一、多层前向神经网络的RLS修正训练算法（论文文献综述）
张铁,康中强,邹焱飚,廖才磊[1]（2021）在《用于残余振动抑制的深度神经网络输入整形器》文中指出针对多轴伺服系统在高速运动急停段因系统柔性产生的残余振动问题,提出了一种适用性广的后置自适应输入整形器算法。该算法无需辨识系统模态参数,以递归最小二乘法（RLS）为基础,残余振动信号作为算法输入,优化得到当前轨迹下抑振效果最优的整形器系数向量,并引入自适应遗忘因子更新算法,以提高整形器在非平稳环境下的跟踪性能。同时建立多层全连接神经网络模型,选择多组激励轨迹作为样本对网络模型进行训练,解决了原有算法在轨迹多次变更的工况下,重新进行优化引起的时间成本显着增加的问题。实验结果表明:相比普通后置自适应输入整形器,应用带自适应遗忘因子后置输入整形器整形后的轨迹停止后的残余振动幅值平均减小了28.3%,最多的减小36.9%,残余振动收敛时间缩短28.4%。应用基于多层神经网络模型的输入整形器整形后的残余振动幅值相比普通后置自适应输入整形器平均减小了21.6%,最多的减小29.8%,残余振动收敛时间缩短23.7%。本研究提出的算法对于提高多轴伺服系统定位精度、缩短定位等待时间具有一定的应用意义,并且多层神经网络模型的引入在期望轨迹变化频繁的工况下提高了整体工作效率。
谢佳玲[2]（2021）在《面向智能手机应用的可穿戴生理信号监测设备算法研究》文中提出可穿戴生理信号监测是实现医疗监护的重要手段,连续动态的心电（electrocardiogram,ECG）和呼吸信号监测可以实现对心血管疾病和呼吸系统疾病的早期预警和意外的风险评估。然而,通过移动方式采集的信号易受到环境噪声和身体运动等干扰,导致采集的信号质量参差不齐。如果直接丢弃受干扰的信号,会增加重复采集的工作量。如果不对信号进行处理而直接进行数据分析,会增加医务人员工作负担,降低诊断的准确率,甚至造成误诊。因此,为了有效利用可穿戴设备采集的生理信号,提出适用的信号处理算法和具有更强抗干扰能力的参数提取方法是十分必要的。本文针对现有心率检测算法抗干扰能力的不足、多分类时心电信号质量评估算法的分类准确率还不够高等主要问题,开展了心率检测和信号质量评估算法的研究。利用加速度信号（Acceleration,ACC）开展了运动状态识别算法的研究。同时,还开展了ECG运动伪迹抑制算法和呼吸率检测算法的研究。此外,为方便使用者随时查看生理信号和生理参数,我们设计了一款能实时查看生理信号和心率的手机应用程序。为开展这些算法的研究,本文主要完成了以下工作:1.不同运动状态下生理信号的采集和标注本文使用可穿戴设备采集了29名健康男性志愿者在静息和不同运动状态下的ECG和ACC信号。对信号进行截取,总共产生了7133个4s段。对信号进行标注后,建立了运动状态识别数据集（7133个）,心率数据集（7016个）和信号质量评估数据集（7133个）。运动状态识别数据集包含静息、慢走、快走、慢跑和快跑5种状态。信号质量评估数据集包含质量良好、可接受和不可接受三类。运动状态与ECG信号质量之间存在一定的相关性（R=0.61）,能将运动状态作为判断信号质量的辅助指标。2.算法研究首先,完成了基于ACC信号的人体运动状态识别算法。本文选择了均值、偏度、FFT最大系数对应的频率、四分位距和时域积分作为运动状态识别的指标。利用支持向量机对人体的运动状态进行自动识别。实验结果表明,算法的准确率为97.62%。其次,设计了一种抗运动干扰的心率检测算法。该算法首先对ECG信号预处理以滤除基线漂移和高频干扰,然后通过自适应峰值膨胀和波形重构技术对信号进行粗粒化处理,最后利用快速傅里叶变换对信号的频谱进行分析并计算心率值。为避免运动干扰对心率检测准确率的影响,加入了基于高幅度干扰抑制的抗干扰策略,该策略通过设置阈值和压缩信号的方法对运动相关的高幅度干扰进行定位和抑制。结果表明,本算法计算的心率值与真实值之间的相关系数为0.999。无论是在静息（99.94%vs.99.10%,P<0.01）,步行（100%vs.97.25%,P<0.01）还是跑步（100%vs.90.89%,P<0.01）时,本算法的准确率均显着高于小波变换法。在跑步时,本算法的绝对误差[0(0,1vs.1（0,1）,P<0.01]和相对误差[0(0,0.59vs.0.52（0,0.72）,P<0.01]均显着低于小波变换法。此外,根据连续心率变化特点,本文提出了一种基于时序特征的抗干扰策略,以实现运动状态下实时连续的心率监测。然后,设计了一种ECG信号质量评估算法。该算法提出了5个有效的指标,包括基于幅值分布的指标（adSQI1,adSQI2）,基于能量占比的指标（ptSQI）和基于心率的指标（tHR,rHR）。通过反向传播神经网络将信号分为质量良好,可接受和不可接受的ECG。为验证算法的有效性,提出了一种基于ECG信号质量评估的参数提取方法,根据分类结果检测R或T波。结果显示,该算法的分类准确率为96.74%,R波和T波的检测准确率分别为99.95%和99.57%。这种方法在提高信号利用率的同时保证了诊断的准确率。接着,结合ACC信号设计了一种递归最小二乘陷波滤波器,以抑制信号质量不可接受的ECG信号中的运动伪迹。结果显示,滤波后的指标adSQI1相对于滤波前提高了21.73%。该信号滤波方法能有效抑制ECG信号中的运动伪迹,对信号质量有改善作用。最后,设计了一种呼吸率检测算法。该算法利用呼吸信号和ACC信号在频域上提取呼吸率。结果表明,算法的准确率为91.84%,最大绝对误差在6次/分以内,可实现低强度活动下的呼吸率检测。3.基于智能手机的应用程序设计本文设计了一款能实时查看生理信号和参数的应用程序（Application,APP）,完成了APP的用户界面设计,实现了蓝牙通信,信号实时显示以及部分参数的显示。本文完成的人体运动状态识别算法、心率检测算法、ECG信号质量评估算法、ECG运动伪迹抑制算法、呼吸率检测算法可确保在活动状态下的生理参数的准确分析。基于Android系统的APP软件方便使用者随时查看自己的生理信号和参数。整个系统有望应用于可穿戴生理信号监测,并为健康监护以及疾病的早期诊断和预警提供技术支持。
