联想记忆系统的学习算法设计（Ⅰ）

基于牛顿向前插公式设计了一种新的联想记忆系（ＮＦＩ－ＡＭＳ）的学习算法,用以实现任意阶的多变量多项式函数的无误差逼近。该系统与传统类型的ＣＭＡＣ－ＡＭＳ相比,具有学习精度高和记忆空间小的特点;且比多层的ＢＰ网络具有学习算法简单和收敛速度快的特点。数值模拟表明,这种ＮＦＩ－ＡＭＳ在信号处理,模式识别,及高精度的实时智能控制等领域具有很大的应用潜力。     

关于最大Ch-熵谱估计

最大熵谱估计是众多谱估计方法中最重要的一种。目前的最大熵谱估计是基于Fourier变换进行的。本文研究基于Chrestenson变换的最大熵谱估计,得到了相应的熵率公式及谱估计正规方程,前者与Fourier意义下的相仿,后者则相差甚远。当采样点数合适时,谱估计极为简单。     

分块循环矩阵的性质及其对数字图象处理的应用

本文讨论分块循环矩阵的性质,据此,数字图象处理中的一些常用的滤波方法可通过FFT来进行,从而使计算量大为减少。     

OFDM帧内误码率最小化的比特和功率分配方法

为使正交频分复用(OFDM)系统在总功率和比特数不变条件下,误码率最小化BM(Ber Minimum)的比特和功率联合分配算法帧内平均误码率最小,设计符号内以最小总名义功率为目标的迭代算法,提出以符号最小总名义功率为基础的符号间功率分配方法.仿真结果表明,该方法在码率性能和计算速度方面均有较大改善.     

一种简化的移动卫星网仿真方案

鉴于以星座组网模式建立的卫星网在仿真上实现的难度很大，提出了一种简化的卫星网仿真方案，利用地面固定的有线网络，在其中加入卫星网特性模型，使其完全呈现出卫星网固有的动态网络拓扑特性和动态网络时延特性。最后在OPNET上实现了本仿真方案。     

一种新的联想记忆系统的学习收敛性(Ⅱ)

基于牛顿向前插公式的新的高阶联想记忆系统 (NFI AMS) ,可以用来实现任意阶多变量多项式函数的无误差逼近 ,证明了对于任意多变量连续函数均可通过一组与子区域个数相同的学习数据 ,NFI AMS的学习总是以任意精度收敛的。     

用神经网络解多元非线性方程组

给出前人人工神经网络逼近性理论，得到用人工神经网络可逼近任意给定的连续函数，并通过计算机对一些非线性函数进行模拟，模拟结果表明这种方法的可行性．给出用人工神经网络解多元非线性方程组的原理     

联想记忆系统的学习算法设计(I)

基于牛顿向前插公式设计了一种新的联想记忆系（ＮＦＩ－ＡＭＳ）的学习算法，用以实现任意阶的多变量多项式函数的无误差逼近。该系统与传统类型的ＣＭＡＣ－ＡＭＳ相比，具有学习精度高和记忆空间小的特点；且比多层的ＢＰ网络具有学习算法简单和收敛速度快的特点。数值模拟表明，这种ＮＦＩ－ＡＭＳ在信号处理，模式识别，及高精度的实时智能控制等领域具有很大的应用潜力。