文题名】 | Research and Application of Dynamical Neural Network and Fractional Fourier Transform |
| 【学科专业】 | 信号与信息处理 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-2-23 |
| 【中关键词】 | 分数阶Fourier变换,癫痫,chirplet,基本Elman网络,Kalman滤波, |
| 【英关键词】 | Fractional Fourier Transform,Epilepsy,Chirplet,Basic Elman Network,Kalman Filter Algorithm, |
| 【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】 | 分数阶Fourier变换是Fourier变换的广义形式,从本质上来说,是一种时频分析方法。分数阶Fourier变换具有许多优秀性质,在非平稳信号的分析与处理上应用广泛。
基于癫痫特征波—棘波具有高斯函数的特点,本文将分数阶Fourier变换应用于癫痫脑电信号的棘波特征提取,由于棘波及其背景波在分数阶Fourier域内有不同的表现,先对癫痫脑电信号进行小波变换减小伪差波形的影响,然后在适当分数阶域内采用高斯函数拟合棘波,可以得到较好的特征提取效果。
基于分数阶Fourier变换对二次线性调频信号具有敏感性,将分数阶Fourier变换应用于高斯线性调频小波(chirplet)自适应分解算法的参数估计。由于在不同的分数阶域内,chirplet取模得到的高度和宽度不同,在适当的分数阶域内,能得到突出于背景噪声的最佳chirplet分量,这可以更准确地估计其参数。
基本Elman网络是动态网络的一种,因其结构相对简单,运算量相对较小,且动态特性充分,因此应用十分广泛。基本Elman网络的传统学习训练方法有基于梯度下降的BP算法和扩展Kalman滤波算法等。但这些方法各有优缺点:... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
Abstract |
5-9 |
|
1 绪论 |
9-24 |
|
1.1 动态神经网络与分数阶Fourier研究的理论意义与应用价值 |
9-10 |
|
1.2 非平稳信号分析与处理的时频分析方法简介 |
10-20 |
|
1.2.1 基本时频分析方法简介 |
10-17 |
|
1.2.2 分数阶Fourier变换基本性质 |
17-20 |
|
1.3 基本神经网络模型及应用 |
20-23 |
|
1.3.1 TCNN的基本概念 |
20-21 |
|
1.3.2 基本Elman网络 |
21-23 |
|
1.4 本文的主要工作 |
23-24 |
|
2 基于分数阶Fourier变换的脑电棘波检测新方法 |
24-39 |
|
2.1 脑电棘波检测的背景知识 |
24-28 |
|
2.1.1 脑电棘波的基本特点 |
24-25 |
|
2.1.2 脑电棘波基本检测方法及研究 |
25-28 |
|
2.2 基于分数阶Fourier变换的棘波检测系统 |
28-35 |
|
2.2.1 小波变换与预处理方法 |
29-30 |
|
2.2.2 基于分数阶Fourier变换的棘波提取方法 |
30-33 |
|
2.2.3 基于相关的棘波检测技术 |
33-35 |
|
2.3 棘波检测结果及分析 |
35-38 |
|
2.4 小结 |
38-39 |
|
3 基于FRFT的chirplet分解新方法 |
39-49 |
|
3.1 chirplet信号自适应分解简介 |
39-40 |
|
3.1.1 chirplet自适应时频分解方法基本概念及研究进展 |
39-40 |
|
3.1.2 chirplet自适应算法介绍 |
40 |
|
3.2 基于FRFT的chirplet参数估计方法 |
40-45 |
|
3.2.1 基本chirplet信号分数阶Fourier变换取模的形式 |
41 |
|
3.2.2 基本chirplet信号的分数阶Fourier估计算法 |
41-45 |
|
3.3 算法仿真结果及分析 |
45-48 |
|
3.4 小结 |
48-49 |
|
4 TCNN优化及其在Elman网络训练中的应用 |
49-57 |
|
4.1 函数优化方法简介 |
49-50 |
|
4.2 一种新的TCNN优化策略 |
50-51 |
|
4.3 TCNN优化方法应用于基本Elman网络学习 |
51-52 |
|
4.4 基本Elman网络的TCNN优化仿真结果及其分析 |
52-56 |
|
4.5 小结 |
56-57 |
|
5 基于Kalman滤波的基本Elman网络训练新方法 |
57-66 |
|
5.1 基本Elman网络的扩展Kalman滤波训练算法 |
57-58 |
|
5.2 扩展Kalman滤波算法应用基本Elman网络训练的新算法 |
58-60 |
|
5.3 仿真结果 |
60-65 |
|
5.4 小结 |
65-66 |
|
6 总结与展望 |
66-68 |
|
6.1 本文工作的总结 |
66-67 |
|
6.2 本文研究工作的进一步思考与展望 |
67-68 |
|
参考文献 |
68-71 |
|
攻读硕士学位期间发表学术论文情况 |
71-72 |
|
致谢 |
72-73 |
|
大连理工大学学位论文版权使用授权书 |
73 |
|
| 【DOI】 | LunWen.ID:2.2008.387619 |
