Помощь в учёбе, очень быстро...
Работаем вместе до победы

Методы обнаружения и детектирования сигналов с априорно неизвестными статистическими свойствами с применением искусственных нейронных сетей

Диссертация: Методы обнаружения и детектирования сигналов с априорно неизвестными статистическими свойствами с применением искусственных нейронных сетей
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

ИНС не содержат качественных ограничений на модель процесса, присущих традиционным методам обработки сигналов. ИНС — это параллельная и распределённая система обработки информации, состоящая из простых вычислительных элементов: искусственных нейронов, соединённых связями друг с другом и с входами и выходами сети. При распространении сигналов по сети значение сигнала, передаваемого от нейрона… Читать ещё >

Содержание

  • Используемые сокращения
  • Глава 1. Применение ИНС в задачах обработки сигналов (литературный обзор)
    • 1. 1. ИНС, основные понятия
      • 1. 1. 1. Узлы искусственных нейронных сетей
      • 1. 1. 2. Топологии нейронных сетей
    • 1. 2. Классификация образов при помощи ИНС
      • 1. 2. 1. Вероятностные классификаторы
      • 1. 2. 2. Гиперплоскостные классификаторы (Hyperplane Classifiers)
        • 1. 2. 2. 1. Сеть прямого распространения (многослойный персептрон)
        • 1. 2. 2. 1. 1. Обучение
        • 1. 2. 2. 2. Классифицирующие деревья
        • 1. 2. 2. 3. Сети высокого порядка
      • 1. 2. 3. Ядерные классификаторы (Kernel Classifiers)
        • 1. 2. 3. 1. Классификаторы с радиальными базисными функциями
      • 1. 2. 4. Классификаторы по образцу
        • 1. 2. 4. 1. Карты признаков
        • 1. 2. 4. 2. Обучающиеся векторные квантователи
        • 1. 2. 4. 3. Гиперсферные классификаторы
      • 1. 2. 5. Выбор классификатора

Методы обнаружения и детектирования сигналов с априорно неизвестными статистическими свойствами с применением искусственных нейронных сетей (реферат, курсовая, диплом, контрольная)

Начиная с ранних работ Винера по адаптивным фильтрам [1] для определения параметров адаптивных систем обработки сигналов, включая искусственные нейронные сети (ИНС), в качестве критерия оптимальности почти исключительно использовалась среднеквадратическая ошибка. Основаниями для этого были, прежде всего, аналитическая простота и предположение о соответствии большинства случайных процессов в природе распределению Гаусса. Гауссово распределение вероятностей полностью описывается статистиками первого и второго порядка. Следовательно, в предположении гауссовости среднеквадратичной ошибки достаточно для извлечения из набора данных, полностью описываемых средним и дисперсией, всей возможной информации. В то же время не для всех процессов описание может быть ограничено статистиками второго порядка, поэтому велись и ведутся разработки алгоритмов, не ограничивающихся гауссовой моделью. Одним из направлений исследований в данной области является применение ИНС для обработки сигналов. Понятие нейронной сети было формализовано Маккалоком и Питтсом [2]. Хебб предложил модель человеческого обучения, ставшую основой методов обучения ИНС (правила Хебба) [3]. Затем Розенблатом была предложена однослойная сеть — персептрон, которая легла в основу большинства нейросетевых методов [4]. Хопфилд предложил ИНС для вычислительно эффективной минимизации квадратичной нормы при распознавании образов [5], Кохонен разработал сеть для кластеризации многомерных данных. Однако наибольшее распространение ИНС получили как универсальные аппроксиматоры функций многих переменных. Теоретическим основанием применения ИНС для аппроксимации функций многих переменных является работа А. Н. Колмогорова [6]. На практике ИНС стали широко применяться в этой области после создания группой авторов алгоритма обратного распространения ошибки для обучения многослойных сетей [7]. Среди отечественных учёных, развивающих теорию ИНС, А. И. Галушкин [8], А. Н. Горбань, B. J1. Дунин-Барковский [9]. Применение ИНС в задачах обработки сигналов позволяет отказаться от предположений линейности, стационарности и гауссовости. В частности это достигается благодаря использованию при обучении информационных критериев, основанных на понятии энтропии. Понятие энтропии распределения вероятностей введено Шенноном [10] и представляет собой скалярную величину, отражающую количество информации, содержащееся в распределении. Энтропия по определению относится ко всему распределению, а не к выделенным статистикам.

ИНС не содержат качественных ограничений на модель процесса, присущих традиционным методам обработки сигналов. ИНС — это параллельная и распределённая система обработки информации, состоящая из простых вычислительных элементов: искусственных нейронов, соединённых связями друг с другом и с входами и выходами сети. При распространении сигналов по сети значение сигнала, передаваемого от нейрона к нейрону, умножается на весовой коэффициент, отдельный для каждой связи. Значения весовых коэффициентов определяются из набора экспериментальных данных, эту процедуру называют обучением. Модель процесса, соответствующая экспериментальным данным, формируется при обучении ИНС.

В свете сказанного выше целью настоящей диссертационной работы является разработка методов обработки сигналов в отсутствии предположений о моделях процессов, порождающих сигналы, с применением искусственных нейронных сетей. При построении системы обработки сигналов на базе ИНС необходимо выбрать структуру сети, определить способ параметризации сигналов и обучить сеть с помощью алгоритма, позволяющего максимально использовать информацию, содержащуюся в данных эксперимента. Решению этих вопросов посвящена работа. В работе предлагаются нейросетевые методы решения задач распознавания фонем (в рамках общей задачи распознавания речи), детектирования сигналов с угловой модуляцией, обнаружения модулированных сигналов.

