一种神经网络均衡器/译码器

均衡与译码是通信中两个重要问题。通常,均衡与译码是各自完成的,本文利用神经网络的特点,提出了能同时完成均衡和译码两种功能的自适应神经网络均衡器/译码器。计算机仿真表明其误码率较低,它能适合于最小相位信道、非最小相位信道,也能适合于非线性信道。     

神经网络自适应均衡器研究

神经网络具有大规模并行处理、自适应、自学习能力和非线性特征，已获得了广泛应用。本文将多层正馈神经网络（ＭＬＦＮＮ）应用到数字通信中的均衡问题，讨论了ＭＬＦＮＮ自适应均衡（ＡＥ）和判决回授均衡（ＤＦＥ）的结构及其学习算法。通过计算机仿真研究了ＭＬＦＮＮ组成的ＡＥ和ＤＦＥ的性能以及系统收敛情况。初步结果表明，神经网络用于通信中的均衡器是可行的、有效的，性能是优良的。     

递归神经网络自适应均衡器研究

针对存在适度码间串扰和非线性变的数字信道,将递归神经网络自适应均衡器同传统的线性均衡器进行了比较,提出了一种递归递网络自适应的均衡器,给出该均衡串行和并行输出的具体实现,并对其特性进行了全面的分析。     

递归神经网络自适应均衡器研究

针对存在适度码间串扰和非线性畸变的数字信道,将递归神经网络自适应均衡器同传统的线性均衡器进行了比较,提出一种递归神经网络自适应均衡器,给出该均衡器串行和并行输出的具体实现,并对其特性进行了全面的分析.     

判决反馈递归神经网络自适应均衡器研究

针对存在严重符号间串扰及轻度非线性畸变的数字信道,提出了两种判决反馈递归神经网络均衡器结构,将传统的线性信道判决反馈结构巧妙地融入递归神经网络中,在自适应训练时用期待信号代替判决反馈信号,并对学习步长自适应调节进行了研究．实验结果表明：在自适应参数数目相同的情况下,该均衡器较传统的递归神经网络均衡器具有更好的特性．     

一种自适应判决反馈盲均衡器

信道均衡是现代通信系统中的一项关键技术,如何提高均衡器的性能是目前研究的热点课题．提出了一种自适应无训练(盲)判决反馈均衡器,可以被看作4部分的级联,主要部分是一个递归滤波器(R)和一个横向滤波器(T)．在初始的捕获阶段,R位于前端依据某种预测准则白化其输出信号,而T依据Godard(或者Shalvi—Weinstein)准则消除残余的码间干扰．在跟踪阶段,均衡器变为面向判决最小均方的传统型判决反馈均衡器．与有训练的判决反馈均衡器相比,这种均衡器具有相同的运算复杂度、收敛速度、稳态均方误差和误码率,但是它却不需要训练序列．因此,该自适应无训练判决反馈均衡器在信道均衡方面具有更好的适应性．     

利用改进的RLS算法的自适应神经网络均衡器

本文讨论了采用多层前馈神经网络作自适应均衡器问题，提出了一种改进的递推最小二乘ＬＲＬＳ）新算法，即带有阈值处理的采用分段函数的速推最小二乘（ＲＬＳ）快速学习算法。它可克服传统ＢＰ算法收敛速度慢、易陷入局部最小类的缺点，经计算机仿真证明用该学习算法训练自适应均衡器时，大大缩短了训练时间，提高了收敛率。     

一种神经网络自适应控制算法

提出了一种基于对象正向模型的神经网络自适应控制算法,它将神经网络与优化方法相结合,对控制量进行优化迭代求解。仿真表明,应用该算法后,系统响应速度快,超调量小,无稳态误差,控制效果好。     

一种适于多电平调信号均衡的神经网络

在二电平信号下基于多层感知器ＭＬＰ（Ｍｕｌｔｉ Ｌａｙｅｒ Ｐｅｒｃｅｐｔｉｏｎ）的均衡器（ＭＬＰＥ）性能远远传于传统的线性模向均衡器ＬＴＥ（Ｌｉｎｅａｒ Ｔｒａｎｓｖｅｒｓａｌ Ｅｑｕａｌｉｚｅｒ）。但在多电平调制信号下，ＭＬＰＥ性能迅速下降，其主要原因在于激活函数的选择。文中提出了一种适于多电平信号均衡的神经网络模型－－分段多层感知器ＳＭＬＰ（Ｓｅｇｍｅｎｔ Ｍｕｌｔｉ Ｌａｙｅｒ Ｐｅｒｃｅ     

