Matlab語言的Neural Network Toolbox 及其在同步中

訓(xùn)練參數(shù)一般都依賴于選擇的訓(xùn)練函數(shù)。兩個(gè)重要的參數(shù)：net.trainParam.epochs設(shè)置所有數(shù)據(jù)全部用于訓(xùn)練的最多次數(shù)，net.trainParam.show設(shè)置訓(xùn)練函數(shù)狀態(tài)報(bào)告的時(shí)間。例如：

3 在同步中的應(yīng)用

在加性高斯白噪聲條件下，接收端對(duì)信號(hào)進(jìn)行高速采樣，根據(jù)香農(nóng)定理，在一個(gè)模擬信號(hào)持續(xù)時(shí)間內(nèi)至少要保證4個(gè)采樣點(diǎn)，才能完整和準(zhǔn)確地恢復(fù)信號(hào)的信息，由此決定了系統(tǒng)的采樣要求。軟件上主要由若干BP(Back-Propagation)前向神經(jīng)網(wǎng)絡(luò)完成，網(wǎng)絡(luò)的個(gè)數(shù)與算法精度有關(guān)。

在搜索長度一定的條件下，根據(jù)整個(gè)搜索區(qū)間上采樣點(diǎn)個(gè)數(shù)確定各個(gè)神經(jīng)網(wǎng)絡(luò)的輸出節(jié)點(diǎn)數(shù)目。使用的網(wǎng)絡(luò)個(gè)數(shù)由捕獲精度來確定，即整個(gè)捕獲區(qū)間上劃分為N個(gè)搜索相位，則采樣N個(gè)網(wǎng)絡(luò)并行執(zhí)行。每個(gè)網(wǎng)絡(luò)都具有相同的一組輸入信號(hào)，一個(gè)輸出為0或者1。

為體現(xiàn)神經(jīng)網(wǎng)絡(luò)對(duì)信號(hào)進(jìn)行捕獲的思想，訓(xùn)練樣本為不含噪聲的高斯脈沖信號(hào)，搜索的相位區(qū)間為6個(gè)，識(shí)別的結(jié)果是6維向量，在出現(xiàn)信號(hào)相應(yīng)得區(qū)間位置上對(duì)應(yīng)的元素為1，其他元素為0，測試樣本信噪比為30dB。圖2是6個(gè)不含噪聲的訓(xùn)練樣本；圖2和圖3左邊是信噪比為30 dB的分別出現(xiàn)在6個(gè)不同區(qū)間的測試樣本，右邊是網(wǎng)絡(luò)輸出的識(shí)別結(jié)果，在向量的對(duì)應(yīng)元素上出現(xiàn)尖峰。仿真結(jié)果說明在30 dB信噪比的情況下，利用神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確檢測到信號(hào)的出現(xiàn)時(shí)刻。由于仿真使用的訓(xùn)練樣本比較少，神經(jīng)網(wǎng)絡(luò)沒有充分提取樣本的統(tǒng)計(jì)特性，也沒有足夠的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練過程對(duì)神經(jīng)網(wǎng)絡(luò)檢測信號(hào)能力的影響和噪聲對(duì)訓(xùn)練過程和測試過程及性能的影響。通過仿真看來，在特定情況下神經(jīng)網(wǎng)絡(luò)對(duì)信號(hào)具有一定的檢測能力。

4 結(jié) 語

本文在介紹Matlab神經(jīng)網(wǎng)絡(luò)工具箱的基礎(chǔ)上，結(jié)合簡單例子進(jìn)一步對(duì)神經(jīng)網(wǎng)絡(luò)工具箱中的一些函數(shù)及神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行解釋和說明。然后利用神經(jīng)網(wǎng)絡(luò)在同步中的應(yīng)用進(jìn)行了簡單的說明，并通過仿真驗(yàn)證了神經(jīng)網(wǎng)絡(luò)在同步中的可行性。