Актуальность работы. Задача распознавания речи имеет большое значение для человеко-машинного взаимодействия. Прежде всего, распознавание речи используется для ввода информации в компьютеры. Постоянно растёт круг устройств с голосовым управлением: компьютеры, телефоны, бытовая техника.

Благодаря высокой помехоустойчивости и эффективному использованию спектральной полосы всё более широкое применение в системах цифровой связи находят различные виды угловой модуляции: прежде всего это фазовая и частотная манипуляция с малым числом уровней фаз и частот соответственно. При этом стандартные алгоритмы детектирования ведут себя неустойчиво в условиях высоких уровней шумов и нестабильности параметров канала передачи. В частности, такая ситуация возникает в спутниковых системах связи. Высокий уровень шумов обуславливается большими расстояниями между источниками и приёмниками и тем, что не всегда возможна работа в главном лепестке диаграммы направленности антенной системы. Орбитальное движение приводит к переменному эффекту Доплера, выражающемуся в смещении несущей частоты и масштабировании спектра. Построение и реализация оптимальных методов обнаружения и детектирования модулированных сигналов затрудняются тем, что статистические свойства шумов и величина доплеровского сдвига непостоянны. Применение ИНС в составе системы обработки сигналов позволяет путём обучения ИНС в текущих условиях приёма формировать локальные по времени модели сигнала и шума и строить адаптивные методы обнаружения и детектирования.

Научная и практическая ценность. Традиционные методы распознавания речи требуют сегментации речевого сигнала как в процессе настройки системы (при обучении), так и при распознавании. Это относится как к акустически-фонетическому подходу к распознаванию речи, так и к методам распознавания по образцу [11]. При использовании первого подхода выделяются отрезки сигнала с постоянными характеристиками, а при использовании второго подхода сигнал сегментируется эквидистантно для последующей (при обучении — ручной) пометки сегментов. Ручные сегментация и пометка являются рутинными, трудозатратными процедурами, кроме того ошибки оператора при выполнении этих процедур негативно сказываются на работе конечной системы распознавания речи. В диссертационной работе предложен метод обучения ИНС для распознавания фонем без ручных процедур сегментации и пометки сигналов.

Традиционные методы детектирования сигналов с угловой модуляцией требуют точного знания значения несущей частоты или введения в систему схем автоподстройки. При детектировании фазоманипулированных сигналов из-за накопления ошибки возможен переход системы в режим «обратной работы», при таком переходе происходит смена полярности детектируемых символов. Традиционные методы обнаружения и детектирования опираются на статистические характеристики шума, которые непостоянны или совсем неизвестны в ряде практических задач. Предлагаемые в диссертационной работе методы обнаружения и детектирования обладают устойчивостью к небольшим изменениям несущей частоты и не требуют задания модели шума, т.к. обучаются на примерах сигналов, содержащих шум эфира и искажения, связанные с переменной несущей частотой.

Научная новизна работы. Для решения задачи автоматического распознавания речи в диссертационной работе предложен метод обучения нейронной сети, позволяющий обучать систему детектирования фонем без ручного сегментирования и пометки образцов речи. В отличие от традиционных методов предлагаемый метод не вносит в систему ложной информации, связанной с неточной сегментацией.

Для решения задач обнаружения и детектирования модулированных сигналов цифровых систем связи в диссертационной работе предложены нейросетевые методы, позволяющие проводить обнаружение и детектирование в условиях узкополосного шума и априорно неизвестного сдвига несущей частоты.

Предлагаемый в диссертационной работе метод обучения ИНС обеспечивает вычислительно эффективную оптимизацию информационного критерия обучения (энтропии ошибки). Кроме неявной оптимизации энтропии ошибки предлагаемый метод позволяет реализовывать дообучение на новых сигналах без «забывания» предыдущих.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались:

• на всероссийской научно-технической конференции «Информационные системы и технологии», Нижний Новгород, НГТУ, 2005, 2006, 2007 гг;

• на 14-ой Международной конференции по нейрокибернетике, Ростов-на-Дону, 2005 г;

• на V международной научно-технической конференции «Электроника и информатика — 2005», Зеленоград, МИЭТ, 2005;

• на VIII, IX, X всероссийских научно-технических конференциях «Нейроинформатика», Москва, МИФИ, 2006, 2007, 2008 гг;

• на IV международной конференции «Signal Processing Pattern Recognition and Applications», Австрия, 2007;

• на IX, X международных конференциях «Цифровая обработка сигналов и ее применение». Москва, ИЛУ РАН, 2007, 2008 гг;

• на XIII международной научно-технической конференции студентов и аспирантов «Радиоэлектроника, электротехника и энергетика». Москва, МЭИ, 2007 г.;

• на VIII международной научно-технической конференции «Искусственный интеллект-2007. Интеллектуальные системы», пос. Дивноморское, 2007 г.

• на X, XI научных конференциях по радиофизике. Нижний Новгород, РФ ННГУ, 2006, 2007 гг;

• на международном симпозиуме «International Symposium on Communications, Control and Signal Processing», Мальта, 2008 г.- и опубликованы в статьях:

• в журнале «Optical Memory & Neural Networks (Information Optics)», 2005 г.;

• в журнале «Вестник Нижегородского университета им. Н. И. Лобачевского. Серия Радиофизика», 2005 г.;

• в журнале «Известия ВУЗов. Радиофизика», 2007 г.;

• в журнале «Радиотехника и электроника», 2007 г.;

• в журнале «Вестник Нижегородского университета им. Н.И. Лобачевского», 2007 г.

