Процедура проектирования нейросетевых алгоритмов цифровой обработки сигналов в радиотехнических устройствах

• Автор: Хахулин, Сергей Сергеевич
• Шифр специальности: 05.12.04
• Научная степень: Кандидатская
• Год защиты: 2007
• Место защиты: Рязань
• Количество страниц: 166 с. : ил.

1 Модификации алгоритма обратного распространения ошибки для обучения искусственных нейронных сетей
3.1 Вводные замечания
1.2 Модифицированные алгоритмы обратного распространения ошибки
1.2.1 Описание модифицированных алгоритмов обратного распространения ошибки
1.2.2 Исследование модифицированных алгоритмов обратного распространения ошибки при реализации весового фильтра кодовых последовательностей на основе искусственных нейронных сетей
1.2.3 Исследование модифицированных алгоритмов обратного
распространения ошибки при реализации вейвлетно-пакетного разложения на основе искусственных нейронных сетей
1.3 Влияние выбора алгоритма обучения на робастные свойства искусственных нейронных сетей
1.3.1 Робастные свойства алгоритмов цифровой обработки сигналов на основе искусственных нейронных сетей
1.3.2 Исследование робастных свойств алгоритмов обучения при весовой обработке кодовых последовательностей
1.3.3 Исследование робастных свойств алгоритмов обучения при реализации вейвлетно-пакетного разложения речевых сигналов
1.4 Формирование обучающей выборки с целью придания робастных свойств нейросетевым алгоритмам
1.4.1 Целевая функция обучения

1.4.2 Анализ влияния состава обучающей выборки на робастные
свойства алгоритма нейросетевой обработки кодовых последовательностей
1.4.3 Анализ влияния состава обучающей выборки на робастные свойства алгоритма нейросетевой обработки сигналов при реализации вейвлет-пакетного разложения
1.5 Выводы
2 Синтез и обоснование формы активационной функции
2.1 Вводные замечания
2.2 Синтез активационной функции
2.2.1 Постановка задачи
2.2.2 Аппроксимация формы активационных функций
ортогональными полиномами
2.2.3 Оптимизация формы активационной функции
2.3 Обоснование формы финитной активационной функции
2.4 Обоснование формы биполярной бисигмоидальной активационной
функции
2.5 Анализ свойств финитной и биполярной бисигмоидальной
активационных функций при реализации алгоритма вейвлет-пакетного разложения на основе искусственных нейронных сетей
2.5.1 Финитная активационная функция
2.5.2 Биполярная бисигмоидальная активационная функция
2.6 Анализ свойств финитной и биполярной бисигмоидальной
активационных функций при реализации алгоритма демодуляции сигналов с относительной фазовой манипуляцией на основе искусственных нейронных сетей
2.6.1 Реализация алгоритма демодуляции сигналов с относительной
фазовой манипуляцией на основе искусственных нейронных сетей

2.6.2 Финитная активационная функция
2.6.3 Биполярная бисигмоидальная активационная функция
2.7 Выводы
3 Практические аспекты проектирования нейросетевых алгоритмов цифровой обработки сигналов в радиотехнических устройствах
3.1 Вводные замечания
3.2 Процедура проектирования алгоритмов цифровой обработки сигналов на основе искусственной нейронной сети
3.3 Проектирование устойчивой к мешающим факторам системы идентификации дикторов на основе искусственных нейронных сетей
3.3.1 Постановка задачи
3.3.2 Определение пространства первичных признаков
3.3.3 Проектирование алгоритма идентификации дикторов на основе
искусственных нейронных сетей
3.3.4 Выводы
3.4 Реализация двухэтапного нейросетевого алгоритма подавления реверберационных помех речевых сигналов
3.4.1 Постановка задачи
3.4.2 Экспериментальные исследования алгоритма подавления
реверберационных помех в нейросетевом логическом базисе
3.4.3 Выводы
3.5 Анализ аппаратной реализации нейросетевых алгоритмов цифровой обработки сигналов
3.5.1 Типы средств реализации
3.5.2 Аппаратных средства нейроускорителей
3.5.3 Особенности проектирования алгоритмов цифровой обработки
сигналов в нейросетевом логическом базисе на основе программируемых логических интегральных схем

подверженных влиянию белого гауссовского шума в полосе РС, для которых отношение сигнал-шум составляет 18 дБ. Каждая ОВ, сформированная по данному принципу, характеризуется соотношением искаженных и неискаженных векторов кшс = Nм Ш]И -100%, а так же отношением сигналшум ц. На рисунке 1.21 представлены зависимости среднеквадратической нормированной ошибки преобразования от отношения сигнал-шум для различных значений кшс, при обучении ИНС с использованием алгоритма ЦММОРО.
Рисунок 1.21 - Зависимости ошибок преобразования от отношения сигнал-шум при различных соотношениях кшс в ОВ
Анализ зависимостей показывает, что увеличение соотношения кшс приводит к более сильному проявлению робастных свойств при # < 20 дБ, однако существенно увеличивает ошибку енвпр при 20 дБ. Кроме того, коэффициент кшс определяет объем ОВ, что в свою очередь сказывается на вычислительных затратах на обучение. В дальнейших экспериментальных