信號(hào)處理的神經(jīng)網(wǎng)絡(luò)方法

內(nèi)容概要

　　人工神經(jīng)網(wǎng)絡(luò)的獨(dú)特知識(shí)表示結(jié)構(gòu)和信息處理原則使其成為智能信息處理的主要技術(shù)之一，吸引了越來越多科技工作者的研究興趣。本書從人工神經(jīng)網(wǎng)絡(luò)在信號(hào)處理領(lǐng)域的應(yīng)用入手，對(duì)神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)和信號(hào)處理領(lǐng)域如何應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行介紹。我們挑選bp、rbf、sofm、lvq、hopfield這
5種已成功應(yīng)用于解決實(shí)際信號(hào)處理問題的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行詳細(xì)介紹，并對(duì)如何利用它們解決信號(hào)處理問題進(jìn)行分析。另外還介紹了量子比特神經(jīng)網(wǎng)絡(luò)這種新興網(wǎng)絡(luò)結(jié)構(gòu)。
　　《信號(hào)處理的神經(jīng)網(wǎng)絡(luò)方法》適合于作為研究生或高年級(jí)本科生的教材，也可以作為希望深入學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)理論和應(yīng)用技術(shù)的科技人員的參考書。

書籍目錄

第1章　緒論
1.1引言
1.2人工神經(jīng)網(wǎng)絡(luò)概述
1.2.1人工神經(jīng)元
1.2.2人工神經(jīng)網(wǎng)絡(luò)分類
1.2.3前向人工神經(jīng)網(wǎng)絡(luò)
1.2.4競爭型人工神經(jīng)網(wǎng)絡(luò)
1.2.5遞歸人工神經(jīng)網(wǎng)絡(luò)
1.2.6量子比特神經(jīng)網(wǎng)絡(luò)
1.3人工神經(jīng)網(wǎng)絡(luò)適用于信號(hào)處理
1.3.1數(shù)字信號(hào)處理問題概述
1.3.2人工神經(jīng)網(wǎng)絡(luò)適用于數(shù)字信號(hào)處理
1.3.3應(yīng)用人工神經(jīng)網(wǎng)絡(luò)解決信號(hào)處理問題示例
1.4ann解決信號(hào)處理問題的一般思路
習(xí)題
第2章　基于bp網(wǎng)絡(luò)的信號(hào)處理
2.1引言
2.2bp學(xué)習(xí)算法
2.2.1輸出層神經(jīng)元權(quán)值確定
2.2.2隱含層神經(jīng)元權(quán)值確定
2.2.3權(quán)值修正過程
2.2.4bp學(xué)習(xí)算法描述
2.3bp學(xué)習(xí)算法的局限性及改進(jìn)方法
2.3.1bp學(xué)習(xí)算法的局限性
2.3.2bp學(xué)習(xí)算法的改進(jìn)方法
2.4構(gòu)建bp網(wǎng)絡(luò)的關(guān)鍵問題
2.5bp網(wǎng)絡(luò)的matlab實(shí)現(xiàn)
2.6基于bp網(wǎng)絡(luò)的英文字母識(shí)別
2.6.1英文字母特征提取
2.6.2網(wǎng)絡(luò)結(jié)構(gòu)確定
2.6.3網(wǎng)絡(luò)訓(xùn)練
2.6.4網(wǎng)絡(luò)構(gòu)建流程
2.6.5字母識(shí)別性能分析
習(xí)題
第3章　基于rbf網(wǎng)絡(luò)的信號(hào)處理
3.1函數(shù)的內(nèi)插理論
3.1.1近似問題的定義
3.1.2函數(shù)的內(nèi)插
3.2徑向基神經(jīng)元
3.3高斯rbf網(wǎng)絡(luò)
3.3.1高斯rbf網(wǎng)絡(luò)結(jié)構(gòu)
3.3.2網(wǎng)絡(luò)學(xué)習(xí)方法
3.3.3rbf網(wǎng)絡(luò)結(jié)構(gòu)確定方法
3.4概率rbf網(wǎng)絡(luò)
3.4.1貝葉斯決策分類方法簡介
3.4.2概率rbf網(wǎng)絡(luò)結(jié)構(gòu)
3.4.3基于em算法的概率rbf網(wǎng)絡(luò)的學(xué)習(xí)
3.5rbf網(wǎng)絡(luò)的matlab實(shí)現(xiàn)
3.5.1rbf網(wǎng)絡(luò)創(chuàng)建函數(shù)
3.5.2rbf網(wǎng)絡(luò)傳遞函數(shù)和轉(zhuǎn)換函數(shù)
3.6rbf網(wǎng)絡(luò)應(yīng)用實(shí)例
3.6.1基于rbf網(wǎng)絡(luò)的插值技術(shù)
3.6.2基于rbf網(wǎng)絡(luò)的淺灘演變預(yù)測(cè)
習(xí)題
第4章　基于sofm網(wǎng)絡(luò)的信號(hào)處理
4.1sofm網(wǎng)絡(luò)結(jié)構(gòu)
4.1.1sofm網(wǎng)絡(luò)基本特點(diǎn)
4.1.2網(wǎng)絡(luò)構(gòu)成
4.2sofm網(wǎng)絡(luò)學(xué)習(xí)算法
4.2.1兩階段權(quán)值調(diào)整
4.2.2算法步驟
4.2.3參數(shù)選擇
4.2.4算法改進(jìn)
4.3rsom樹
4.3.1rsom樹原理
4.3.2rsom樹的基本訓(xùn)練算法
4.4lvq網(wǎng)絡(luò)
4.5sofm網(wǎng)絡(luò)的matlab實(shí)現(xiàn)
4.6sofm網(wǎng)絡(luò)應(yīng)用實(shí)例
4.6.1基于sofm的人口分類
4.6.2基于lvq網(wǎng)絡(luò)的模式識(shí)別
習(xí)題
第5章　神經(jīng)動(dòng)力學(xué)基本原理及hopfield網(wǎng)絡(luò)
5.1lyapunov動(dòng)力學(xué)穩(wěn)定理論
5.1.1動(dòng)態(tài)系統(tǒng)及狀態(tài)空間
5.1.2系統(tǒng)平衡狀態(tài)的穩(wěn)定性
5.1.3lyapunov穩(wěn)定性定理
5.2hopfield神經(jīng)元的數(shù)學(xué)模型
5.3時(shí)間連續(xù)hopfield網(wǎng)絡(luò)
5.3.1數(shù)學(xué)描述
5.3.2穩(wěn)定性分析
5.4時(shí)間離散hopfield網(wǎng)絡(luò)
5.4.1時(shí)間離散hopfield網(wǎng)絡(luò)結(jié)構(gòu)
5.4.2穩(wěn)定性分析
5.4.3網(wǎng)絡(luò)工作方式
5.5hopfield網(wǎng)絡(luò)的應(yīng)用領(lǐng)域
5.5.1聯(lián)想記憶問題
5.5.2組合優(yōu)化問題
5.6hopfield網(wǎng)絡(luò)的matlab實(shí)現(xiàn)
5.6.1hopfield網(wǎng)絡(luò)創(chuàng)建函數(shù)
5.6.2hopfield網(wǎng)絡(luò)的設(shè)計(jì)
習(xí)題
第6章　量子比特神經(jīng)網(wǎng)絡(luò)
6.1量子比特與量子門
6.1.1量子比特
6.1.2量子門
6.2量子比特神經(jīng)元模型
6.3量子比特神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
6.4qbp算法
習(xí)題
第7章　結(jié)束語
7.1其他人工神經(jīng)網(wǎng)絡(luò)模型
7.2人工神經(jīng)網(wǎng)絡(luò)發(fā)展的制約因素
7.3人工神經(jīng)網(wǎng)絡(luò)發(fā)展趨勢(shì)
7.4神經(jīng)網(wǎng)絡(luò)書籍與期刊
參考文獻(xiàn)

