排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
提出一种以模糊大脑情感学习(fuzzy brain emotional learning, FBEL)模型作为自适应噪声抵消器的噪声抵消方法,应用于信号处理问题。该方法通过FBEL模拟经非线性通道传输后的噪声信号,将噪声信号从含噪信号中过滤掉,达到消噪的目的;根据自适应学习算法,利用奖励信号和梯度下降法对FBEL模型的权重及参数进行在线更新,以适应噪声的变化。选取均方根误差和计算时间2个性能指标,采用自适应噪声抵消方法在不同网络中进行仿真比较,结果表明,应用该方法可以获得更好的滤波性能。 相似文献
2.
将小波函数和模糊推理相结合,提出一种基于小波函数的模糊大脑情感学习分类器(WFBELC)。采用小波函数的时频局部化特性反应输入信号的突变信息,快速精确地逼近信号,并去除噪声;利用参数自学习规则更新WFBELC结构参数。将该分类器应用于3个公开数据集,并与BP算法模型、模糊小脑模型(FCMAC)和模糊大脑情感学习模型(FBEL)进行对比。仿真结果显示,分类器在3个数据集上的分类准确率平均值均为最高,其中,在Wine数据集上的准确率最大值达到100%,平均值为97.56%,表明WFBELC对数据集的学习能力更强,能获得更好的分类效果。 相似文献
1