Основные положения, представляемые к защите:

• Метод обучения нейронных сетей, основанный на информационном критерии энтропии ошибки и реализация нейросетевых алгоритмов на последовательных вычислительных машинах.

• Метод детектирования фонем с использованием ИНС, не требующий сегментирования речевых сигналов.

• Метод параллельного обнаружения и детектирования сигналов с угловыми видами манипуляции (фазои частотно-манипулированных), основанный на применении ИНС.

• Результаты моделирования и исследования устойчивости предложенных методов детектирования в условиях шумов и сдвига несущей частоты.

Содержание работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка использованных литературных источников и приложения.

Основные результаты диссертационного исследования заключены в следующем:

• Разработан и реализован универсальный алгоритм обучения ИНС. Основу алгоритма составляет информационный критерий энтропии ошибки. Использование информационного критерия позволяет повысить вероятность правильного детектирования, повысить устойчивость методов к изменению параметров, повысить скорость обучения.

• Разработан метод детектирования фонем на основе нейросетевого классификатора. Фонемы распознаются в составе слов, при этом предложенный метод обучения ИНС позволяет избежать сегментирования речевых сигналов и тем самым освобождает систему распознавания от ошибок, связанных с неточной ручной или автоматической сегментацией. Проведён анализ пространств признаков, образуемых различными способами параметризации. Исследовано влияния размеров ИНС и способа параметризации на эффективность детектирования фонем.

• Разработаны нейросетевые методы обнаружения и некогерентного детектирования сигналов с угловыми видами модуляции. В основе предлагаемых методов лежит общая схема обработки сигналов, что делает возможным постороение обобщённой аппаратной системы, настраиваемой на конкретную задачу обнаружения или детектирования ФМ или ЧМ сигналов путём загрузки весовых коэффициентов нейронной сети.

• Предложенные методы детектирования исследованы в условиях узкой спектральной полосы, аддитивных шумов и отклонения несущей частоты от известного значения. Результаты компьютерного моделирования показывают, что предлагаемые методы обладают не худшей (для ЧМ сигналов) или лучшей (для ФМ сигналов) устойчивостью к шуму по сравнению со стандартными методами. Полученные при моделировании показатели подтверждены экспериментально путём обнаружения и детектирования реальных ФМ и ЧМ сигналов.

Заключение

.

