现代智能算法在信号处理中的应用.ppt

所以输出权值的更新： 对隐层权值的更新 隐层的权值更新采用与输出层相仿的方法 问题：我们知道这些节点的实际输出，确无法提前知道正确的输出是什么 直觉总的误差与隐层的输出有某些关系 直接把总的误差和隐层的权值联系起来 我们要计算EP对隐层权值的梯度 而： 所以： 注意：隐层的权值更新取决于输出层的所有的误差 根据相应的公式可以求出各个偏微分 定义一个隐层误差项： 方便编程与理解 最后得到二个权值改变的重要公式： 初始化 加输入和期望输出 计算隐层和输出层的输出 迭代次数加1 调节输出层和隐层的连接权值 改变训练样板 训练样终止？ 迭代终止？ BP算法的基本流程 No No y y 人工神经网络在信号方面的应用 一、神经网络应用于雷达信号的分选和识别 1.自组织PNN应用于信号分选和识别 2.BSB应用于信号的分选和识别 二、神经网络在自适应信号处理中的应用 1.自适应滤波 2.自适应噪声和干扰对消 3.自适应波束形成 自组织PNN应用于信号分选和识别 概率神经网络PNN的功能函数采用的不是Sigmoid型函数，而是指数函数。采用这种函数形成的分类神经网络，可以得到非线性判决边界，且在一定条件下就可实现贝叶斯最优判决。 自组织神经网络是根据人脑具有的下列特点开发出来的。自组织PNN利用人脑组织的一些特点，无须事先存储训练样本，而是通过边工作边学习(记忆)，其内容即其隐含层各单元的权重，是利用其自身内部的竞争学习获得的，竞争的获胜者是具有最大概率的模式，随着更多模式的获得系统能自已调整记忆，并自动遗忘过旧的模式以适应新的复杂环境 利用PNN可以对具有单维或多维特征参数的信号进行分类。 BSB应用于信号的分选和识别 首先，由雷达侦察接收机把各种脉冲处理成方位角(Az)、仰角(EL)、信噪比(SNR)、载频(FR)等特征值，并把这些数据列表示在脉冲缓冲寄存器中，再标记上到达时间。然后，由BSB的自联想功能完成分选：可随机地从“脉冲寄存器”中提取脉冲，用小学习常数的Midrow-Hoff误差校正算法学习它；所有从一部雷达来的脉冲都将吸引至一种特殊的稳定状态，从而完成雷达信号的分类过程。 BSB是一个并行结构，信息的存储与处理合二为一，它比以串行为特征、信息的存储与处理互不相关的传统方法优越得多，分选效果明显提高，是一种很有吸引的分选识别方法。 1.自适应滤波 Hopfield网络虽然可以在电路常数量级内求解复杂的优化问题，但存在编程复杂的问题，而且只能给出局部最优解，不能给出全局最优解。 若采用线性规划神经网络就可输出连续变化的模拟量，但这种网络可能会产生不稳定。通过对其不稳定性的分析，找出了使该网络保持稳定(即适当地选择约束放大器和信号放大器的形式和具体参数)的方法，这种网络可以在几百微微秒数量级内求解自适应滤波器的最佳权系数和自适应谱估计的模型参数，所得结果与准确解可以任意接近，而不存在任何编程复杂性问题，又能给出所需的真正全局最优解，因此在自适应信号处理中有很好的应用前景。 现代智能算法在信号处理中的应用 田攀博~2012113130 王晓超~2012113133 什么是人工智能算法  随着计算机技术的飞速发展，智能计算方法的应用领域也越来越广泛，人工智能计算也有人称之为“软计算”，是人们受自然（生物界）规律的启迪，根据其原理，模仿求解问题的算法。从自然界得到启迪，模仿其结构进行发明创造，这就是仿生学。这是我们向自然界学习的一个方面。另一方面，我们还可以利用仿生原理进行设计(包括设计算法)，这就是智能计算的思想。 ？ 当前存在的一些智能算法有：人工神经网络?、遗传算法、模拟退火算法、?群集智能、蚁群算法?、粒子群算等等。 人工神经网络算法 重点讲解： 一、背景 人工神经网络的研究，可以追溯到 1957年Rosenblatt提出的感知器(Perceptron)模型 。它几乎与人工智能——AI（Artificial Intelligence）同时起步，但30余年来却并未取得人工智能那样巨大的成功，中间经历了一段长时间的萧条。直到80年代，获得了关于 人工神经网络切实可行的算法，以及以Von Neumann体系为依托的传统算法在知识处理方面日益显露出其力不从心后，人们才重新对人工神经网络发生了兴趣，导致神经网络的复兴。 人工神经网络 生物学角度：每个神经细胞可以简单地看做由三部分组成：树突，轴突，细胞体。对每个神经细胞，树突可以由多个，它们是接受来自其他神经细胞的刺激的通道；细胞体