李泓旻[3]（2021）在《波束成形系统线性化与基于神经网络的宽带数字预失真研究》文中研究说明非线性是射频（Radio Frequency,RF）功率放大器（Power Amplifier,PA）的固有特性,其引起的失真是无线通信系统中影响最大的射频损伤。功放的非线性会导致信号的误码率提高和干扰邻近信道。数字预失真（Digital Predistortion）是修正功放非线性的主流手段,其以优秀的线性化性能、编程灵活、实现简单和低成本等优点成为了无线通信系统中的重要组成部分。随着日常生活和工业生产对无线通信高速率、大容量和低时延需求的日益提高,现代无线通信系统逐渐朝着高频段、大带宽的趋势发展,为了提高数据传输速率和系统容量,MIMO技术和波束成形技术也被引入到无线通信系统之中。由于大带宽信号带来的高峰均比,加剧了无线通信系统中功率放大器的非线性失真。另外,随着高频段例如毫米波频段的应用,现代基站呈现小型化甚至微型化的趋势,每一个基站的体积和功耗大大减少。因此,本文针对上述问题,就MIMO波束成形架构下的DPD、宽带功放的神经网络建模和低复杂度的DPD自适应算法这三个内容来进行研究。本文围绕MIMO波束成形架构的数字预失真技术,首先分析了单用户波束成形DPD的系统模型,引入基于用户或波束的DPD架构,该架构的反馈回路上设置逆波束成形模块用于近似远场的波束信号。然后基于单用户波束成形系统模型,进一步推导了多用户波束成形系统的非线性模型。随后针对全功放反馈架构的高硬件复杂度的问题,提出一种基于单路功放反馈的多用户波束成形DPD方法,通过单路功放反馈进行前向建模,利用阵列中功放非线性特性近似的特点使用该功放模型近似整个阵列的功放模型,从而估计所有功放的输出进而估计远场的波束信号,并用于DPD参数的提取。该架构可以以较低的复杂度实现对多用户波束成形系统的线性化。进一步地,针对功放特性不一致的问题,结合预训练提出一种低复杂度的功放差异补偿方法,可以使基于单路功放反馈的多用户波束成形DPD方法可以应用在非理想的功放特性不一致的实际系统中。在基于功放差异补偿的DPD方法的基础上,根据功放的非线性特性,提出一种通过简单的功率补偿系数对功放差异系数进行修正的手段,来处理功率变化的情况,在避免过多的预训练的前提下,可以实现有效的DPD线性化。关于宽带功放的神经网络建模,本文主要研究了新型的基于矢量分解机制的循环神经网络。功放的非线性往往取决于信号的包络,其非线性项主要由基带信号的幅度决定,幅度非线性函数的输出通过相位进行加权得到功放的输出,这种机制即矢量分解机制。然而,传统的神经网络模型的非线性操作大部分均直接作用于I/Q输入,并不符合功放的非线性机制。且传统的基于多层感知机的DPD神经网络模型对记忆效应建模能力不足,无法应用于宽带功放建模中。因此本文利用循环神经网络优秀的记忆效应建模能力,并引入矢量分解机制,设计新型的基于矢量分解机制的LSTM模型——VDLSTM模型,该模型与传统模型相比,有着更好的宽带功放建模能力。进一步地,针对LSTM网络隐藏状态对应的传递矩阵系数过多的问题,基于功放的物理机制设计了维度更低的隐藏状态,并基于新的隐藏状态设计了新的网络单元,得到简化的VDLSTM模型——SVDLSTM模型。该模型可以有效降低VDLSTM网络模型系数的个数,并保持与VDLSTM模型相当的性能。低复杂度的数字预失真提参架构也是数字预失真的热点研究内容。数字预失真自适应过程中往往需要进行大量的乘法运算和加法运算。相比于加法运算,乘法运算往往计算周期较长、功耗较大,本文针对这一问题,设计了一种低复杂度的数字预失真自适应算法。该算法参考符号回归器最小均方算法,对基于直接学习结构的二阶高斯牛顿算法中的回归矩阵进行单比特量化或符号化,从而减少计算过程中大部分的乘法运算。针对数字预失真常用模型生成的回归矩阵经过单比特量化会存在相同的基函数这一问题,引入了基于主成分分析的正交变换,对正交变换后的回归矩阵进行单比特量化或符号化。该方法可以避免求解不稳定的问题。进一步地,将符号化的正交回归矩阵与正交回归矩阵的相关矩阵近似为一个对角阵,使基于符号正交回归器的自适应算法可以对每一个DPD参数进行独立提取。紧接着,本文将基函数降维和符号回归器算法相结合,从基函数个数和自适应过程的运算类型两个方面同时降低数字预失真自适应的计算复杂度。特别地,引入了 DOMP算法和符号正交回归器算法相结合。
许振兴[4]（2020）在《基于深度强化学习的自适应光学波前控制研究》文中研究指明自适应光学（Adaptive Optics,AO）技术通过改变波前校正器相位来补偿入射畸变波前,从而改善光学系统的性能,被广泛应用于天文观测、激光通信系统、视网膜成像、激光光束净化等光学系统。AO系统作为有效的主动补偿技术,虽然在各领域取得了很好的校正效果,但传统闭环控制方法将AO控制系统视为线性时不变系统,这使得传统控制方法无法处理各类误差带来的不确定性,无法发挥系统潜力获得最优性能。本文从传统AO控制方法与深度强化学习找到结合点并做探索性研究,建立自学习智能控制模型。深度学习与强化学习的结合将感知环境和系统控制无缝连接,使AO能够自动感知不确定的环境状态并完成自适应控制。该AO智能控制模型具有通用性,不依赖于建立准确模型,只需与环境互动学习,利用从外界反馈的回报信号和采集的环境状态不断调整控制策略,使其在线自学习最优控制策略或次优控制策略,可根据系统状态保持或逼近最佳性能。具体来说,传统基于离线建模的线性时不变控制方法无法处理以下三种情形:（1）AO控制平台在长时间运行过程中,受机械平台振动等时变因素的影响,波前校正器与波前传感器的相对位置发生偏移导致对准误差,使得系统参数发生异变无法自适应对准误差。（2）哈特曼传感器缺光引起的斜率信息缺失或噪声引起的斜率测量误差。这类误差直接耦合控制模型,斜率测量误差的传递造成控制性能下降或不稳定。（3）AO系统中时滞普遍存在,时滞校正误差对系统的性能影响很大,因此具有静态控制策略的控制方法无法实现自适应预测控制。本文围绕上述三种情形,展开理论分析和实验研究,建立线性和非线性两种针对AO的智能控制模型。该模型根据当前AO的环境特性进行在线策略优化,始终满足性能约束指标,为解决传统控制手段难以处理误差带来的控制性能下降,以及难以建立准确的系统模型和湍流模型提供了新思路。本文的主要研究内容如下:1.基于哈特曼传感器的AO系统其误差传递过程不可避免,误差传递将影响系统的校正性能,最大程度的补偿或抑制误差传递可显着提高系统的校正性能。AO主要误差来源分为五类:（1）H-S透镜阵列对波前的有限分割采样带来的空间采样误差;（2）斜率测量过程中噪声因素引入的斜率测量误差;（3）强闪烁条件下H-S子孔径斜率探测不理想或信息缺失;（4）H-S与变形镜的空间失配导致对准误差;（5）系统时滞因素导致的时滞校正误差。通过对上述五类误差进行分析,将其转化为组合目标函数的优化问题,推导出了利用组合目标函数的梯度信息作为误差补偿手段,为后续基于梯度信息的在线学习模型提供了理论基础。2.提出了AO系统的线性学习模型,该模型将远场性能指标和估计误差平方和的线性组合作为目标函数,能够自适应系统参数变化,不依赖于建立准确的系统模型。为使得学习模型保持良好的跟踪特性,引入了梯度动量项,动量项累积了之前迭代时的梯度信息,逐步弱化了历史梯度信息对当前模型训练的影响,提高了当前梯度信息的影响,动量项的引入避免了在线样本存储。同时还给出了模型的并行异步优化方法以及模型参数的初始化策略。最后,搭建了AO实验平台来验证线性学习模型的性能,实验结果表明该模型兼顾了斜率信息缺失补偿和自适应抑噪能力,显着提高了系统控制精度。