神经网络的消除干扰.doc

Huaqiaou

Huaqiaouniversity

测控系统课程设计

题目:神经网络的消除干扰——方案B1-46

院〔系〕

专业

学号

姓名

级别

指导老师

2012年6月

目录

1.前言

2.原理

2.1神经网络消除干扰的原理

2.2adaptwh函数

2.3learnwh函数

2.4程序中用到的训练算法原理

3.程序、注释、结果

3.1.1程序1与注释

3.1.2程序1结果

3.2.1程序2与注释

3.2.2程序2结果

4.程序分析

5.程序小结

6.课设心得

7.参考文献

神经网络的消除干扰——方案B1-46

班级姓名指导老师

摘要：本文具体阐述了如何通过自适应函数或神经网络工具箱中的函数对构造的神经网络进行训练，然后将含有噪声的信号别离出噪声、消除干扰，提取出有用的信号。

关键词：函数，神经网络，消除干扰

Abstract:Thisarticleprovidesdetailsonhowtotraintheneuralnetworkconstructedbytheadaptivefunction.Andthenwecontainthesignalofthenoisechannelisolatedfromnoise,interferencecancellation,finallyweextracttheusefulsignal.

Keywords：function、Neuralnetwork、Eliminatetheinterference

1前言

Adaline型的神经元将接收到的输入信号与权值乘积的总和再加上一个偏移量。这个激活函数完成一个线性传递功能。

在工业中，有用信号x并不能单独传输，其中往往有引入干扰的寄生信号p。实际输出信号由有用信号x和与p成比例的噪声构成。

x+kpx

x+kp

x

+

+

p

p

系统结构

系统结构

2原理

2.1神经网络消除干扰的原理

把p作为现行神经元的输入重构感染噪声的信号。由于神经元是线性的。因此它输出的一局部与噪声p成比例，这就是干扰。神经元输出与目标输出之间的误差即为要提取的有用信号x训练算法。

b

b

pt=x+kpy

p

t=x+kp

y

Wp+b

Wp+b

-+

-

+

x线性神经元系统结构

x

线性神经元系统结构

例如，在一个噪声较大的环境中打，如车间、机场等，想要传输最接近于有用信号x的信号，这时整个信号，可以用如下自适应函数：

[y,c,w,b]=adaptwh[w,b,x,t,eta]

2.2adaptwh函数

函数使用格式[a,e,w,b]=adaptwh(w,b,p,t,lr)

%ADAPTWHWidrow-霍夫规那么相适应的线性层.

%使用NNT2LIN和ADAPT更新和适应网络

%[A,E,W,B]=ADAPTWH(W,B,P,T,lr)

%W-SxR权重矩阵

%B-Sx1偏置向量

%P-RXQ输入向量矩阵

%T-目标向量SxQ矩阵

%lr-学习率〔可选，默认值=0.1〕。

%返回：

%A-自适应线性滤波器的输出

%E-自适应线性滤波器的误差

%W-新的权重矩阵

%B-新的偏置向量.

％如果nargin4，错误〔“NNET：参数，没有足够的论据”〕，结束

%训练参数

ifnargin==4,lr=0.1;end

[r,q]=size(p);

[s,q]=size(t);

a=zeros(s,q);

e=zeros(s,q);

%呈报期

fori=1:q

a(:,i)=purelin(w*p(:,i),b);

e(:,i)=t(:,i)-a(:,i);

[dw,db]=learnwh(p(:,i),e(:,i),lr);

w=w+dw;b=b+db;

End

2.3learnwh函数

[dw,ls]=learnwh(w,p,z,n,a,t,e,gW,gA,d,lp,ls)

％LEARNWHWidrow霍夫重量/偏见的学习功能。

%句法

%[dW,LS]=learnwh(W,P,Z,N,A,T,E,gW,gA,D,LP,LS)

%[db,LS]=learnwh(b,ones(1,Q),Z,N,A,T,E,gW,gA,D,LP,LS)

%info=learnwh(code)

%描述

%LEARNWH是Wi