| 【中文题名】 | 基于自适应神经网络的信号处理 |
| 【英文题名】 | |
| 【学科专业】 | 光学 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-24 |
| 【中关键词】 | 人工神经网络,递归最小方差,删剪算法,信号处理,, |
| 【英关键词】 | Artificial Neural Network,Recursive Least Square,Pruning Algorithm,Signal Processing, |
| 【分类导航】 | 工业技术>无线电电子学、电信技术>通信>通信理论>信号处理> |
| 【论文摘要】 |
人工神经网络在信号处理方面得到了广泛应用。本文主要研究了人工神经网络的结构优化和样本信息的选择问题，并将优化后的神经网络应用到非线性时间序列信号预测和荧光光谱的识别中。在构建人工神经网络模型过程中，选择什么样的学习算法以及如何寻找最佳的网络结构一直是决定网络性能优劣的关键所在。特别是网络拓扑结构的选择非常重要，不恰当的结构或导致推广能力很差，对于没有训练学习过的模式没有好的预测精度或高的正确识别率，或导致训练学习过程中收敛速度很慢甚至可能无法收敛。样本中的冗余信息会影响人工神经网络较精确表示网络输入和输出间的映射关系。在学习算法上，我们选择了递归最小方差(RLS：Kecursive Least Square)，与其他算法相比，该算法中需要调节的参数较少，使得它的学习更为容易，而且，由于RLS算法能够自动估算出互连权重调节的最佳步长值，所以神经网络的收敛速度和效率都有了较大提高。在网络规模大小的选择方面，我们引入了互连权重删剪算法，在网络学习训练后，分别对网络中间层单元和输入层单元进行删剪优化。对输入层单元的删剪，即是对网络输入样本中的冗余信息分量进行删除。这种在网络学习训练过程中即刻画网络输入和输出... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
Abstract |
4-6 |
|
目录 |
6-8 |
|
第一章 绪论 |
8-14 |
|
第一节 引言 |
8-9 |
|
第二节 基于神经网络的时间序列预测 |
9-12 |
|
第三节 基于神经网络的非线性荧光光谱识别 |
12-13 |
|
第四节 本论文研究内容及其章节安排 |
13-14 |
|
第二章 人工神经网络 |
14-20 |
|
第一节 人工神经网络概述 |
14-19 |
|
2.1.1 生物神经元结构 |
14-15 |
|
2.1.2 人工神经元的模型 |
15-17 |
|
2.1.3 神经网络的网络结构与类别 |
17-19 |
|
第二节 多层前馈神经网络 |
19-20 |
|
第三章 自适应人工神经网络 |
20-27 |
|
第一节 三层前馈型神经网络结构 |
20-21 |
|
第二节 递归最小方差学习算法 |
21-23 |
|
3.2.1 RLS自适应训练算法原理 |
21-23 |
|
3.2.2 RLS算法的步骤 |
23 |
|
第三节 互连权重删剪算法 |
23-27 |
|
3.3.1 删剪中间层单元 |
23-25 |
|
3.2.2 删剪输入层单元 |
25-27 |
|
第四章 基于神经网络的时间序列预测 |
27-38 |
|
第一节 基于神经网络的股指预测 |
28-33 |
|
4.1.1 网络的学习训练 |
28-30 |
|
4.1.2 互连权重删剪 |
30-32 |
|
4.1.3 再学习 |
32-33 |
|
4.1.4 预测 |
33 |
|
第二节 基于神经网络的 VBR视频通信量的预测 |
33-38 |
|
第五章 基于神经网络的非线性荧光光谱识别 |
38-44 |
|
5.1 数据来源 |
38-41 |
|
5.2 删剪网络的输入层单元 |
41-42 |
|
5.3 再学习及预测 |
42-44 |
|
总结与展望 |
44-49 |
|
致谢 |
49-50 |
|
在学校期间发表的学术论文及参加的项目 |
50 |
|
发表的学术论文 |
50 |
|
参加项目 |
50 |
|
| 【DOI】 | LunWen.ID:2.2008.388829 |