数值分析表明,在不需要重新测量响应矩阵的情况下,实现了对准误差下的自适应性。该模型简单高效,具有一定的工程意义,但由于线性模型学习能力有限,当存在多对一映射关系时其学习过程容易产生线性偏移。3.针对线性学习模型存在的学习能力有限问题以及对湍流扰动的预测控制问题进行建模。提出了基于深度强化学习理论的非线性动态学习模型,该模型采用神经网络的泛映射性拟合策略函数,并通过强化学习的确定性策略梯度方法实现在线滚动优化策略。但是在实际在线策略优化时,若模型目标函数的梯度矩阵测量不准确或突增,则可能导致梯度爆炸使得学习模型不能正常工作。为避免梯度爆炸,保证网络模型稳定收敛,在该梯度反向传入网络模型之前,将梯度矩阵投影至较小的尺寸上,进行裁剪和约束。同时为了避免学习速率衰减过快,能够对每个网络参数自适应不同的学习速率,采用三点解决方案:一是使用历史窗口;二是对参数梯度动量项的历史窗口序列（不包括当前）使用均值;三是最终梯度项为历史窗口序列均值与当前梯度动量项的加权平均。最后,通过搭建AO实验系统来验证非线性动态学习模型对静态像差以及动态像差的校正能力,实验中引入了HT200热风式大气湍流模拟器来产生不同强度的大气湍流。实验结果表明,非线性动态学习模型具有建模方便以及过程描述可在线获得的特点,能及时弥补由于模型失配、畸变、干扰等因素引起的不确定性,模型通过在线误差补偿和噪声抑制提高了系统的控制精度,其自适应性提高了系统的稳定性。由于模型可在线学习湍流统计特性,无需离线建立湍流模型,实现了自适应预测控制模型,具有明显的工程和理论意义。
刘鹏[5]（2020）在《四旋翼无人机系统辨识及鲁棒性导航研究》文中提出民用无人机经过二十年的蓬勃发展,应用领域遍及摄影、农业、测绘等行业。然而,无人机鲁棒性难以提升成了其应用瓶颈,满足不了人们对安全性与日俱增的需求。鲁棒性高的控制和导航方法受制于系统辨识的精度,民用无人机的低成本性限制了其辨识精度的提升。本课题研究四旋翼无人机系统辨识方法,并利用系统辨识结果提升无人机鲁棒性。通过使用AutoCAD建模,精确计算出无人机的惯性参数,为系统辨识提供必要的准备。综合近年来其他学者研究成果,自主搭建了无人机仿真平台,为深入开展研究工作奠定了基础。本文主要研究工作如下:首先,设计了扭矩系数和升力系数的辨识方法,并计算出气动主动力和力矩。在此基础上,提出了三层前向网络气动扰动力估计器,使用LMBP算法训练网络。重点研究了神经网络产生过拟合现象的原因,提出了两种解决过拟合问题的方法。其次,气动扰动力辨识完成后,逐级使用李雅普诺夫函数设计了考虑扰动力补偿的全状态反步控制器。相对于广义PID控制器,考虑扰动力补偿的全状态反步控制器具有更好的抗风效果。再次,对回波状态网络的回波状态条件进行了理论分析,并使用回波状态网络分别设计了速度和角速度预测器。通过速度和角速度预测,可以提升导航的鲁棒性。根据四旋翼无人机的物理特性和仿真分析结果,优化了回波状态网络内部状态数目和待调参数。仿真和实验结果表明,速度预测器在不同轨迹下都能准确预测速度,角速度预测器在追踪螺线时能有效预测角速度。综上所述,控制器抗风能力的提升以及速度、角速度预测器的准确性提高了无人机鲁棒性,证明了本课题所设计的系统辨识方案是有效的。
刘建杉[6]（2020）在《电动汽车锂离子电池联合建模及BP-UKF估算方法研究》文中认为随着能源危机和环境问题的日益加剧,电动汽车逐渐成为人们关注的焦点。锂离子电池作为主流电动汽车的储供能元件之一,在使用中仍存在一系列的问题,其中锂离子电池电量的准确估算成为电动汽车在实际使用中的难点之一。电池模型是电池外特性的一种表现形式,是锂离子电池管理的重要依据之一。本文将常见的三元锂离子电池作为研究对象,对锂离子电池的建模方案以及荷电状态估计（State of Charge,SOC）方法进行探究。本文首先分析了锂离子电池的工作原理,介绍了锂离子电池工作时发生的电化学反应以及锂离子电池的内部结构。对比了三种等效电路模型的优缺点,在此基础上选择了复杂度较低、精度较高的二阶Thevenin等效电路模型作为锂离子电池的数学模型。对锂离子电池的内阻特性、容量特性以及开路电压特性进行分析,得到了锂离子电池的OCV-SOC曲线,对锂离子电池荷电状态估计的进一步研究具有重要意义。分析了递推最小二乘法（Recursive Least Square,RLS）的原理以及其在电池建模方面的应用,通过实验表明RLS无法很好地区分二阶Thevenin等效电路模型的两个RC环节,采用RLS算法辨识出的电池模型存在精度以及适用性方面的问题。针对RLS算法在参数辨识中存在的问题,本文提出了一种模型融合与RLS算法相结合的联合建模方案,通过分析机器学习中的集成学习算法,利用集成学习中AdaBoost算法的模型融合方法,有效地将其中一个RC环节进行融合,再利用RLS算法有针对地辨识另一个RC环节,经实验验证该方案所建模型在不同工况下都具有较高的精度。分析了无迹卡尔曼滤波（Unscented Kalman Filter,UKF）算法的原理,并将其应用于电池SOC的估算,经验证,UKF算法过于依赖电池模型,难以保证在电池模型精度较低时的性能。为降低电池模型对于电池SOC估算的影响,本文引入了基于数据的BP神经网络算法,针对二输入BP神经网络在数据量较低时训练效果较差的问题,利用特征工程提出了四输入BP神经网络来优化训练效果,经验证四输入BP神经网络在估算电池SOC时具有更高的精度,但过于依赖数据也是BP神经网络存在的问题。为同时克服UKF以及BP神经网络在有限条件下存在的弊端,本文将UKF与BP神经网络相结合,提出了一种BP-UKF算法用于电池SOC估算,该算法利用UKF进行初步估算,再利用BP神经网络进行补偿,经实验验证该算法在电池模型精度以及训练数据难以进一步优化的前提下仍可以准确地估算电池SOC,极大地提升了SOC估算算法的精度以及适应性。本文对UKF算法在SOC估算时的运算过程进行着重研究,得到了SOC补偿值与电池模型端电压的关系,从而利用较为准确的SOC对电池进行修正,经验证,利用上一时刻的SOC补偿值修正后的电池模型端电压误差显着下降,这对于电池管理系统的可靠运行具有重要意义。
