信号处理
信號處理
신호처리
SIGNAL PROCESSING
2003年
2期
95-99
,共5页
胡志恒%李春光%王炎滨%虞厥邦
鬍誌恆%李春光%王炎濱%虞厥邦
호지항%리춘광%왕염빈%우궐방
切比雪夫多项式%复值函数型连接神经网络%非线性系统辩识
切比雪伕多項式%複值函數型連接神經網絡%非線性繫統辯識
절비설부다항식%복치함수형련접신경망락%비선성계통변식
本文提出了一种复值函数型连接神经网络(CFLNN)结构,可以对复数域信号进行快速处理.函数型连接神经网络通过对输入模式预先进行非线性扩展,增强了输入信号的模式表达,从而可以大为简化网络结构,降低计算复杂度.本文将函数型连接神经网络推广到了复值情况并给出了基于梯度下降的学习方法.计算复杂度分析显示本方法具有结构简单,计算量低的优点.最后,将本方法运用到对复值非线性系统的辩识问题中,仿真实验表明本CFLNN性能与传统复值前馈神经网络相近或更优.
本文提齣瞭一種複值函數型連接神經網絡(CFLNN)結構,可以對複數域信號進行快速處理.函數型連接神經網絡通過對輸入模式預先進行非線性擴展,增彊瞭輸入信號的模式錶達,從而可以大為簡化網絡結構,降低計算複雜度.本文將函數型連接神經網絡推廣到瞭複值情況併給齣瞭基于梯度下降的學習方法.計算複雜度分析顯示本方法具有結構簡單,計算量低的優點.最後,將本方法運用到對複值非線性繫統的辯識問題中,倣真實驗錶明本CFLNN性能與傳統複值前饋神經網絡相近或更優.
본문제출료일충복치함수형련접신경망락(CFLNN)결구,가이대복수역신호진행쾌속처리.함수형련접신경망락통과대수입모식예선진행비선성확전,증강료수입신호적모식표체,종이가이대위간화망락결구,강저계산복잡도.본문장함수형련접신경망락추엄도료복치정황병급출료기우제도하강적학습방법.계산복잡도분석현시본방법구유결구간단,계산량저적우점.최후,장본방법운용도대복치비선성계통적변식문제중,방진실험표명본CFLNN성능여전통복치전궤신경망락상근혹경우.