Показать весь текст

Список литературы

  1. N., «Extrapolation, 1.terpolation, and Smoothing of Stationary Time Series with Engineering Applications» Cambridge, MA: MIT Press, 1949, 163 P-
  2. McCulloch W., Pitts W, «A logical calculus of ideas imminent in nervous activity,» Bulletin of Mathematical Biophysics, vol. 5, pp. 115−133, 1943.
  3. Hebb D. O, «The Organization of Behavior: A neuropsychological theory.» New York: Wiley, 1949.
  4. Ф. «Принципы нейродинамики: Персептрон и теория механизмов мозга», пер. с англ. -М.: Мир, 1965, 175 с.
  5. J.J., «Neural Networks and Physical Systems with Emergent Collective Computational Abilities», Proceedings of the National Academy of Sciences of the United States of America, vol. 79, April 1982, pp. 2554−2558.
  6. A.H., «О представлении непрерывных функций нескольких переменных в виде суперпозиций непрерывных функций одного переменного и сложения» Докл. АН СССР, т. 114, н. 5, 1957, с. 953−956.
  7. Rumelhart D.E., Hinton G.E., and Williams R.J., «Learning internal representations by error propagation,» In Parallel distributed processing, vol. 1, pp. 318−362, Cambridge, MA: MIT Press, 1986.
  8. A.M., «Синтез многослойных систем распознавания образов». М.: Энергия, 1974, 368 с.
  9. А.Н., Дунин-Барковский В.Л., Миркес Е. М. и др., «Нейроинформатика». Новосибирск: Наука. Сиб. предприятие РАН, 1998, 296 с.
  10. С.Е., «A mathematical theory of communications,» Bell System Technical Journal, vol. 27, pp. 379−423, 623−656, 1948.
  11. Rabiner N., Juang L.Y., Fundamentals of Speech Recognition. Prentice Hall PTR, 2001.
  12. R. P., «An Introduction to Computing with Neural Nets,» IEEE ASSP Mag, vol. 4 (2). pp. 4−22, Apr. 1987.
  13. Головко В. А, «Нейронные сети: обучение, организация и применение.» -М.: ИПРЖР, 2001,256 с.
  14. Kohonen Т, «Self-organizing maps,» 3. ed. Berlin- Heidelberg- New York- Barcelona- Hong Kong- London- Milan- Paris- Singapore- Tokyo: Springer, 2001, 501 p.
  15. Kung S.-Y, Taur J., Lin S.-H, «Synergistic Modeling and Applications of Hierarchical Fuzzy Neural Networks,» Proceedings of the IEEE, vol. 87, no. 9, September 1999, pp. 1551−1574.
  16. Моррис У, «Наука об управлении. Байесовский подход.» М.: Мир, 1971.
  17. Ackley D. H, Hinton G. E, Sejnowski T. J, «A Learning Algorithm for Вoltzmann Machines,» Cognitive Science, vol. 9, pp. 147−160, 1985.
  18. L., Friedman J.H., Olshen R.A., Stone C.J., «Classification and Regression Trees,» Wadsworth International Group, Belmont, CA, 1984.
  19. C.L., Maxwell Т., «Learning, Invariance, and Generalization in High-Order Networks,» Applied Optics, vol. 26, pp. 4972−4978, Dec. 1987.
  20. S., «Self-Organizing Methods in Modeling,» Marcel Dekker, 1984.
  21. J., Pearlmutter В., «Equivalence Proofs for Multi-Layer Perceptron Classifiers and the Bayesian Discriminant Function,» Proc. of the 1990 Connectionist Models Summer School, San Mateo, CA: Morgan Kaufmann Publishers, 1990, p. 1.
  22. Нейрокомпьютеры в системах обработки сигналов. / Под ред. Гуляева Ю. В. и Галушкина А. И. М: Радиотехника, 2003.
  23. G., «Approximation by Superpositions of a Sigmoidal Function,» Mathematics of Control, Signals and Systems, v.2, 1989, pp. 303−314.
  24. Pierce S.G., Ben-Haim Y., Worden K., Manson G., «Evaluation of Neural Network Robust Reliability Using Information-Gap Theory,» IEEE Transactions on Neural Networks, vol. 17, no. 6, November 2006, pp. 13 491 361.
  25. Teoh E.J., Tan K.C., Xiang C., «Estimating the Number of Hidden Neurons in a Feedforward Network Using the Singular Value Decomposition,» IEEE Transactions on Neural Networks, vol. 17, no. 6, September 2006, pp. 16 231 629.
  26. K., «Statistical Active Learning in Multilayer Perceptrons,» IEEE Transactions on Neural Networks, vol. 11, no. 1, January 2000, pp. 17−26.
  27. В.Г., «Извлечение знаний из обучаемых нейронных сетей». Нейроинформатика и ее приложения: Тез. докл. 6-го Всероссийского семршара. Красноярск, 1999, с. 150−151.
  28. Lu Н.- Setiono R., Liu Н., «Effective data mining using neural networks,» IEEE Transactions on Knowledge and Data Engineering, vol. 8, no 6, December 1996, pp. 957−961.
  29. Yao X., «Evolving Artificial Neural Networks,» Proceedings of the IEEE, vol. 87, no. 9, September 1999, 1423−1447.
  30. A.B., Жуков JI.A., «Метод эволюционной оптимизации и его приложение к задаче синтеза искусственных нейронных сетей», Нейрокомпьютеры: разработка, применение М. Радиотехника, № 12, 2004 г, с. 3−15.
  31. Man Z., Wu Н. R., Liu S., Yu X., «A New Adaptive Backpropagation Algorithm Based on Lyapunov Stability Theory for Neural Networks,» IEEE Transactions on Neural Networks, vol. 17, no. 6, November 2006, 1580−1591.
  32. M., Braun H., «A direct adaptive method for faster backpropagation learning: The rprop algorithm,» Proc. of IEEE International Conference on Neural Networks, 1993.
  33. С., «Нейронные сети для обработки информации». Пер. с польского И. Д. Рудинского. -М.:Финансы и статистика, 2002, 344 с.