李双[7]（2020）在《基于神经网络的数字助听器回声消除算法研究》文中研究表明对听力受损患者来说,使用助听器可以有效改善他们的听力水平。数字助听器使用过程中存在回声反馈现象,严重影响患者的使用效果。回声消除系统常用的LMS算法收敛性差,而收敛性好的RLS算法计算量大,且传统算法在处理语音信号这种非平稳信号时很难以达到理想效果。万能近似定理表明神经网络具有逼近任意非线性函数的能力,为改进回声消除系统提供了思路。本文提出基于BP神经网络的自适应回声消除方法。论文的主要内容如下:1.探究了回声消除算法的国内外研究现状,首先介绍了人类的听觉系统和听力损失的机理;并对数字助听器中采用的几种关键技术,包括声源定位、响度补偿、语音增强、回声消除技术进行了重点介绍,其中着重关注了回声消除算法的研究现状。2.对数字助听器中的回声消除算法展开研究,重点研究LMS算法、NLMS算法和RLS算法的原理,并通过仿真实验和算法计算量分析对比三种算法的优缺点,仿真实验证明在面对平稳信号时上述算法的处理效果较好,但在面对语音这样的非平稳信号时收敛速度和稳态失调均有下滑,LMS算法、NLMS算法和RLS算法均不能够有效处理非线性问题。3.介绍了BP网络的原理和网络结构,重点分析了BP算法学习过程以及网络参数。提出基于BP神经网络的回声消除算法,即将自适应滤波器权系数等价为神经元权值,把求解最佳滤波器权系数的问题转变为BP神经网络的训练过程。并建立了基于BP神经网络的自适应回声消除系统。具体研究内容包括确定输入信号、隐含层节点数、传递函数、输出层节点数等参数。通过仿真验证了BP神经网络回声消除系统的性能。仿真结果显示,算法在实现较快收敛速度的同时具有更低的稳态失调,与传统算法相比具有更好的回声消除效果。4.BP神经网络是前向多层神经网络,由于网络学习结果对初始向量异常敏感,容易导致网络陷入局部最小解。因此本章提出通过遗传算法改善BP神经网络的联合算法。利用遗传算法优化神经网络的初始权值、阈值,之后经BP神经网络进行训练,遗传算法的优化增强了BP神经网络的全局搜索能力,提高网络预测精度。仿真结果表明,遗传算法优化BP神经网络后的算法不易陷入局部最小,具有明显优越的收敛性能和更低的稳态失调量,本算法在回声反馈消除中的性能优于LMS算法、NLMS算法和RLS算法。
赵膑[8]（2020）在《基于回声状态网络的卫星信道在线盲均衡算法研究》文中提出作为一种新型的递归神经网络,回声状态网络（Echo State Network,ESN）因其独特的动态储备池结构以及简单的训练方式被广泛应用于非线性动态系统建模、时间序列预测和信道均衡等领域。在卫星通信系统中,信道的非线性和群时延特性会使得发送信号在接收端产生严重的失真。盲均衡技术能够在信道先验信息未知的情况下,仅利用发送信号的统计信息近似无失真的恢复出原始发送信号,在充分利用卫星信道频带资源的同时,克服因信道非理想特性产生的信号畸变。本文主要针对卫星信道研究回声状态网络的在线盲均衡算法。主要贡献如下:（1）在深入研究回声状态网络的拓扑结构和训练算法的基础上,针对卫星信道盲均衡问题,提出了基于回声状态网络的递归最小二乘常模算法（ESN-RLS-CMA）。该算法以回声状态网络为基本框架,利用发送信号的先验统计信息构造盲均衡代价函数,采用递归最小二乘（Recursive Least Squares,RLS）算法在线迭代更新ESN的输出权值,以获得网络代价函数的最小值。仿真实验表明:在Volterra级数建模的卫星信道下,针对常模QPSK信号,相较于传统的在线算法,本文提出的ESN-RLS-CMA具有更快的收敛速度和更低的均方误差（Mean Square Error,MSE）值。（2）针对卫星信道下多模信号的盲均衡问题和ESN-RLS-CMA算法产生的相位旋转问题,本文借鉴多模算法（Multi-Modulus Algorithm,MMA）中分别最小化均衡器输出的实部和虚部的思想,构造盲均衡代价函数,采用递归最小二乘（RLS）在线更新ESN的输出权值,并采用双模式操作方案来防止算法发散,提出了基于回声状态网络的递归最小二乘多模算法（ESN-RLS-MMA）。仿真实验结果表明,提出的ESN-RLS-MMA能够有效实现卫星信道下16QAM信号的在线盲均衡,并解决了相位偏转问题。（3）为了充分利用网络储备池输出的高维统计量信息,进一步提升回声状态网络在线盲均衡算法在强非线性信道下的均衡性能,利用核技巧在再生核希尔伯特空间（Reproducing Kernel Hilbert Space,RKHS）中重构读出层,通过核递归最小二乘算法（Kernel Recursive Least Squares,KRLS）获得代价函数的最优解,提出了基于回声状态网络的核递归最小二乘多模算法（ESN-KRLS-MMA）。仿真实验结果表明,与传统的Volterra滤波算法和BP网络算法相比,该算法具有更好的均衡性能。
苏春旺[9]（2020）在《复杂系统中的结构与动力学 ——基于数据的研究》文中认为20世纪末21世纪初是复杂性科学与复杂系统研究的春天,当时正值计算技术走向成熟与普及之季,数值计算与模拟的研究范式为复杂系统研究带来了一段蓬勃发展的奠基时期。而在最近几年,数据科学的迅速崛起正在掀起一场科学研究范式的新革命,即数据驱动型研究,其对复杂系统研究领域的影响尤其明显。然而,随着以深度神经网络（DNN）等机器学习方法为代表的数据驱动型研究从快速发展时期的狂热开始走向成熟理性的思考,人们逐渐认识到其普遍存在的例如缺乏可解释性、可迁移性等问题。对于现实中的复杂系统研究问题来说,只靠理论模型则难以切合实际问题需要,而只靠数据学习则难以深入到普遍知识的提取。因此,结合模型假设与数据学习的研究模式对于复杂系统研究来说具有其特定的意义。本文的研究主要是发展与探索基于“模型+数据”研究范式的用于研究复杂系统中结构与动力学的相关理论与技术方法,并应用于一些复杂系统中结构与动力学分析研究的实际问题。具体地,我们（1）发展了用于复杂系统中稀疏结构探测与动力学方程重构的压缩感知优化方法,并给出了一种具有可扩展性的理论分析框架,并将其应用于活性群体系统（active body sysytem）中的隐相互作用探测、脑功能网络的重构以及动力学方程拟合等问题;（2）结合神经生理学发现,发展了一种新颖的网络渝渗动力学模型,揭示了在临床麻醉与实验中被普遍观察到的“迟滞现象”背后的神经动力学机制;（3）运用基于压缩感知的偏相关与收敛交叉映射法（CCM）发掘了人类大脑默认模式网络的静息态功能结构上的一些主要特征,得到了一些新的认知神经科学结论;（4）运用Ising模型结合机器学习训练方法分析了人类大脑默认模式网络的静息态能量图景（energy landscape）,揭示了能量图景中的亚稳态吸引域同视、听觉皮层的神经活动状态之间的对应现象,深化了对默认模式网络静息态动力学的认识。这些研究是统计物理、非线性动力学与复杂网络领域的模型和方法结合具体系统的观测数据研究系统结构与动力学的典型例子。相应的研究结果不仅对于具体系统研究本身具有一定的科学与应用价值,而且在复杂系统研究的方法论方面也具有启发性意义。
