基于改进目标函数的前馈神经网络盲均衡算法

针对前馈神经网络的特性和盲均衡中CMA算法的特点构造出一个新的目标函数J(n)。该目标函数综合考虑使盲均衡的代价函数和神经网络的误差函数同时减小。仿真结果表明,使用此算法加快了均衡过程的收敛速度、减小了剩余误差及误码率。     

频率分集多小波神经网络盲均衡算法

在分析多小波神经网络盲均衡的基础上,提出了频率分集多小波神经网络盲均衡算法（ FD －MWT －FNN）,该算法利用多小波的特性,加快算法的收敛速度,采用具有对称特性的误差函数减小算法的均方误差,为了进一步提高算法的性能,引入频率分集技术克服多径衰落的影响。水声信道的仿真结果表明,该算法具有收敛速度快,稳态误差小的特点。     

一种基于模糊神经网络的盲均衡算法

提出一种新的基于模糊神经网络的盲均衡算法,它利用盲估计算法与模糊神经网络相结合的原理,先对通信信道进行盲估计,利用得到的信道特性来估计FNN盲均衡器中的隶属函数中心与宽度初值。传统算法中,中心与宽度的初值设定由专家提供,会有一定的偏差。本算法利用信道特性来估计隶属函数的初值,有效地避免了人为确定初值的不确定性。同时本算法克服了原有盲均衡算法反卷积计算量大的缺点。仿真结果证明本算法与同类算法相比,收敛速度加快,误码率减小。     

前馈神经网络复值盲均衡算法的研究

提出了一种新的前馈神经网络(N-FNN)复值盲均衡算法。新算法改变了传统均衡技术大量发送训练序列而降低系统传输的有效信息率,有效地消除码间干扰,提高了通信质量。笔者设计出新的传递函数和代价函数,利用最陡梯度下降法推导出输出层和隐层单元权值的迭代公式。通过对QAM信号进行计算机仿真,笔者提出的新算法与同类算法相比,具有均方误差收敛速度加快、误码率降低、稳态剩余误差减小等优点     

基于动量项前馈神经网络盲均衡算法

针对基于前馈神经网络的盲均衡算法中，BP优化算法具有收敛速度慢、易陷入局部极小的缺点，提出了一种新的盲均衡算法，该算法结合动量项前馈神经网络与传统恒模盲均衡算法的优点，将以前权值的调节量用于当前权值的修改过程，降低了算法对于误差曲面局部极值点的敏感性。仿真结果表明，该算法可有效抑制网络陷入局部极小，防止振荡，加快盲均衡器的收敛速度。     

基于余弦代价函数的双模盲均衡算法

盲均衡算法不需要训练序列，就能够有效降低码间串扰（ISI），但是在脉冲噪声环境下，现有单滤波器均衡算法不能有效平衡收敛速率与均衡误差，算法收敛后ISI仍然较高。针对上述问题，提出了一种基于余弦代价函数的凸组合双模盲均衡算法。该算法将2个盲均衡器并联使用，其中一个作为快速滤波器以保证收敛速率，另一个作为慢速滤波器以降低均衡误差。为了进一步抑制脉冲噪声，将分数低阶统计量引入到基于余弦代价函数的盲均衡算法和基于判决反馈准则的盲均衡算法中，并分别作为快速滤波器和慢速滤波器的权向量更新算法。仿真实验表明：当噪声设置为25 dB的高斯白噪声时，新算法收敛后ISI会低于常模盲均衡算法CMA和基于余弦代价函数的盲均衡算法CCF，星座图也较为清晰；当噪声环境为28 dB的α稳定分布噪声时，新算法利用分数低阶统计量以抑制脉冲噪声，能够得到较低的ISI和清晰的星座图，而凸组合结构兼顾了稳态误差与收敛速率，在进一步降低稳态误差的同时确保了较快的收敛速率。     

基于对角递归神经网络盲均衡算法的研究

提出了一种基于对角递归神经网络的盲均衡算法。利用对角递归神经网络结构简单、计算量少的优点,结合传统的恒模盲均衡算法定义了代价函数,用最速梯度下降法推导出了其算法迭代公式。计算机仿真表明,该算法收敛速度较快,误码率较小。     

基于对角递归神经网络盲均衡算法的研究

提出了一种基于对角递归神经网络的盲均衡算法。利用对角递归神经网络结构简单、计算量少的优点,结合传统的恒模盲均衡算法定义了代价函数,用最速梯度下降法推导出了其算法迭代公式。计算机仿真表明,该算法收敛速度较快,误码率较小。     

