信号处理的神经网络方法

　　人工神经网络的独特知识表示结构和信息处理原则使其成为智能信息处理的主要技术之一，吸引了越来越多科技工作者的研究兴趣。本书从人工神经网络在信号处理领域的应用入手，对神经网络基本结构和信号处理领域如何应用神经网络进行介绍。我们挑选bp、rbf、sofm、lvq、hopfield这
5种已成功应用于解决实际信号处理问题的网络结构进行详细介绍，并对如何利用它们解决信号处理问题进行分析。另外还介绍了量子比特神经网络这种新兴网络结构。

　　《信号处理的神经网络方法》适合于作为研究生或高年级本科生的教材，也可以作为希望深入学习神经网络理论和应用技术的科技人员的参考书。

第1章　绪论
1.1引言
1.2人工神经网络概述
1.2.1人工神经元
1.2.2人工神经网络分类
1.2.3前向人工神经网络
1.2.4竞争型人工神经网络
1.2.5递归人工神经网络
1.2.6量子比特神经网络
1.3人工神经网络适用于信号处理
1.3.1数字信号处理问题概述
1.3.2人工神经网络适用于数字信号处理
1.3.3应用人工神经网络解决信号处理问题示例
1.4ann解决信号处理问题的一般思路
习题

第2章　基于bp网络的信号处理
2.1引言
2.2bp学习算法
2.2.1输出层神经元权值确定
2.2.2隐含层神经元权值确定
2.2.3权值修正过程
2.2.4bp学习算法描述
2.3bp学习算法的局限性及改进方法
2.3.1bp学习算法的局限性
2.3.2bp学习算法的改进方法
2.4构建bp网络的关键问题
2.5bp网络的matlab实现
2.6基于bp网络的英文字母识别
2.6.1英文字母特征提取
2.6.2网络结构确定
2.6.3网络训练
2.6.4网络构建流程
2.6.5字母识别性能分析
习题

第3章　基于rbf网络的信号处理
3.1函数的内插理论
3.1.1近似问题的定义
3.1.2函数的内插
3.2径向基神经元
3.3高斯rbf网络
3.3.1高斯rbf网络结构
3.3.2网络学习方法
3.3.3rbf网络结构确定方法
3.4概率rbf网络
3.4.1贝叶斯决策分类方法简介
3.4.2概率rbf网络结构
3.4.3基于em算法的概率rbf网络的学习
3.5rbf网络的matlab实现
3.5.1rbf网络创建函数
3.5.2rbf网络传递函数和转换函数
3.6rbf网络应用实例
3.6.1基于rbf网络的插值技术
3.6.2基于rbf网络的浅滩演变预测
习题

第4章　基于sofm网络的信号处理
4.1sofm网络结构
4.1.1sofm网络基本特点
4.1.2网络构成
4.2sofm网络学习算法
4.2.1两阶段权值调整
4.2.2算法步骤
4.2.3参数选择
4.2.4算法改进
4.3rsom树
4.3.1rsom树原理
4.3.2rsom树的基本训练算法
4.4lvq网络
4.5sofm网络的matlab实现
4.6sofm网络应用实例
4.6.1基于sofm的人口分类
4.6.2基于lvq网络的模式识别
习题

第5章　神经动力学基本原理及hopfield网络
5.1lyapunov动力学稳定理论
5.1.1动态系统及状态空间
5.1.2系统平衡状态的稳定性
5.1.3lyapunov稳定性定理
5.2hopfield神经元的数学模型
5.3时间连续hopfield网络
5.3.1数学描述
5.3.2稳定性分析
5.4时间离散hopfield网络
5.4.1时间离散hopfield网络结构
5.4.2稳定性分析
5.4.3网络工作方式
5.5hopfield网络的应用领域
5.5.1联想记忆问题
5.5.2组合优化问题
5.6hopfield网络的matlab实现
5.6.1hopfield网络创建函数
5.6.2hopfield网络的设计
习题

第6章　量子比特神经网络
6.1量子比特与量子门
6.1.1量子比特
6.1.2量子门
6.2量子比特神经元模型
6.3量子比特神经网络结构
6.4qbp算法
习题

第7章　结束语
7.1其他人工神经网络模型
7.2人工神经网络发展的制约因素
7.3人工神经网络发展趋势
7.4神经网络书籍与期刊
参考文献