许笑笑[10]（2020）在《通信导航一体化波形设计与接收方法优化》文中研究表明随着无线传感网络、车联网和无人机群的广泛应用以及无线通信技术和无线导航定位技术的蓬勃发展,基于位置信息服务的需求日益增长。位于网络中的节点既需要快速可靠地通信组网又需要实现相对准确的授时定位,通信和导航的一体化设计逐渐成为一大研究趋势。事实上,两者在工作原理和实现方法上具有相似性,有天然的融合设计基础。为了降低通导融合系统中的资源占用、增大频谱利用率、提高通信导航信号处理的鲁棒性,这对波形体制提出了新的设计要求,因此,本文考虑通信导航一体化波形设计并对提出波形进行了多方面的性能评估。同时,由于网络中节点的动态性和环境的多变性,时变衰落信道对通信质量的影响不可忽略,这对接收方法优化提出了更高要求。近年来,由于神经网络强大的非线性拟合能力,受到了越来越多通信学者的关注,研究表明其在通信物理层信号处理方面也具有巨大潜力。本文将神经网络和信道跟踪、均衡技术结合来优化接收方法,能够在复杂信道环境下,突破传统通信系统信道均衡方法的局限性,获得性能提升。具体研究工作和创新性工作包括以下两个方面:针对通信导航一体化波形设计的问题,本文通过分析传统导航定位波形的产生方式、自相关特性、频谱特性和码跟踪性能,说明了导航定位波形通过叠加更高速率的副载波可以使信号在高频处的能量增加,有助于信号码跟踪性能的提升。基于上述思路,本文提出了一种结构灵活的带有高效导频的通信导航一体化波形。该波形通过对数据通道和导频通道调制不同速率、相同周期的序列实现通信和导航定位功能的复合,若需要进一步提升定时精度,可以加调较高速率的副载波序列。针对提出波形,本文设计了多环跟踪法,将多通道不同速率的序列和副载波进行多个环路的联合跟踪,从而减小波形的码跟踪误差。仿真结果表明,提出波形相比相同等效码速率的复合二进制偏移载波（Composite Binary Offset Carrier,CBOC）调制波形具有相近的码跟踪性能和更优抗多径性能,同时只要根据应用需求合理选取通信数据通道和导航导频通道的功率,通信和导航的相互影响在可承受的范围内,一体化系统能正常运行。针对基于神经网络的信道跟踪和均衡技术,本文提出了基于深度神经网络（Deep Neural Network,DNN）判决反馈的信道跟踪和均衡系统模型。但是由于DNN模型在时变多径信道下模型泛化能力不足且收敛性欠佳,本文进一步提出了基于长短期记忆（Long Short Term Memory,LSTM）网络和DNN组合的信道均衡系统模型（DLSTM）。为了更好地利用多径信号前后向的相关性,本文提出了基于双向LSTM网络和DNN组合的信道均衡系统模型（DBi LSTM）。仿真表明,DLSTM和DBi LSTM盲均衡模型不需要发送训练序列,采用滑动窗口输入和判决反馈就能实现实时的信道跟踪和均衡。DLSTM和DBi LSTM模型虽然和递归最小二乘-判决反馈均衡（Recurrent Least Square-Decision Feedback Equalizers,RLS-DFE）相比不具备收敛性能优势,但其误码率性能明显优于RLS-DFE盲均衡。在高动态信道下,基于训练序列块状处理的MMSE信道均衡系统误码率性能退化严重,而提出模型仍能具备较强的鲁棒性。
二、多层前向神经网络的RLS修正训练算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、多层前向神经网络的RLS修正训练算法（论文提纲范文）
（1）用于残余振动抑制的深度神经网络输入整形器（论文提纲范文）
| 1 后置自适应输入整形器 |
| 1.1 后置自适应输入整形器的设计 |
| 1.2 后置自适应更新算法 |
| 1.3 自适应遗忘因子更新算法 |
| 2 多层全连接神经网络模型 |
| 3 基于多层神经网络的后置输入整形器实验 |
| 4 结语 |
（2）面向智能手机应用的可穿戴生理信号监测设备算法研究（论文提纲范文）
| 缩略语表 |
| Abstract |
| 中文摘要 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 可穿戴生理信号监测设备及主要算法的研究现状 |
| 1.2.1 可穿戴生理信号监测设备的研究现状 |
| 1.2.2 心率检测和信号质量评估算法的研究现状 |
| 1.2.3 存在的问题 |
| 1.3 主要研究内容 |
| 第二章 实验数据采集与数据标注 |
| 2.1 可穿戴生理信号监测系统 |
| 2.2 实验数据采集 |
| 2.2.1 实验准备 |
| 2.2.2 数据采集流程设计 |
| 2.3 数据标注 |
| 2.3.1 运动状态的标注规则与结果 |
| 2.3.2 R峰的标注规则与结果 |
| 2.3.3 信号质量的标注规则与结果 |
| 2.4 运动状态与ECG信号质量相关性分析 |
| 2.5 小结与讨论 |
| 第三章 基于加速度的人体运动状态识别算法 |
| 3.1 预处理 |
| 3.2 特征提取与选择 |
| 3.3 分类识别 |
| 3.4 实验结果及分析 |
| 3.4.1 性能评价 |
| 3.4.2 结果及分析 |
| 3.5 小结与讨论 |
| 第四章 基于心电信号的算法研究 |
| 4.1 心率检测算法 |
| 4.1.1 基本算法 |
| 4.1.2 基于高幅度干扰抑制的抗干扰策略 |
| 4.1.3 基于时序特征的抗干扰策略 |
| 4.1.4 实验结果及分析 |
| 4.2 ECG信号质量评估算法 |
| 4.2.1 ECG信号预处理 |
| 4.2.2 ECG信号质量评估指标 |
| 4.2.3 指标性能评价 |
| 4.2.4 质量评估模型的建立 |
| 4.2.5 信号质量评估结果 |
| 4.2.6 算法验证 |
| 4.3 ECG运动伪迹抑制算法 |
| 4.3.1 RLS算法 |
| 4.3.2 RLS陷波滤波器设计 |
| 4.3.3 算法实现与结果 |
| 4.4 小结与讨论 |
| 第五章 基于胸阻抗的呼吸率检测算法 |
| 5.1 呼吸率检测算法设计 |
| 5.1.1 信号预处理 |
| 5.1.2 呼吸率计算 |
| 5.2 算法结果 |
| 5.3 小结与讨论 |
| 第六章 智能手机的部分功能实现 |
| 6.1 Android系统环境与系统架构 |
| 6.2 APP功能需求分析及流程图设计 |
| 6.3 UI设计与部分功能的实现 |
| 6.3.1 UI界面实现 |
| 6.3.2 蓝牙通信实现 |
| 6.3.3 波形绘制和参数显示实现 |
| 6.4 心率检测算法实现 |
| 6.5 小结与讨论 |
| 第七章 总结与展望 |
| 参考文献 |
| 文献综述 心电信号质量评估的研究进展 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
（3）波束成形系统线性化与基于神经网络的宽带数字预失真研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 数字预失真的基本原理和研究现状 |
| 1.2.1 数字预失真的基本原理 |
| 1.2.2 数字预失真的研究现状 |
| 1.3 本文研究思路和工作安排 |
| 第2章 射频功率放大器的建模与数字预失真原理 |
| 2.1 引言 |