  34. Yam J.Y.F., Chow T.W.S., «Feedforward Networks Training Speed Enhancement by Optimal Initialization of the Synaptic Coefficients,» IEEE Transactions on Neural Networks, vol. 12, no. 2, March 2001, pp. 430−434.
  35. Liang N.-Y., Huang G.-B., Saratchandran P., Sundararajan N., «A Fast and Accurate Online Sequential Learning Algorithm for Feedforward Networks,» IEEE Transactions on Neural Networks, vol. 17, no. 6, November 2006, pp. 1411−1423.
  36. T.B., Yamazaki A., Zanchettin C., «An Optimization Methodology for Neural Network Weights and Architectures,» IEEE Transactions on Neural Networks, vol. 17, no. 6, November 2006, pp. 1452−1459.
  37. L., Kumar S., Patnaik A., «On Adaptive Learning Rate That Guarantees Convergence in Feedforward Networks,» IEEE Transactions on Neural Networks, vol. 17, no. 5, September 2006, pp. 1116−1125.
  38. Zhang N., Wu W., Zheng G., «Convergence of Gradient Method with Momentum for Two-Layer Feedforward Neural Networks,» IEEE Transactions on Neural Networks, vol. 17, no. 2, September 2006, pp. 522−525.
  39. M., Schiffmann W., «Speeding up backpropagation algorithms by using cross-entropy combined with pattern normalization,» International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems (IJUFKS), vol. 6, no. 2, pp. 117−126, 1998.
  40. D., Principe J.C., «An Error-Entropy Minimization Algorithm for Supervised Training of Nonlinear Adaptive Systems,» IEEE Transactions on Signal Processing, vol. 50, no. 7, July 2002, pp. 1780−1786.
  41. U., Erdogmus D., «Supervised Neural Network Training Using the Minimum Error Entropy Criterion with Variable-Size and Finite-Support Kernel Estimates,» IEEE Workshop on Machine Learning for Signal Processing, 28−28 Sept. 2005, pp. 67−72.
  42. D., Principe J.C., «Generalized Information Potential Criterion for Adaptive System Training,» IEEE Transactions on Neural Networks, vol. 13, no. 5, September 2002, pp. 1035−1044.
  43. P.L., «The Sample Complexity of Pattern Classification with Neural Networks: The Size of the Weights is More Important than the Size of the
  44. Network,» IEEE Transactions on Information Theory, vol. 44, no. 2, March 1998, pp. 525−536.
  45. Leung C.-S., Tsoi A.-C., Chan L.W., «Two Regularizers for Recursive Least Squared Algorithms in Feedforward Multilayered Neural Networks,» IEEE Transactions on Neural Networks, vol. 12, no. 6, November 2001, pp. 13 141 332.
  46. Xu Y., Wong K.-W., Leung C.-S., «Generalized RLS Approach to the Training of Neural Networks,» IEEE Transactions on Neural Networks, vol. 17, no. 1, January 2006, pp. 19−34.
  47. Drucker H., LeCun Y., «Improving generalization performance using double backpropagation,» IEEE Transactions on Neural Networks, 1992, vol. 3, pp. 991−997.
  48. C., «Training with noise is equivalent to Tikhonov regularization,» Neural Comput., vol. 7, no. 1, pp. 108−116, 1995.
  49. F., Schmitt M., Chedin A., Scott N., «The „Weight Smoothing“ Regularization of MLP for Jacobian Stabilization,» IEEE Transactions on Neural Networks, vol. 10, no. 6, November 1999, pp. 1502−1510.
  50. F., Jones M., Poggio Т., «Regularization theory and neural networks architectures,» Neural Comput., vol. 7, pp. 219−269, 1995.
  51. C., «Curvature-driven smoothing: A learning algorithm for feedforward networks,» IEEE Transactions on Neural Networks, 1993, vol. 4, pp. 882−884.
  52. S.R., Landgrebe D., «A survey of decision tree classifier methodology,» IEEE Trans. Syst., Man, Cybern., vol. 21, no. 3, pp. 660−674, 1991.
  53. I. K., «Entropy Nets: From Decision Trees to Neural Networks,» Proceedings of the IEEE, vol. 78, no. 10, October 1990, 1605−1613.
  54. A., Schwartz E., «A Multiple-Map Model for Pattern Classification,» Neural Computation, vol. 1(1), pp. 104−115, 1989.
  55. R.P., «Pattern Classification Using Neural Networks,» IEEE Communications Magazine, November 1989, pp. 47−50, 59−64.
  56. Tenorio M.F., Lee W.T., «Self Organizing Neural Networks for the Identification Problem,» Advances in Neurallnformation Processing Systems I, D. S. Touretzky, ed., pp. 57−64, San Mateo, CA: Morgan Kauffman, 1989.
  57. Hand D.J., ed., «Kernel Discriminant Analysis,» John Wiley and Sons Ltd., New York, NY, 1982.
  58. Miller W.T. Ill, Glanz F.H., Kraft L.G. Ill, «CMAC: An Associative Neural Network Alternative to Backpropagation,» Proceedings of the IEEE, vol. 78, no. 10, October 1990 pp. 1561−1567.
  59. Д.А., «Нейронные сети. Модели и алгоритмы.» Кн. 18 — М.: Радиотехника, 2005. 256 с.
  60. Muller K.-R., Mika S., Ratsch G., Tsuda K., Scholkopf В., «An Introduction to Kernel-Based Learning Algorithms,» IEEE Transactions on Neural Networks, vol. 12, no. 2, March 2001, pp. 181−201.
  61. С., «Нейронные сети: полный курс», 2-е издание. Пер. с англ. -М.: Издательский дом «Вильяме», 2006, 1104 с.
  62. S., «Neural Networks: A Comprehensive Foundation». New York: MacMillan, 1994.
  63. S.M., «Efficient Algorithms with Neural Network Behavior,» Complex Systems, vol. 1, pp. 273−347, 1987.
