📄 ml.htm
字号:
<!ArtChnTitle>
<!ArtChnAuthor>
<!ArtAuthorAddress>
<!ArtChnAbstract>
<!ArtChnKeyword>
<!ArtEngTitle>
<!ArtEngAuthor>
<!ArtEngAbstract>
<!ArtEngKeyword>
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=gb2312">
<meta name="GENERATOR" content="Microsoft FrontPage 5.0">
<title>学位论文－自适应信号处理的神经网络方法</title>
<style>A:link {COLOR: #000000; FONT-FAMILY: 宋体; TEXT-DECORATION: none}
A:visited {COLOR: #000000; FONT-FAMILY: 宋体; TEXT-DECORATION: none}
A:active {FONT-FAMILY:宋体; TEXT-DECORATION: none}
A:hover {COLOR: #000000;TEXT-DECORATION:none}
BODY {FONT-FAMILY:宋体; FONT-SIZE: 9pt;TEXT-DECORATION:none}
TABLE {FONT-FAMILY: 宋体; FONT-SIZE: 9pt}
.H1 {FONT-SIZE: 9pt; COLOR: #0000cc}
.ourfont {FONT-SIZE: 9pt; LINE-HEIGHT: 14pt}
select {font-size:12px;}
.wx {BACKGROUND: #001863; BORDER-BOTTOM: white 1px solid; BORDER-LEFT: white 1px solid; BORDER-RIGHT: white 1px solid; BORDER-TOP: white 1px solid; COLOR: #ffffff; FONT-SIZE: 9pt; FONT-STYLE: normal; FONT-VARIANT: normal; FONT-WEIGHT: normal; HEIGHT: 18px; LINE-HEIGHT: normal}
.wx1 {border-top: #c0c0c0 1px;border-left: #c0c0c0 1px;border-right:#c0c0c0 1px;border-bottom:#c0c0c0 1px;border-style:inset;background-color:#ffffff;vertical-align:text-bottom}
</style>
</head>
<body bgcolor="#FFFFFF" link="#000000" background="../image/bg.gif">
<img src="../../images/xwlwk.jpg" width="750" height="94">
<table width="83%" border="0" cellspacing="0" cellpadding="0">
<tr>
<td width="19%"><p> </p>
<p></p></td>
<td width="81%"><p>馆藏号：Y494276<br>
<br>
论 文 题 目：<strong style="font-weight: 400">自适应信号处理的神经网络方法</strong><br>
学位授予单位：电子科技大学<br>
作 者：李春光<br>
申请学位级别：硕士<br>
学 科 名 称：模式识别与智能系统<br>
指 导 教 师：廖晓峰<br>
出 版 时 间：2001.12<br>
摘 要：<br>
人工神经网络由于具有并行计算、自组织,自学习的特性和全局逼近能力而受到人们的广泛关注,并已经被成功地应用到信号处理、控制、模式识别等很多领域.该论文为应用基础研究,主要讨论神经网络在信号处理领域中四个方面的应用,包括自适应滤波、信道均衡、系统辩识和射频(RF)功放自适应预失真线性化. 该论文的主要创新之处可概括如下:1、提出一种复值赫布型学习算法 该论文提出一种复值Hebb型学习算法,该算法可以看成为反Hebb型实值学习算法的推广,在文中给出了该算法的详细的推导过程.2、提出一种复神经网络的杂交学习算法并应用到信道均衡中 该论文提出一种用于复信道均衡的杂交算法,该方法有效地将监督和非监督算法有效地结合在一起来训练一个复值多层前馈神经网络,该方法利用了多层前馈神经网络的结构优势及监督和非监督算法各自的优点.3、提出了一种新的多层前馈神经网络快速训练方法 在该论文中提出了一种新的多层前馈神经网络快速训练方法,该算法是基于指数加权局部最小二乘(EWLLS)目标函数及欧几里得方向集(EDS)方法的,在训练过程中;通过估计局部期望输出,多层神经网络可以被分解成若干个自适应线性神经元(Adaline),而Adaline是通过EDS方法进行训练的.4、射频功放自适应预失真线性化的神经网络方法该论文中提出一种在移动通信系统中射频功放自适应预失真线性化的新的方法,利用一个复值递归神经网络来构成预失真器,这样预失真器和功放构成的组合系统可以看成一种特殊的神经网络,而复神经网络的权值是通过CRTRL算法来进行调整的.<br>
分 类 号：TN911.72<br>
关 键 词：神经网络;信道均衡;系统辩识;预失真;信号处理
<p align="center">
<table width="80" border="0" cellspacing="0" cellpadding="0">
<tr>
<td bgcolor="#cccccc">
<table width="100%" border="0" cellspacing="1" cellpadding="0">
<tr style="CURSOR: hand">
<td bgcolor="#CCCCCC" onMouseOver="this.bgColor='#999999';" onMouseOut="this.bgColor='#cccccc';" valign="bottom" height="18" NAME="NAME_BALL" STYLE="cursor:hand" child="FALL"><div align="center"><strong><font size="4"><a href="index.htm">PDF正文</a></font></strong></div></td>
</tr>
</table></td>
</tr>
</table>
</td>
</tr>
</table>
<div align="center"></div>
</body>
</html>
⌨️ 快捷键说明
复制代码
Ctrl + C
搜索代码
Ctrl + F
全屏模式
F11
切换主题
Ctrl + Shift + D
显示快捷键
?
增大字号
Ctrl + =
减小字号
Ctrl + -