第一章 神经网络基本模型和基本理论 1
1.1 Hopfield神经网络 1
1.1.1 离散型Hopfield神经网络 1
1.1.2 连续状态Hopfield神经网络 2
1.2 多层感知器及BP学习算法 6
1.3 自组织神经网络 8
1.4 高阶神经网络 9
1.5 概率神经网络(PNN) 10
本章小结 11
第二章 神经网络滤波系统 13
2.1 LS准则下的神经网络自适应滤波 13
2.2 实现RLS算法的神经网络 18
2.3 带线性约束的LS算法的神经网络求解 21
2.4 TLS算法的神经网络实时实现 22
2.4.1 TLS算法简介 22
2.4.2 TLS算法的神经网络实时实现 23
2.5 神经网络用于一类非线性自适应滤波 28
2.6 神经网络非线性滤波基础 29
2.7 神经网络时间序列预测 30
2.8 基于神经网络的噪声相消 31
2.9 非理想因素对神经网络性能的影响 32
2.9.1 连接强度失配对TH网络性能的影响 32
2.9.2 神经元的延迟对TH网络性能的影响 33
本章小结 35
第三章 基于神经网络的谱估计 36
3.1 最大熵一维谱估计的神经网络实现 36
3.2 正弦信号参量的神经网络实时估计 39
3.2.1 Pisarenko法简介 39
3.2.2 一种神经网络模型 40
3.2.3 神经网络用于Pisarenko谱估计计算 43
3.2.4 单个正弦波参量的神经网络估计 47
3.3 最大熵多维谱估计的神经网络方法 50
3.4 基于神经网络的高阶谱估计 53
3.5 基于神经网络的多通道谱估计 56
3.5.1 多通道谱估计 56
3.5.2 一种二维神经网络模型 58
3.5.3 二维神经网络实时实现多通道谱估计算法 60
3.5.4 二维神经网络用于矩阵求逆 63
本章小结 67
第四章 神经网络方向估计 68
4.1 神经网络用于ML法和传播算子算法 68
4.1.1 问题描述 68
4.1.2 ML法和交替投影ML法 69
4.1.3 Marcos“传播算子”算法 70
4.1.4 几种方向估计算法的神经网络实现 72
4.1.5 模拟举例 75
4.2 基于神经网络的ML空间参数估计 77
4.2.1 实数ML方向估计 77
4.2.2 神经网络结构 78
4.2.3 神经网络实现ML方向估计 80
4.2.4 模拟举例 82
4.3 MUSIC法的神经网络实现 82
4.3.1 MUSIC法方向估计 82
4.3.2 特征分解神经网络结构 83
4.3.3 神经网络求解信号子空间 84
4.4 基于空间分割的神经网络方向估计方法 88
4.4.1 窄带信号源 88
4.4.2 宽带信号源 91
4.4.3 模拟举例 93
本章小结 93
第五章 基于神经网络的信号检测 94
5.1 神经网络二元检测 94
5.1.1 似然比最佳检测原理 94
5.1.2 神经网络检测器 95
5.1.3 非高斯背景下信号的神经网络检测 96
5.2 强噪声背景下信号的神经网络检测 97
5.3 瞬时信号的神经网络检测 100
5.4 运动目标信号的神经网络检测 101
本章小结 102
第六章 神经网络自适应信号处理 103
6.1 最大主元的自适应提取 103
6.2 多主元的自适应提取 108
6.3 Sanger主元学习算法 112
6.4 一类局部多主元分析算法 113
6.5 APEX神经网络学习算法 116
6.6 MCA算法 119
6.7 应用举例 122
本章小结 124
第七章 基于神经网络的信号重构 125
7.1 神经网络实现最大熵信号重构算法 125
7.1.1 最大熵信号重构算法 125
7.1.2 神经网络求解最大熵信号重构问题 126
7.2 病态反卷积问题的神经网络求解 131
7.3 二进制信号的神经网络重构 133
本章小结 138
第八章 神经网络与系统辨识 139
8.1 系统辨识的基础 139
8.2 多层前馈神经网络用于系统辨识 140
8.3 循环神经网络用于系统辨识 146
8.4 几种神经网络辨识算法的比较 148
本章小结 153
第九章 模糊神经网络信号处理 154
9.1 模糊集理论简介 154
9.1.1 隶属概念 154
9.1.2 模糊子集的简单运算 154
9.1.3 模糊向量及其笛卡尔乘积 155
9.1.4 模糊矩阵与模糊关系 155
9.1.5 常见的模糊条件语句及其对应的模糊关系R 157
9.1.6 精确量与模糊量的相互转换 157
9.1.7 模糊度量 158
9.1.8 模糊熵 159
9.2 结构性知识的神经网络与模糊集表示 159
9.3 自适应模糊神经网络 160
9.3.1 网络的构成 160
9.3.2 自适应算法 161
9.4 模糊神经网络分类器 162
9.4.1 模糊神经网络的结构与权值的修改 163
9.4.2 输入的模糊化 164
9.5 神经网络与模糊推理协作系统 166
9.5.1 构造系统的基本原理 167
9.5.2 具体实现方法 169
9.5.3 应用于目标系统 171
9.5.4 学习后的神经网络权值变化的解释 171
9.5.5 结论 172
本章小结 173
参考文献 174