  64. Holmstrom L., Koistinen P., Laaksonen J., Oja E., «Neural and statistical classifiers-taxonomy and two case studies,» IEEE Transactions on Neural Networks, vol. 8, no. 1, January 1997, pp 5−17.
  65. W.M., Lippmann R.P., «Neural Net and Traditional Classifiers,» Neural Info. Processing Syst., Anderson D., ed., pp. 387−396, NY: American Institute of Physics, 1988.
  66. Т., «Classification of EEG waveforms by using RCE neural networks and genetic algorithms,» Electron. Lett., vol. 33, no. 18, pp. 1561−1562, 1997.
  67. Stanfill C, Waltz D., «Toward Memory-Based Reasoning,» Commun. of the ACM, vol. 29(12), pp. 1213−1228, Dec. 1986.
  68. D., «Alternative Generalizers to Neural Nets,» Neural Networks, vol. 1, supp. 1, p. 474, Adstracts of 1st Annual INNS Meeting, Boston, 1988.
  69. L.M., Poor H.V., «Detection of Non-Gaussian Signals: A Paradigm for Modern Statistical Signal Processing,» Proceedings of the IEEE, vol. 82, no. 7, July 1994, pp. 1061−1095.
  70. Ю.Б., «Цифровая передача информации фазомодулированными сигналами», М.: Радио и связь, 1991, 296 с.
  71. ., «Цифровая связь. Теоретические основы и практическое применение». Издание второе, испровленное, М.: Издательский дом «Вильяме», 2003, 1104 с.
  72. Дж., «Цифровая связь». Пер. с англ. / Под ред. Д. Д. Кловского. -М.: Радио и связь. 2000, 800 с.
  73. Е.М., «Signal detection by adaptive filters,» IRE Trans. Inform. Theory, vol. IT-7, July 1960, pp. 87−98.
  74. C., Alem W., «Demod-Remod Coherent Tracking Receiver for QPSK and SQPSK,» IEEE Transactions on Communications, vol. 28, no. 12, December 1980, pp. 1945−1954.
  75. M.K., «Tracking Performance of Costas Loops with Hard-Limited In Phase Channel,» IEEE Transactions on Communications, vol. 26, no, 4, April 1978, pp. 420−432.
  76. S., Thomson D.J., «Signal Detection in a Nonstationary Environment Reformulated as an Adaptive Pattern Classification Problem,» Proceedings of the IEEE, vol. 86, no. 11, November 1998, 2325−2344.
  77. Haykin S., «Adaptive Filter Theory,» Third Edition, Prentice-Hall, 1996, 989 P
  78. Lo J.Т., Bassu D., «Adaptive Multilayer Perceptrons With Long- and Short-Term Memories,» IEEE Transactions On Neural Networks, vol. 13, no. 1, January 2002.
  79. S., «Neural networks expand SP’s horizons,» IEEE Signal Processing Magazine, March 1996, vol. 13, no. 2, pp. 24−49.
  80. Haykin S., Yee P., Derbez E., «Optimum nonlinear filtering,» IEEE Transactions on Signal Processing, vol. 45, no. 11, November 1997, pp. 27 742 786.
  81. L.A., Puskorius G.V., «A Signal Processing Framework Based on Dynamic Neural Networks with Application to Problems in Adaptation, Filtering, and Classification,» Proceedings of the IEEE, vol. 86, no. 11, November 1998, 2259−2277.
  82. J.H., Hastie Т., Tibshirani R., «The Elements of Statistical Learning,» 1st ed., Springer, 2001, 533 p.
  83. O.C., Зимина C.B. «Исследование характеристик алгоритма Хэбба в задачах обработки радиосигналов», Успехи современной радиоэлектроники, № 6, 2006, с. 23−27.
  84. R.P., Bakman P., «Adaptive neural net preprocessing for signal detection in non-Gaussian noise,» Adv. Neural Inform. Processing Syst., vol. l, pp. 124—132,1989.
  85. E., Umesh S., Tufts D.W., «Multistage neural network structure for transient detection and feature extraction,» Proceedings of IEEE Int. Conf. Acoustics, Speech, and Signal Processing, 1993, pp. 489−492.
  86. Luo F.-L., Unbehauen R., «Applied Neural Networks for Signal Processing». Cambridge, UK: Cambridge Univ., 1999, 382 p.
  87. Sandberg I.W., Xu L., «Uniform approximation of multidimensional myopic maps,» IEEE Transactions on Circuits Systems, vol. 44, no.6, June 1997, pp. 477−485.
  88. Wan E., «Temporal backpropagation for FIR neural networks,» Proc. IEEE Int. Joint Conf. Neural Networks, vol. 1, 1990, pp. 575−580.
  89. L.A., Puskorius G.V., Moore P.C., «Adaptive behavior for fixed weight networks,» Information Sciences, vol. 98, 1997, pp. 217−235.
  90. Г. Ф., Меркушева A.B. «Совместное использование нейронной сети и вейвлет-преобразования при анализе нестационарного сигнала», Информационные технологии, № 7, 2008.
  91. Suzuki Y., Itakura K.-I., Saga S., Maeda J., «Signal Processing and Pattern Recognition with Soft Computing,» Proceedings of the IEEE, vol. 89, no. 9, September 2001, pp. 1297−1317.
  92. B.B., Смирнов A.A., Червяков Н.И. «Синтез схем цифровой обработки сигналов на основе обучения нейросетевых схем»,
  93. Нейрокомпьютеры: разработка и применение М. Радиотехника, № 5−6, 2004, с. 91−94.
  94. Lo J. T, Yu L, «Recursive Neural Filters and Dynamical Range Transformers,» Proceedings of the IEEE, vol. 92, no. 3, March 2004, pp. 514 535.
  95. Sweatman C.Z.W.H, Mulgrew B, Gibson G. J, «Two Algorithms for Neural-Network Design and Training with Application to Channel Equalization,» IEEE Transactions on Neural Networks, vol. 9, no. 3, May 1998, pp. 533−543.
  96. Chuah T. C, Sharif B. S, Hinton O. R, «Robust Adaptive Spread-Spectrum Receiver with Neural-Net Preprocessing in Non-Gaussian Noise,» IEEE Transactions on Neural Networks, vol. 12, no. 3, May 2001, pp. 546−558.