一种具有自适应量化层的CMAC神经网络

首先阐述了ＣＭＡＣ神经网络的原理，结构和学习算法，提出了一种新有采用竞争学习原理的非等距自适应量化算法，理论分析和仿真结果表明，在保持量化总级数不变的前提下，该方法能有效的利用ＣＭＡＣ神经网络的内存，提高逼近精度。文中进行了理论分析，仿真实验证明了所提方法的有效性。     

一种新型的模糊神经网络自适应控制系统

结合神经网络控制和模糊控制的各自特点,提出了一种新的基于神经网络的模糊自适应控制算法,并给出了该算法的认真与分析结果,利用该算法实现了基于模糊神经网络的智能控制系统的建立。     

SRC的一种神经网络自适应控制

在开关磁阻可逆变器原有常规控制反馈方案的基础上,利用神经网络管理非线性系统的能力,建立了ＳＲＣ的神经网络模型参考自适应控制,替代了原有的常规反馈控制。仿真实践证明：此控制方案的控制效果优于原控制方案,并使系统具有自适应性。     

一种新的神经网络模型及学习算法

给出了一种新的用于推理的神经网络模型，讨论了权矩阵的确定方法和相应的自适应学习算法，并就合成关系的不同取法及意义进行了比较。     

一种基于神经网络的精馏塔自适应控制器设计

针对两输入两输出的隐含非线性系统，设计了一种神经网络自适应控制器，并通过构造Lyapunov函数，得出新的权值变化规律、该方法基于Lyapunov稳定性理论，可证明闭环系统是半全局一致最终有界的(SGUUB)．从二元精馏塔奇异摄动简化模型的仿真结果可以看出，这种控制器有良好的跟踪效果。     

一种基于神经网络的自适应预测控制方法

强非线性系统预测控制问题当前仍有许多难点需要解决,而神经网络由于具有非线性逼近能力、自学习、容错性等特点,使它在自动控制理论中得到了广泛的应用.针对非线性系统,提出了一种基于神经网络的自适应预测控制方案,该方案结构简单,易于实现.对于一些难于用传统方法控制的复杂非线性对象提供了一种有效的方法.对非线性定常及时变对象,利用仿真表明了该控制策略的有效性.最后讨论了神经网络控制器发展方向与亟待解决的问题.     

一种适于多电平调制信号均衡的神经网络

在二电平信号下基于多层感知器ＭＬＰ（ＭｕｌｔｉＬａｙｅｒＰｅｒｃｅｐｔｉｏｎ）的均衡器（ＭＬＰＥ）性能远远优于传统的线性模向均衡器ＬＴＥ（ＬｉｎｅａｒＴｒａｎｓｖｅｒｓａｌＥｑｕａｌｉｚｅｒ）．但在多电平调制信号下，ＭＬＰＥ性能迅速下降．其主要原因在于激活函数的选择．文中提出了一种适于多电平信号均衡的神经网络模型——分段多层感知器ＳＭＬＰ（ＳｅｇｍｅｎｔＭｕｌｔｉＬａｙｅｒＰｅｒｃｅｐｔｉｏｎ），并给出其算法．模拟结果表明，基于ＳＭＬＰ的均衡器，比ＬＴＥ和ＭＬＰ收敛速度更快，最小均方误差ＭＭＳＥ（ＭｉｎｉｍｕｍＭｅａｎＳｑｕａｒｅＥｒｏｒ）也小得多，而计算复杂度则与ＭＬＰ相同．     

一种用于非线性系统的神经网络自适应控制系统结构

本文提出一种用于非线性神经网络自适应控制结构。仿真计算表明它具有较好的跟阴性和抗干扰性指标，对系统参数的变化具有较强的鲁棒性，在系统结构和寻优方法上，它不依赖于控对象的数学模型，所以本文提出的系统结构对于非线性系统的设计，综合具有比较普遍性意义。