神经网络考题

神经网络理论学生姓名：王晨学号：201207320专业班级：信号与信息处理1、采用BP网路、RBF网路逼近线性对象y（k）=讥—1）—°9xy伙-1），分1+y（k-1）2别进行matlab仿真。（30分）2、紧密结合自己的专业背景、科研方向或解决问题的经历，说明人工神经网络在你所关注的专业问题上应用的可行性。要求说明：自己的科研或专业背景，所关注的问题，与人工神经网络有什么关联，应用人工神经网络的可行性，问题的解决思路，比传统解决方法优势。（30分）神经网络在信号处理中的应用基于神经网络的信号处理技术。利用神经网络技术进行信号处理，几乎遍及了信号处理的各个分支.下面简要论及几个主要方面的研究及应用状况。（一）基于神经网络的信号滤波技术信号滤波技术的理论和方法是信号处理的重要研究内容。滤波是完成输入到输出的一种映射.为了提高滤波性能常要求滤波器权系数随输人信号发生变化，即实现所谓的自适应滤波，另外还要实现滤波器输人到输出的非线性映射，即非线性滤彼，这都是目前滤波理论与技术的难点，之所以成为难点，是因为实时计算滤波器的权系数，以及实时实现非线性滤波器，难以用传统方法得到实现.神经网络的高度运算能力和非线性变换特性，为上述问题的解决找到了答案。（1）基于模型的最优滤波。这类滤波器的结构固定，利用神经网络的目的是实时计算滤波器的权系数，所获得的最优滤波性能是该类模型中最优，即最优权系数滤波。（2）全局最优滤波这类滤波器的结构不确定，一般具有非线性传递函数并随复杂的滤波背景而变化，即时变非线性传递函数。（二）基于神经网络的谱估计技术谱估计方法主要有古典的傅里叶变换法和现代谱估计法两大类。古典的傅里叶变换法用快速傅里叶变换算法可以实时实现，但存在的问题是频率分辨力低、统计特性差，对低信嗓比信号和短数据时间题尤为突出。现代谱估计法以最大嫡谱估计为代表，在最近几年得到了发展和应用。该方法具有频率分辨力高、统计特性好的优点，但伴随的问题是运算量大，难以实时实现。为解决现代谱分析中存在的上述问题，目前采用神经网络方法从两方面人手，都取得了较好的进展.（1）基于神经网络高度运算能力的高性能算法（2）基于神经网络的谱估计新理论和方法谱估计的一个主要目的在于估计信号中周期成分的频率和振幅，最大嫡谱估计易出现谱分裂和伪峰规象。目前最方有效的正弦参量估计方法是基于特征分解的谱估计方法，即特征向量法，但特征向量法运算量非常大，利用神经网络可以实现这种方法达到实时估计。（3）基于神经网络的系统辨识系统辨识是要寻求一数学模型，使得该模型的输出与被辨识系统的输出尽量接近，亦即从特定的一类模型中选出一个与被控对象输人输出实测数据拟合得最好的模型。对线性时不变系统已有许多有效的辨识方法，而对非线性系统，尽管也可建立一组非线性微分方程，然而求解这些方程却十分困难。利用神经网络的非线性映射能力和高性能运算能力，可以对非线性系统进行辨识.在非线性系统辨识中常用的神经网络有两种，即用于非线性系统稳态特性的前向神经网络（多层感知器）以及用于非线性系统动态特性的循环神经网络。对应的辨识算法则有基于最速下降法的批处理算法和递归算法，以及基于高斯一牛顿法的批处理算法。基于模糊神经网络的信号处理技术人工神经网络的主要优点是不依赖于模型，但其缺点是网络的权值难以理解，无法对网络进行追踪检查或推理。反之模糊系统可以追踪其推理过程，可以理解模糊系统所编码的知识，并引人启发性知识，但缺点是编码精度低。模糊系统与神经网络都利用数值形式进行处理，二者并不互柑排斥，可以结合起来，组成模糊神经网络，且兼有两者优点.一一模糊神经网络引人启发性知识，并可追踪推理过程，使网络中权值具有明显意义，还具有学习功能，通过学习提咼编码精度。目前已应用于控制、模式分类，图象分割、边沿检测以及加速神经网络学习速度等。基于模糊神