| 2.2 射频功率放大器的非线性和表征方法 |
| 2.2.1 射频功放放大器的非线性特性 |
| 2.2.2 功放非线性的表征方法 |
| 2.3 功放的非线性行为建模 |
| 2.3.1 基于Volterra级数的多项式模型 |
| 2.3.2 基于分段线性函数的模型 |
| 2.3.3 神经网络模型 |
| 2.3.4 MIMO架构下的功放非线性行为模型 |
| 2.4 数字预失真的提参结构 |
| 2.4.1 间接学习结构 |
| 2.4.2 直接学习结构 |
| 2.4.3 迭代学习控制结构 |
| 2.4.4 不同学习结构的优缺点 |
| 2.5 本章小结与讨论 |
| 第3章 低复杂度的波束成形DPD架构 |
| 3.1 波束成形DPD的基本模型 |
| 3.1.1 单用户波束成形DPD |
| 3.1.2 多用户波束成形DPD |
| 3.2 基于单路功放反馈的波束成形DPD |
| 3.2.1 基本原理 |
| 3.2.2 功放特性不一致情况下的单路功放反馈DPD提取方法 |
| 3.2.3 功率变化情况下的单路功放反馈DPD提取方法 |
| 3.3 仿真对比验证 |
| 3.3.1 基于单路功放反馈的多用户波束成形DPD方法验证 |
| 3.3.2 基于功放差异补偿的单路功放反馈波束成形DPD |
| 3.3.3 基于功放差异补偿和功率调整的单路功放反馈波束成形DPD |
| 3.4 本章小结与讨论 |
| 第4章 基于矢量分解的循环神经网络DPD模型 |
| 4.1 引言 |
| 4.2 基于矢量分解的LSTM模型 |
| 4.2.1 矢量分解机制 |
| 4.2.2 长短期记忆网络 |
| 4.2.3 基于矢量分解机制的LSTM模型 |
| 4.2.4 实验验证 |
| 4.3 基于新型LSTM单元的简化VDLSTM模型 |
| 4.3.1 基本原理 |
| 4.3.2 VDLSTM模型和简化VDLSTM模型的复杂度比较 |
| 4.3.3 实验验证 |
| 4.4 本章小结与讨论 |
| 第5章 基于符号正交回归器的数字预失真 |
| 5.1 引言 |
| 5.2 基于符号正交回归器的数字预失真自适应算法 |
| 5.2.1 基本理论 |
| 5.2.2 符号正交回归器的引入 |
| 5.2.3 符号正交回归器算法和独立参数提取 |
| 5.2.4 复杂度分析 |
| 5.2.5 实验验证 |
| 5.3 符号正交回归器算法与基函数裁剪 |
| 5.3.1 基函数裁剪 |
| 5.3.2 仿真验证 |
| 5.4 本章小结与讨论 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（4）基于深度强化学习的自适应光学波前控制研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 波前控制技术国内外研究历史与现状 |
| 1.2.1 有波前探测控制技术 |
| 1.2.2 无波前探测控制技术 |
| 1.3 论文结构安排 |
| 第二章 传统线性控制模型的误差传递 |
| 2.1 像差表述 |
| 2.2 哈特曼斜率计算 |
| 2.3 波前复原 |
| 2.3.1 区域法 |
| 2.3.2 模式法 |
| 2.3.3 直接斜率法 |
| 2.4 传统线性控制模型 |
| 2.5 控制模型的误差传递 |
| 2.5.1 斜率测量误差 |
| 2.5.2 斜率信息缺失 |
| 2.5.3 空间采样误差 |
| 2.5.4 波前测量误差的敏感度分析 |
| 2.6 H-S与波前校正器的对准误差 |
| 2.7 本章小结 |
| 第三章 远场指标梯度抑制误差传递 |
| 3.1 远场指标梯度估计 |
| 3.2 梯度信息补偿误差传递分析 |
| 3.3 梯度信息补偿对准误差分析 |
| 3.4 本章小结 |
| 第四章 在线自学习线性控制模型 |
| 4.1 线性动态学习模型 |
| 4.2 模型的训练方法 |
| 4.3 递归最小二乘参数估计 |
| 4.4 学习模型流程及优化 |
| 4.5 模型参数初始化策略 |
| 4.6 实验与分析 |
| 4.6.1 测量噪声抑制 |
| 4.6.2 斜率信息缺失补偿 |
| 4.6.3 自适应对准误差及其数值分析 |
| 4.7 模型的线性偏移 |
| 4.8 本章小结 |
| 第五章 深度强化学习控制模型 |
| 5.1 非线性动态学习模型 |
| 5.2 神经网络基本原理 |
| 5.2.1 前馈计算 |
| 5.2.2 误差反向传播 |
| 5.3 模型的训练方法 |
| 5.4 梯度约束及其优化 |
| 5.5 强化学习理论框架 |
| 5.5.1 马尔科夫决策过程 |
| 5.5.2 值函数与最优性原理 |
| 5.5.3 TD方法与值函数逼近 |
| 5.5.4 策略梯度 |
| 5.6 策略优化流程 |
| 5.7 实验与分析 |
| 5.7.1 测量噪声抑制 |
| 5.7.2 斜率信息缺失补偿 |
| 5.7.3 动态波前预测控制 |
| 5.7.4 自适应对准误差及其数值分析 |
| 5.8 抑制线性偏移 |
| 5.9 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 论文主要创新点 |
| 6.3 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（5）四旋翼无人机系统辨识及鲁棒性导航研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 研究现状及分析 |
| 1.2.1 系统辨识概述 |
| 1.2.2 鲁棒性导航概述 |
| 1.3 研究内容 |
| 1.4 论文结构安排 |
| 第二章 导航基础与系统建模 |
| 2.1 坐标系统约定 |
| 2.2 导航基础 |
| 2.3 四旋翼无人机全动态建模 |
| 2.3.1 控制器与电机输入 |
| 2.3.2 电机动态与旋翼气动力 |
| 2.3.3 刚体动态与惯性参数 |
| 2.3.4 噪声模型 |
| 2.4 本章小结 |
| 第三章 系统辨识及导航状态预测 |
| 3.1 系统辨识与应用方案 |
| 3.1.1 惯性参数辨识 |
| 3.1.2 神经网络气动扰动力估计器 |
| 3.1.3 全状态反步控制 |
| 3.2 状态预测提升导航鲁棒性 |
| 3.2.1 回波特性推导 |
| 3.2.2 回波状态网络训练算法 |
| 3.2.3 速度预测器设计 |
| 3.2.4 角速度预测器设计 |
| 3.3 本章小结 |
| 第四章 仿真研究 |
| 4.1 仿真平台与模型 |
| 4.2 旋翼气动力特性研究 |
| 4.3 旋翼气动力辨识 |
| 4.3.1 Kf和 Km辨识 |
| 4.3.2 扰动力估计器调优与泛化 |