  97. Джанг X, Квак K. C, «Применение рекуррентных нейронных сетей в адаптивном выравнивании каналов связи», Радиотехника, № 3, 2003, с. 20−31.
  98. Wang X, Lu J, Sekiya H, Yahagi T, «A Compensating Method Based on SOM for Nonlinear Distortion in 16 QAM-OFDM System,» IEEE International Conference on Multimedia and Expo, 2004, June 2004, pp. 18 991 902 (vol.3).
  99. Park D.- Jeong T. J, «Complex-Bilinear Recurrent Neural Network for Equalization of a Digital Satellite Channel,» IEEE Transactions on Neural Networks, 13, 2002, pp. 711−725.
  100. Choi J, Bouchard M, Yeap Т. H, «Decision Feedback Recurrent Neural Equalization with Fast Convergence Rate,» IEEE Transactions on Neural Networks, vol. 16, no. 3, May 2005, 699−708.
  101. Choi J, Lima A.C. de C, Haykin S, «Kalman Filter-Trained Recurrent Neural Equalizers for Time-Varying Channels,» IEEE Transactions on Communications, vol. 53, no. 3, March 2005, pp. 472−480.
  102. Самой л ин E.A. «Нейросетевые алгоритмы помехоустойчивого восстановления информационных процессов в приемных устройствах систем цифровой радиосвязи», Нейрокомпьютеры: разработка и применение-М.Радиотехника, № 1−2, 2008, с. 51−56.
  103. ЮЗ.Картамышев А. В, Малыхина Г. В. «Методика удаления шума в измерителе параметров эталонных излучателей», Нейрокомпьютеры: разработка и применение М. Радиотехника, № 6, 2007, с. 54−60.
  104. Ко Н, Jacyna G. M, «Dynamical Behavior of Autoassociative Memory Performing Novelty Filtering for Signal Enhancement,» IEEE Transactions on Neural Networks, vol. 11, no. 5, September 2000, pp. 1152−1161.
  105. Aiello A, Grimaldi D, «Frequency Error Measurement in GMSK Signals in a Multipath Propagation Environment», IEEE Transactions on Instrumentation and Measurement, vol. 52, no. 3, June 2003, pp. 938−945.
  106. Hirose A, Nagashima T, «Predictive Self-Organizing Map for Vector Quantization of Migratory Signals and Its Application to Mobile
  107. Communications,» IEEE Transactions on Neural Networks, vol. 14, no. 6, November 2003, pp. 1532−1539.
  108. Yang C.-Q., Zhong Z.-F., Yang J.-A., «Recognition of digital modulation using Radial Basis Function neural networks,» Proceedings of International Conference on Machine Learning and Cybernetics, November 2003, pp. 30 123 015 (vol.5).
  109. Wong M.L.D., Nandi A.K., «Automatic digital modulation recognition using spectral and statistical features with multi-layer perceptrons,» Sixth International, Symposium on Signal Processing and its Applications, August 2001 pp. 390−393 (vol.2).
  110. Wu Y., Ge L., Liu F., «Comprehensive features based digital modulation identification using a neural tree network,» Proceedings of International Conference on Communications, Circuits and Systems, May 2005, pp. 748 752.
  111. O.Kim N., Kehtamavaz N., Yeary M.B., Thornton S., «DSP-Based Hierarchical Neural Network Modulation Signal Classification,» IEEE Transactions on Neural Networks, 14, 2003, 1065−1071.
  112. I.Provence J.D., «Implementation for an Adaptive Maximum-Likelihood Receiver,» IEEE International Symposium on Circuits and Systems, June 1988, pp. 2381−2385 (vol.3).
  113. D.S., Birdsall T.G., «Quadrature-Quadrature Phase-Shift Keying,» IEEE Transactions on Communications, vol. 31, no. 5, May 1989, pp. 437−448.
  114. S., Soliman S.S., «Adaptive ML Neural Network Based Receiver for Q2PSK Modulated Data-Transmission Systems,» IEEE 39th Vehicular Technology Conference, 1989, pp. 263−269.
  115. А.И., Соколов Г. Г. «Особенности синтеза устройств обнаружения и оценки параметров сигналов нейросетевыми методами», Радиотехника, № 7, 2001, с. 22−29.
  116. Ко К., Choi S., Kang С., Hong D., «RBF Multiuser Detector with Channel Estimation Capability in a Synchronous MC-CDMA System,» IEEE Transactions on Neural Networks, vol. 12, no. 6, November 2001, pp. 15 361 539.
  117. M.G., Amindavar H., «Multiuser detection in DS/CDMA systems using neural networks», IEEE Seventh International Symposium on Spread Spectrum Techniques and Applications, 2−5 Sept. 2002, pp. 506−510 (vol.2).
  118. J.D., Psaromiligkos I.N., Batalama S.N., Medley M.J., «Fast Converging Minimum Probability of Error Neural Network Receivers for DS-CDMA Communications,» IEEE Transactions on Neural Networks, vol. 15, no. 2, March 2004, pp. 445−454.
  119. P.P., Ramamurti V., «Neural networks for signal detection in non-Gaussian noise,» IEEE Transactions on Signal Processing, vol. 45, no. 11, November 1997, pp. 2846−2851.
  120. Fernandes M.A.C., Neto A.D.D., Bezerra J.B., «A neural network model applied to the detection of digital signals,» Telecommunications Symposium, 1998. ITS '98 Proceedings. SBT/IEEE International, Aug. 1998, vol.1, pp. 279−283.
  121. LeCun Y., Bengio Y., «Convolution networks for images, speech, and time series,» in The Handbook of Brain Theory and Neural Networks, M. A. Arbib, Ed. Cambridge, MA: MIT, 1995.
  122. S., Bhattacharya Т.К., «Modular learning strategy for signal detection in a nonstationary environment,» IEEE Transactions on Signal Processing, vol. 45, June 1997, pp. 1619−1637.