引入动态动量因子的共轭梯度多模盲均衡算法

为了克服传统多模算法收敛速度慢的缺点,提出了引入动态动量因子的共轭梯度多模盲均衡算法。该算法将共轭梯度方法及动量项引入多模算法中,得到了引入动量项的共轭梯度多模盲均衡算法的迭代公式。在研究动量因子变化规律的基础上,进一步引入指数函数的变形形式,构造了动量因子与误差之间的非线性函数关系。利用误差的递减规律实现动量因子的自适应减小,从而达到加快收敛速度,降低稳态误差的目的。理论分析和仿真结果均表明:提出的新算法与传统多模算法及共轭梯度多模算法相比较,能够有效地提高收敛速度,并且降低了稳态均方误差。     

基于神经网络盲均衡算法的发展

从算法的角度，着重讨论了利用前馈神经网络、递归神经网络及细胞神经网络实现盲均衡算法的发展情况。总结出神经网络在盲均衡技术发展中起到的积极作用。     

正弦函数混沌神经网络研究

通过复合正弦函数和Sigmoid函数构成激励函数,构造了一种新的暂态混沌神经网络.对混沌神经元模型的倒分岔和Lyapunov指数谱图进行了分析.基于这个神经元模型,建立了混沌神经网络.对各参数进行了网络寻优能力的比较和分析.通过对非线性连续函数的寻优问题的解决,验证了该网络的有用性和有效性.     

基于小波神经网络免疫PID控制器的研究

针对PID控制器,本文介绍了一种基于小波神经网络的免疫PID控制器。由于小波变换具有较好的时频局部性．神经网络拥有较强大的非线性映射的能力、自适应、自学习等优势,将规范正交的小波函数与神经网络的基函数相结合构成小波神经网络．该网络同时具有小波和神经网络的优点,本文用小波神经网络来逼近免疫PID的函数,试验以及仿真结果表明,本文介绍的控制器性能优于其它类型免疫PID控制器。     

改进粒子群算法在BP神经网络拟合非线性函数方面的应用

为解决BP神经网络拟合非线性函数的预测结果误差较大问题,笔者将标准粒子群算法进行改进,形成基于免疫接种的粒子群算法(IPSO);然后将该算法与BP神经网络理论相结合,实现基于IPSO算法优化的BP神经网络非线性函数拟合算法。新的拟合算法首先确定BP神经网络结构,然后用IPSO算法优化初始权值和阈值,最后进行BP神经网络预测。数值实验表明,本文提出的IPSO算法提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

小波神经网络用于非线性函数逼近的研究

神经网络具有良好的学习特性，而小波变换具有良好的时频局部化特性．将二者结合在一起构成小波神经网络，网络隐层采用morlet小波函数，输出层采用线性函数，使得该网络兼具神经网络和小波变换的优点．分别用小波网络和BP网络逼近一非线性函数，其结果表明，在相同的误差条件下，小波网络的收敛速度要远远快于一般的BP网络．     

一类神经网络模型的稳定性分析

研究了一类神经网络,包括Hopfield神经网络和细胞神经网络,从神经网络的互连矩阵以及神经元输入输出的激励函数出发,通过研究特殊矩阵以及单调有界函数,利用Brouwers’不动点理论和构造Lyapunov函数的方法讨论神经网络平衡点的存在唯一性和全局指数稳定性以及指数的收敛速率,获得了一些充分条件以保证神经网络的平衡点的存在性、唯一性和全局指数的稳定性,并给出了一些条件下指数收敛速率的估计值.     

前向神经元网络的子波表示

基于函数逼近，对前向神经元网络中非线函数与子波变换中母函数的关系进行了分析，推出了前向神经元网络的子波表示，指出两种方法应用于Ｌ＾２（Ｒ）空间函数逼近时是一致性，最后给出了两个前向神经元网络的子波表示，函数逼近实例验证了本结论的正确性。     

Stein损失下BP神经网络分类方法在人脸识别中的应用

在统计判决理论的框架下,针对一类特定目标人脸识别中存在的问题,提出了基于Stein损失的BP神经网络分类方法,证明了Stein损失下的BP神经网络的收敛性,经过剑桥大学ORL人脸库的图像识别实验,表明这种方法能有效解决传统的BP神经网络特定目标人脸识别中存在的问题.     

一种应用神经网络模拟Hash函数的算法

首先介绍了Hash函数的原理以及Hash算法的设计方法,提出了用神经网络模拟Hash函数的思想,并给出了用(径向基函数)RBF网络模拟Hash函数的具体算法。     

Sigma—pi神经网络激发函数特征

研究了ｓｉｇｍａ－ｐｉ这一类神经网络激发函数的特征，给出能作为这类激发函数的充要条件，并具体给出了其表达式。