| 4.3.3 反步控制器检验 |
| 4.4 速度角速度预测 |
| 4.4.1 速度预测器优化 |
| 4.4.2 速度预测泛化能力测试 |
| 4.4.3 角速度预测优化与性能评估 |
| 4.5 本章小结 |
| 第五章 实验验证 |
| 5.1 实验平台介绍 |
| 5.2系统辨识实验 |
| 5.2.1 惯性参数辨识 |
| 5.2.2 气动参数辨识 |
| 5.3导航实验 |
| 5.3.1 速度预测性能评估 |
| 5.3.2 角速度预测性能评估 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来研究展望 |
| 致谢 |
| 参考文献 |
| 硕士期间取得的研究成果 |
（6）电动汽车锂离子电池联合建模及BP-UKF估算方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 课题的研究现状 |
| 1.3 本文主要研究内容 |
| 2 锂离子电池原理及特性分析 |
| 2.1 锂离子电池工作原理 |
| 2.2 锂离子电池等效电路模型 |
| 2.3 锂离子电池特性分析 |
| 2.4 本章小结 |
| 3 基于模型融合和RLS算法的联合建模方案研究 |
| 3.1 递推最小二乘法参数辨识分析 |
| 3.2 电池模型的数学解析 |
| 3.3 基于RLS算法的参数辨识 |
| 3.4 模型融合与RLS算法相结合的建模方法的设计 |
| 3.5 模型融合与RLS算法相结合的建模过程及验证 |
| 3.6 本章小结 |
| 4 基于BP-UKF联合估算算法的SOC估算研究 |
| 4.1 UKF在 SOC估算中的应用及验证 |
| 4.2 BP神经网络在SOC估算中的应用及验证 |
| 4.3 基于BP-UKF的 SOC估算算法设计及验证 |
| 4.4 基于BP-UKF的在线模型修正算法的设计及验证 |
| 4.5 本章小结 |
| 5 总结和展望 |
| 参考文献 |
| 作者简介 |
| 学位论文数据集 |
（7）基于神经网络的数字助听器回声消除算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景与意义 |
| 1.2 助听器的发展历史 |
| 1.2.1 电助听器前的集声器 |
| 1.2.2 电助听器 |
| 1.2.3 电子管助听器 |
| 1.2.4 半导体助听器 |
| 1.2.5 集成电路和可编程式、数码助听器 |
| 1.3 回声消除算法的研究现状 |
| 1.3.1 回声消除算法国外研究现状 |
| 1.3.2 回声消除算法国内研究现状 |
| 1.4 论文主要研究内容 |
| 第2章 数字助听器研究基础 |
| 2.1 听觉系统与听力损失介绍 |
| 2.2 数字助听器的硬件结构 |
| 2.3 数字助听器中的核心技术 |
| 2.3.1 语音增强技术 |
| 2.3.2 声源定位技术 |
| 2.3.3 响度补偿技术 |
| 2.3.4 回声消除技术 |
| 2.4 本章小结 |
| 第3章 自适应回声消除算法 |
| 3.1 自适应滤波算法原理 |
| 3.2 最小均方差算法(LMS) |
| 3.2.1 LMS算法原理及公式推导 |
| 3.2.2 LMS算法的实验仿真 |
| 3.3 归一化最小均方差算法(NLMS) |
| 3.3.1 NLMS算法原理及公式推导 |
| 3.3.2 NLMS算法的实验仿真 |
| 3.4 递归最小二乘(RLS)算法 |
| 3.5 各算法性能仿真 |
| 3.6 本章小结 |
| 第4章 基于BP神经网络的回声消除算法 |
| 4.1 神经网络概述 |
| 4.1.1 神经网络定义 |
| 4.1.2 神经元模型 |
| 4.2 BP神经网络 |
| 4.2.1 BP神经网络网络结构 |
| 4.2.2 BP神经网络学习过程 |
| 4.2.3 BP神经网络算法操作步骤 |
| 4.3 BP神经网络回声消除系统建立 |
| 4.3.1 数据预处理 |
| 4.3.2 BP神经网络参数确定 |
| 4.4 仿真结果与分析 |
| 4.5 BP神经网络的不足和改进方法 |
| 4.6 本章小结 |
| 第5章 遗传算法结合BP神经网络的回声消除算法 |
| 5.1 遗传算法用于回声消除的意义 |
| 5.2 遗传算法概述 |
| 5.2.1 遗传算法发展过程 |
| 5.2.2 遗传算法优势 |
| 5.2.3 遗传算法基本要素和操作 |
| 5.3 遗传算法结合BP神经网络 |
| 5.3.1 遗传算法优化过程 |
| 5.3.2 遗传算法优化BP神经网络设置 |
| 5.4 仿真结果与分析 |
| 5.4.1 遗传算法结合BP神经网络算法的仿真 |
| 5.4.2 遗传算法结合BP神经网络算法用于回声消除系统的仿真 |
| 5.5 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
（8）基于回声状态网络的卫星信道在线盲均衡算法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容与结构安排 |
| 第二章 相关基础知识 |
| 2.1 盲均衡技术概述 |
| 2.1.1 盲均衡原理 |
| 2.1.2 Bussgang类盲均衡算法 |
| 2.1.3 CMA和MMA |
| 2.2 神经网络盲均衡 |
| 2.2.1 基于预测原理的神经网络盲均衡 |
| 2.2.2 基于传统代价函数的神经网络盲均衡 |
| 2.3 卫星信道模型 |
| 2.3.1 Saleh模型 |
| 2.3.2 Volterra级数模型 |
| 2.4 本章小结 |
| 第三章 回声状态网络 |
| 3.1 回声状态网络简介 |
| 3.1.1 回声状态网络的拓扑结构 |
| 3.1.2 回声状态网络的经典训练方法 |
| 3.2 回声状态网络的在线训练算法 |
| 3.2.1 基于最小均方误差(LMS)的在线训练算法 |
| 3.2.2 基于递归最小二乘(RLS)的在线训练算法 |
| 3.3 仿真实验 |
| 3.3.1 实验设计 |
| 3.3.2 实验结果分析 |
| 3.4 本章小结 |
| 第四章 基于RLS的回声状态网络在线盲均衡算法 |
| 4.1 常模信号的在线盲均衡算法(ESN-RLS-CMA) |
| 4.2 多模信号的在线盲均衡算法(ESN-RLS-MMA) |
| 4.3 仿真实验 |
| 4.3.1 ESN参数设置对算法性能的影响 |
| 4.3.2 两种在线盲均衡算法的性能分析 |
| 4.3.3 两种在线算法与其它在线算法的性能对比 |
| 4.4 本章小结 |
| 第五章 基于KRLS的回声状态网络在线盲均衡算法 |
| 5.1 回声状态网络的非线性读出 |