  123. C.H., Пантелеев C.B., Кузякина Н. Ю., «Определение оптимальной разрядности устройств с нейросетевой архитектурой при обработке цифровых радиосигналов», Радиотехника, № 11, 2006, с. 72−74.
  124. Н., Hennessey G., Drosopoulos A., «Signal Detection Using the Radial Basis Function Coupled Map Lattice,» IEEE Transactions on Neural Networks, vol. 11, no. 5, September 2000, pp. 1133−1151.
  125. Д.Г., Сафонов A.B., Прохоркин А. Г., «Моделирование задачи распознавания целей по их радиолокационным изображениям нейросетевым способом», Радиотехника, № 2, 2007, с. 3−9.
  126. Д.А., Умнов A.JL, Яшнов В. А., «Применение нейронных АРТ-сетей для интерпретации данных нелинейной радиоволновой локации», Труды Научной конференции по радиофизике, Нижний Новгород: ННГУ, 2003, с. 34−35.
  127. J., «Speech Recognition using Neural Networks,» School of Computer Science Carnegie Mellon University Pittsburgh, Pennsylvania, 1995, 180 p.
  128. S., Endo M., Sone Т., Kido K., «Continuous speech recognition with modified learning vector quantization algorithm and two-level DP-matching,» IEEE International Conference on Acoustics, Speech, and Signal Processing, 1992, vol.1, pp. 597−600.
  129. S., Sawai H., Sugiyama M., «Speaker-Independent Phoneme Recognition Using Large-scale Neural Networks,» IEEE International Conference on Acoustics, Speech, and Signal Processing, 1992, vol.1, pp. 409 412.
  130. A., Hanazawa Т., Hinton G., Shikano K., Lang K., «Phoneme Recognition Using Time-Delay Neural Networks,» IEEE Transactions on Acoustics, Speech, and Signal Processing, vol. 37 no. 3, March 1989.
  131. A.A., Кнеллер Э. Г., «Распознавание ключевых слов в потоке слитной речи на основе нейросетевых технологий», Нейрокомпьютеры: разработка и применение-М.Радиотехника, № 8−9, 2005, с. 88−97.
  132. Becchetti С., Ricotti L.R., Speech Recognition Theory and C++ Implementation. John Wiley & Sons Ltd, 1999.
  133. J., «Spectral Linear Prediction: Properties and Applications,» IEEE Transactions on acoustics, speech, and signal processing, June 1975, v. ASSP-23, no. 3, pp. 283−296.
  134. Слуховая система, ред. Альтман Я. А., Л.:Наука, 1990, 620 с.
  135. В., Healy М., Tukey J., «The Quefrency Alanysis of Time Series for Echoes,» Proceedings of the Symposium on Time Series Analysis, Rosenblatt, Ed., J. Wiley, New York, 1963, Ch. 15, pp. 209−243.
  136. Л.Р., Шафер P.B., «Цифровая обработка речевых сигналов», М.: Радио и связь, 1981, 495 с.
  137. Цифровая обработка телевизионных и компьютерных изображений. Под ред. Ю. Б. Зубарева, Дворковича В. П., М.: Международный центр научной и технической информации, 1997, 212 с.
  138. НО.Дремин И. М., Иванов О. В., Нечитайло В. А., «Вейвлеты и их использование», Успехи физических наук, 2001, № 5, т. 171, с. 465−501.
  139. Veelenturf L.P.J., «Analysis and Applications of Artificial Neural Networks,» Prentice Hall, 1995, 259 p.
  140. П.Е., Сёмин Ю. А., «Влияние способа параметризации звукового сигнала на эффективность распознавания фонем персептроном», Известия ВУЗов. Радиофизика, Нижний Новгород, 2007,. Том L, № 4, стр. 350−356.
  141. S., «Digital Speech Processing, Synthesis and Recognition», 2nd Edition, Revised and Expanded, New York: Marcel Dekker, 2001, 452 p.
  142. Системы фазовой синхронизации с элементами дискретизации / Под ред. Шахгильдяна В. В. М.: Радио и связь. 1989, 320 с.
  143. О. А., Овчинников П. Е., «Метод декодирования фазоманипулированных сигналов по комплексной огибающей на основе искусственной нейронной сети», Радиотехника и электроника, 2007, том 52, № 11, с. 1371−1375.
  144. Gupta М.М., Jin L., Homma N., Static and Dynamic Neural Networks. Hoboken: John Wiley & Sons, 2003, 722 p.
  145. О.А., Овчинников П. Е., «Применение искусственной нейронной сети для декодирования ФМ-сигналов», Электроника и информатика — 2005. Тезисы доклада V Межд. Науч.-техн. конф., МИЭТ, Зеленоград, 2005, ч.2, с. 19.
  146. О. А., Овчинников П. Е., Сёмин Ю.А, «Детектирование фазоманипулированного сигнала с применением искусственнойнейронной сети», Вестник ННГУ. Радиофизика. Выпуск 1(3), 2005, с. 143−147.
  147. O.A., Овчинников П. Е., Сёмин Ю. А., «Нейросетевое детектирование фазоманипулированного сигнала по фазовой линии», Вестник Нижегородского университета им. Н. И. Лобачевского, 2007, № 3, с. 67−70.
  148. О., Ovchinnikov P., «Neural Network Detection and Decoding of PSK Signals», Proceedings of the 3rd International Symposium on Communications, Control and Signal Processing (ISCCSP 2008), pp. 292−294, ISBN: 978−1-4244−1688−2.
  149. J.A., Skapura D.M., «Neural networks: algorithms, applications, and programming techniques,» Addison-Wesley Publishing Company, 1991, 401 P
  150. П.Е., Сёмин Ю. А., «Ускорение обучения многослойного персептрона в задаче классификации фонем», Проблемы нейрокибернетики (материалы 14-ой Международной конференции по нейрокибернетике), Ростов-на-Дону, 2005, т. 2. с. 128−132.
Заполнить форму текущей работой

Пора сдавать?