章節(jié)摘錄

　　1.3.2 人工神經(jīng)網(wǎng)絡(luò)適用于數(shù)字信號(hào)處理　　在人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史中，其在理論和設(shè)計(jì)方面所取得的進(jìn)步都同信號(hào)處理問題密切相關(guān)，信號(hào)處理領(lǐng)域不斷出現(xiàn)的新問題促進(jìn)了人工神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展。像自適應(yīng)濾波、自適應(yīng)編碼等自適應(yīng)問題，以及模式的非線性區(qū)域分類、系統(tǒng)辨識(shí)、高維空間非線性信號(hào)檢測(cè)等非線性問題，是信號(hào)處理領(lǐng)域的研究熱點(diǎn)和難點(diǎn)，應(yīng)用傳統(tǒng)方法解決這些問題具有較大難度，而人工神經(jīng)網(wǎng)絡(luò)的以下特性使其非常適合于解決這些問題?！　。?）強(qiáng)大的非線性映射能力、自適應(yīng)能力，以及廣泛的全局逼近能力?！　。?）并行的信息處理方式：單個(gè)神經(jīng)元進(jìn)行簡單信息處理，而大量簡單處理單元集體的、并行的活動(dòng)可以以較快速度得到預(yù)期的識(shí)別計(jì)算結(jié)果。　?。?）分布式的信息存儲(chǔ)方式：信息以分布方式存儲(chǔ)在神經(jīng)元之間的連接權(quán)值上，僅從單個(gè)權(quán)值無法看出存儲(chǔ)內(nèi)容?！　。?）強(qiáng)大的學(xué)習(xí)能力以及由此而來的泛化能力：神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和連接結(jié)構(gòu)都可以以監(jiān)督或非監(jiān)督方式從環(huán)境中學(xué)習(xí)得到，而泛化是指人工神經(jīng)網(wǎng)絡(luò)對(duì)不在訓(xùn)練樣本集合中的數(shù)據(jù)可以產(chǎn)生合理的輸出。這種能力使得人工神經(jīng)網(wǎng)絡(luò)可以解決一些當(dāng)前還不能夠處理的大型復(fù)雜信號(hào)處理問題?！　。?）強(qiáng)的容錯(cuò)性：局部或部分神經(jīng)元損壞后，不會(huì)對(duì)全局活動(dòng)造成很大影響?！　∥覀儸F(xiàn)在常應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行統(tǒng)計(jì)信號(hào)處理、非線性信號(hào)處理、自適應(yīng)信號(hào)處理及建立非線性動(dòng)態(tài)系統(tǒng)。因此，基于人工神經(jīng)網(wǎng)絡(luò)的信號(hào)處理成為信號(hào)處理中的重要研究方向，也是人工神經(jīng)網(wǎng)絡(luò)理論和模型的重要應(yīng)用方面?！　　?/pre>








圖書封面






評(píng)論、評(píng)分、閱讀與下載



還沒讀過(10)
勉強(qiáng)可看(750)
一般般(128)
內(nèi)容豐富(5310)
強(qiáng)力推薦(435)


 


    信號(hào)處理的神經(jīng)網(wǎng)絡(luò)方法 PDF格式下載