| 5.2 算法原理 |
| 5.2.1 核方法和再生核希尔伯特空间 |
| 5.2.2 ESN-KRLS-MMA原理及算法实现 |
| 5.3 仿真实验 |
| 5.3.1 参数设置对ESN-KRLS-MMA性能的影响 |
| 5.3.2 非线性信道下ESN-KRLS-MMA的性能分析 |
| 5.3.3 卫星信道下ESN-KRLS-MMA的性能分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（9）复杂系统中的结构与动力学 ——基于数据的研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 本文的研究动机、研究内容和组织结构 |
| 1.2 复杂系统 |
| 1.3 复杂系统研究的工具 |
| 1.3.1 非线性动力学 |
| 1.3.2 统计物理 |
| 1.3.3 复杂网络 |
| 1.4 数据驱动的复杂系统研究 |
| 1.5 本章小结 |
| 第二章 基于含噪小样本数据的活性群体系统中隐藏相互作用的准确探测 |
| 2.1 活性群体系统与隐藏相互作用探测 |
| 2.2 压缩感知的相关理论与应用 |
| 2.2.1 采样与信号重构 |
| 2.2.2 压缩感知重构 |
| 2.2.3 压缩感知重构方法的应用 |
| 2.3 压缩感知用于含噪小样本情况下行人群中隐藏相互作用的准确探测 |
| 2.3.1 问题分析及解决思路 |
| 2.3.2 压缩感知解决方案 |
| 2.3.3 压缩感知(L_1-RLS)重构的优化问题 |
| 2.3.4 压缩感知(L_1-RLS)最优重构的理论分析 |
| 2.4 本章小结 |
| 第三章 全身麻醉与恢复过程中迟滞现象的神经机制研究 |
| 3.1 全身麻醉及迟滞现象简介 |
| 3.2 全身麻醉的数学模型 |
| 3.2.1 神经元群体平均动力学模型 |
| 3.2.2 网络渝渗模型 |
| 3.2.3 多稳态马尔可夫模型 |
| 3.3 全身麻醉-恢复过程中的迟滞:实验观测与动力学机制探讨 |
| 3.3.1 动物实验 |
| 3.3.2 网络渝渗动力学模型及相关讨论 |
| 3.3.3 麻醉-恢复循环中网络结构的变化 |
| 3.3.4 在网络渝渗动力学框架下对噪声的考虑 |
| 3.4 本章小结 |
| 第四章 基于fMRI时间序列的脑功能网络及其动力学分析 |
| 4.1 背景简介 |
| 4.2 数据与方法 |
| 4.2.1 数据及预处理 |
| 4.2.2 基于压缩感知的偏相关方法 |
| 4.2.3 收敛交叉映射法 |
| 4.2.4 Ising模型能量图景方法 |
| 4.2.5 基于压缩感知的动力学重构方法 |
| 4.3 主要结果 |
| 4.3.1 功能性连接分析 |
| 4.3.2 脑功能网络的子网络划分 |
| 4.3.3 静息态DMN内部信息流分析 |
| 4.3.4 静息态DMN的亚稳态分析 |
| 4.3.5 静息态DMN的动力学方程重构 |
| 4.4 本章小结与讨论 |
| 第五章 总结与展望 |
| 5.1 本文研究总结与讨论 |
| 5.2 展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（10）通信导航一体化波形设计与接收方法优化（论文提纲范文）
| 摘要 |
| Abstract |
| 缩写、符号清单、术语表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 通信导航一体化设计的研究现状 |
| 1.2.2 基于神经网络的信道跟踪和均衡技术的研究现状 |
| 1.3 本文研究内容与结构安排 |
| 第二章 相关基础知识 |
| 2.1 引言 |
| 2.2 波形设计基础知识 |
| 2.2.1 定时在导航定位系统中的重要性 |
| 2.2.2 BOC调制方式 |
| 2.2.3 MBOC调制方式 |
| 2.3 神经网络与信道均衡技术 |
| 2.3.1 信道均衡技术及其分类 |
| 2.3.2 基于神经网络的信道均衡器 |
| 2.3.3 LSTM网络原理 |
| 2.3.4 Bi LSTM网络原理 |
| 2.4 本章小结 |
| 第三章 通信导航一体化波形设计 |
| 3.1 引言 |
| 3.2 基于高效导频的一体化波形设计方案 |
| 3.2.1 波形的产生方式 |
| 3.2.2 波形的定时跟踪方式 |
| 3.3 波形的性能评估 |
| 3.3.1 跟踪精度评估 |
| 3.3.2 抗多径性能评估 |
| 3.3.3 兼容性评估 |
| 3.4 本章小结 |
| 第四章 基于神经网络的信道跟踪和均衡技术 |
| 4.1 引言 |
| 4.2 提出问题的数学模型 |
| 4.3 神经网络模型设计 |
| 4.3.1 基于DNN的信道跟踪和均衡模型设计 |
| 4.3.2 基于DLSTM的信道跟踪和均衡模型设计 |
| 4.3.3 基于DBi LSTM的信道跟踪和均衡模型设计 |
| 4.4 提出模型的性能分析 |
| 4.4.1 模型参数确定 |
| 4.4.2 模型收敛性能对比 |
| 4.4.3 与RLS-DFE盲均衡系统的误码率对比 |
| 4.4.4 与基于训练序列均衡系统的误码率对比 |
| 4.4.5 跟踪动态信道的性能对比 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的研究成果和科研项目 |
四、多层前向神经网络的RLS修正训练算法（论文参考文献）
- [1]用于残余振动抑制的深度神经网络输入整形器[J]. 张铁,康中强,邹焱飚,廖才磊. 华南理工大学学报(自然科学版), 2021(08)
- [2]面向智能手机应用的可穿戴生理信号监测设备算法研究[D]. 谢佳玲. 中国人民解放军陆军军医大学, 2021(01)
- [3]波束成形系统线性化与基于神经网络的宽带数字预失真研究[D]. 李泓旻. 中国科学技术大学, 2021(09)
- [4]基于深度强化学习的自适应光学波前控制研究[D]. 许振兴. 电子科技大学, 2020(03)
- [5]四旋翼无人机系统辨识及鲁棒性导航研究[D]. 刘鹏. 电子科技大学, 2020(07)
- [6]电动汽车锂离子电池联合建模及BP-UKF估算方法研究[D]. 刘建杉. 中国矿业大学, 2020(01)
- [7]基于神经网络的数字助听器回声消除算法研究[D]. 李双. 成都理工大学, 2020(04)
- [8]基于回声状态网络的卫星信道在线盲均衡算法研究[D]. 赵膑. 兰州大学, 2020(01)
- [9]复杂系统中的结构与动力学 ——基于数据的研究[D]. 苏春旺. 兰州大学, 2020
- [10]通信导航一体化波形设计与接收方法优化[D]. 许笑笑. 浙江大学, 2020(02)