现代检测技术2--测控系统的理论基础技术方案.ppt

2.5.2 神经网络算法 1.神经网络的基本概念 人工神经网络是从生物学上取得灵感，用实现模拟生物神经元某些功能的元器件组织起来，而组织方式是模拟人脑的组织方式构成的。下图为一个典型的人工神经元模型： 2.5.2 神经网络算法 2. 人工神经网络的基本原理 网络模型 前向网络： 由输入层，中间层（隐层）和输出层组成， 每一层的神经元只接受前一层神经元的输出，并输出到 下一层。 互联型神经网络：网络中任意两个神经元之间都有可能连接，即网络的输入节点及输出节点均有影响存在，因此，信号在神经元之间反复传递，各神经元的状态要经过若干次变化，逐渐趋于某一稳定状态。典型的有Hopfield网络。 2.5.2 神经网络算法 学习（训练） 监督训练：规则为将给定标准训练样本加到网络的输入 端，同时将用网络输出与期望输出相比较得到的差值来控 制连接权重的调整。 无监督训练：不要求事先给定标准样本，而是直接将网 络置于工作环境中，使训练阶段与应用阶段成为一体，使 得学习规律服从连接权重的变化 2.5.2 神经网络算法 3.典型神经网络模型 BP网络 这是一种采用误差反向传播（Back Propagation）学习方法的单向传播多层次前向网络，一般由输入层、输出层和隐含层组成，其结构如下图所示 2.5.2 神经网络算法 2.5.2 神经网络算法 RBF网络 RBF（Radial Basis Function）神经网络是三层结构的径向基函数神经网络，其结构如下图所示： 2.5.2 神经网络算法 Hopfield网络 Hopfield网络属于反馈网络，具有连续型和离散型两种类型，下图描述了离散型Hopfield网络的结构。 2.5.3 遗传算法 1.简单遗传算法 在自然界的演化过程中，生物体通过遗传、变异来适应外界环境，一代又一代地优胜劣汰，发展进化。GA模拟 了上述进化现象，将搜索空间映射为遗传空间，由于新群 体的成员是上一代群体的优秀者，继承了上一代的优良性态，因而明显优于上一代。GA就这样反复迭代，向着更优 解的方向进化，直至满足某种预定的优化指标。 2.5.3 遗传算法 2.遗传算法的应用关键 串的编码方式 这本质是问题编码。一般把问题的各种参数用二进制编码，构成子串；然后把子串拼接构成“染色体”串。串长度及 编码形式对算法收敛影响极大。 适应函数的确定 适应函数是问题求解品质的测量函数，往往也称为问题的“环境”。一般可以把问题的模型函数作为对象函数，但 有时需要另行构造。 遗传算法自身参数设定 遗传算法自身参数有3个，即群体大小n、交叉概率和变异概率。 END 2.3.3 样条插值 1. 三次样条函数插值 设 在节点 处的函数值 ， 求关于分段 的三次样条函数，使满足 则S(x)称为y=f(x)的三次插值样条函数。 2. 基本方程组 2.3.3 样条插值 3.端点条件 M关系式是N+1个未知数的N-1个方程，通过端点可减 少2个未知数。步骤如下： 给定M0、MN。 在[X0，X1]与[XN-1，XN]上S(x)为二次多项式，此时M0=M1，MN=MN-1。 特别可取M0=0、MN=0，此时称S(x)为自然三次插值样条。 2.3.3 样条插值 4.方程组求解 此时的方程组可写成统一的形式联立求解： 2.4 信号滤波 在实际应用中，对信号作分析和处理时，需要从接收到的信号中，根据有用信号和无用信号（噪声）的不同特性，消除或减弱干扰噪声，提取有用信号。实现这个滤波功能的系统就称为滤波器。信号滤波是信号处理中最基本的一种处理。本节介绍几种常见的滤波器。 2.4.1 匹配滤波器 匹配滤波器是这样一种最佳线性滤波器，在输入为确知信号加噪声的情况下，所得输出信噪比达到最大。 匹配滤波器是许多最佳检测系统的基本组成部分，其在最佳信号参量估计、信号分辨、某些信号波形的产生和压缩等方面起重要作用。 2.4.1 匹配滤波器 当加性噪声不同时，讨论2种情形时的最优滤波： 1.白噪声情况下的最优滤波 ——匹配滤波器 白噪声具有零均值和单位方差，其功率谱密度 ，当滤波器达到最大信噪比时，滤波器的幅频特性与信号的幅频特性相等，或者说二者相“匹配”。因此，常将白噪声情况下使信噪比最大的线性滤波器称为匹配滤波器。