神經網路信號去雜訊

Ⅰ 用小波分析法除去音頻信號的雜訊

小波變換及其應用是八十年代後期發展起來的應用數學分支，被稱為「Fourier分析方法的突破性進展[1]」。 1986年Meyer Y構造了一個真正的小波基，十多年間小波分析及其應用得到了迅速發展，原則上傳統的傅里葉分析可用小波分析方法取代[2],它能對幾乎所有的常見函數空間給出通過小波展開系數的簡單刻劃，也能用小波展開系數描述函數的局部光滑性質，特別是在信號分析中，由於它的局部分析性能優越，因而在數據壓縮與邊緣檢測等方面它比現有的手段更為有效[3-8]。 小波變換在圖像壓縮中的應用因它的高壓縮比和好的恢復圖像質量而引起了廣泛的注意，且出現了各種基於小波變換的圖像壓縮方案。
小波變換自1992年Bos M等[9]首先應用於流動注射信號的處理，至今雖才8年時間，但由於小波變換其優良的分析特性而迅速滲透至分析化學信號處理的各個領域。本文介紹了小波變換的基本原理及其在分析化學中的應用情況。
1 基本原理
設f(t)為色譜信號，其小波變換在L2(R)中可表示為：

其中a, b∈R,a≠0,參數a稱為尺度因子b為時移因子，而(Wf)(b, a)稱為小波變換系數，y(t)為基本小波。在實際分析化學信號檢測中其時間是有限長度，f(t)通常以離散數據來表達，所以要採用Mallat離散演算法進行數值計算，可用下式表示：
fj+1=θj + f j
其中:N為分解起始尺度;M為分解次數；fj和qj可由下式求得：

此處:Φj, m為尺度函數;Ψj, m 為小波函數;系數Cmj ,dmj可由下式表達：

hk-2m , gk-2m取決於小波母函數的選取。
用圖表示小波分解過程如下：

圖中fN 、fN-1....fN-m和θN-1、θN-2....θN-m分別稱為在尺度N上的低頻分量和高頻分量。上述分解過程的逆過程即是信號的重構過程。
2 分析化學中的應用
根據小波變換基本原理及其優良的多分辯分析特性，本文將小波變換在分析化學信號處理中的應用劃歸為以下三個方面：
2.1 信號的濾波
小波濾波方法目前在分析化學中應用主要是小波平滑和小波去噪兩種方法。小波平滑是將某一信號先經小波分解，將在時間域上的單一信號分解為一系列不同尺度上的小波系數(也稱不同頻率上的信號), 然後選定某一截斷尺度，使高於此尺度的小波系數全部為零，再重構信號，這樣就完成了一個低通小波濾波器的設計；而小波去噪，則是在小波分解基礎上選定一閾值，對所有尺度空間的小波系數進行比較，使小於此閾值的小波系數為零，然後重構信號[10]。
邵利民[11]等首次將小波變換應用於高效液相色譜信號的濾波，他們應用了Haar小波母函數，由三次小波分解後所得的低頻部分重構色譜信號，結果成功地去除了雜訊，明顯地提高了色譜信號的信噪比，而色譜峰位保持一致，此法提高了色譜的最低檢測量和色譜峰的計算精度。董雁適[12]等提出了基於色譜信號的小波自適應濾波演算法，使濾波與雜訊的頻帶分布，強度及信噪在頻帶上的交迭程度基本無關，具有較強的魯棒性。
在光譜信號濾噪中的應用，主要為紅外光譜和紫外光譜信號濾噪方面的應用，如Bjorn K A[13]等將小波變換用於紅外光譜信號的去噪，運用6種不同的小波濾噪方法(SURE，VISU，HYBRID，MINMAX，MAD和WP)對加噪後紅外光譜圖進行了去噪,針對加噪與不加噪的譜圖，對Fourier變換、移動平均濾波與小波濾波方法作了性能比較研究，結果認為Fourier變換、移動平均濾波等標准濾波方法在信噪比很低時濾噪性能與小波濾波方法差不多，但對於高信噪比的信號用小波濾噪方法(特別是HYBRID和VISU)則更有效 。閔順耕[14]等對近紅外漫反射光譜進行了小波變換濾波。顧文良[15]等對示波計時電信號進行了濾噪處理。王立世[16]等對電泳信號也做了小波平滑和去噪,都取得了滿意的效果。鄒小勇[17]等利用小波的時頻特性去除了階躍伏安信號中的噪音，並提出了樣條小波多重濾波分析方法，即將過濾後的高頻噪音信號當成原始信號進行濾波處理，使之對有用信號進行補償。鮑倫軍等[18]將樣條小波和傅里葉變換聯用技術應用於高噪音信號的處理。另外，程翼宇[19]等將紫外光譜信號的濾噪和主成分回歸法進行了有機的結合，提出了小波基主成分回歸(PCRW)方法，改善了主成分回歸演算法。
2.1 信號小波壓縮
信號經小波分解之後，噪音信號會在高頻部分出現，而對於有用的信號分量大部分在低頻部分出現，據此可以將高頻部分小波系數中低於某一閾值的系數去除，而對其餘系數重新編碼，只保留編碼後的小波系數，這樣可大大減少數據貯存量，達到信號壓縮的目的。
在近代分析化學中分析儀器的自動化水平在不斷提高，分析儀器所提供的數據量越來越大。尋找一種不丟失有效信息的數據壓縮方法，節省數據的貯存量，或降低與分析化學信息處理有關的一些演算法的處理量，已成為人們關心的問題。Chau F T等[20]用快速小波變換對模擬和實驗所得的紫外可見光譜數據進行了壓縮，討論了不同階數的Daubechies小波基、不同的分解次數及不同的閾值對壓縮結果的影響。Barclay V J和Bonner R F[10]對實驗光譜數據作了壓縮，壓縮率可達1/2~1/10,並指出在數據平滑和濾噪的同時，也能進行數據的壓縮是小波有別與其他濾波方法的一大特點。王洪等[21]用Daubechies二階正交小波基對聚乙烯紅外光譜進行了成功的壓縮，數據可壓縮至原來的1/5以下。邵學廣等[22]對一維核磁共振譜數據作了小波變換壓縮，分別對常用的Haar、Daubechies以及Symmlet小波基作了比較，其結果表明准對稱的Symmlet小波基對數據的復原效果最佳，而且在壓縮到64倍時，均方差仍然較小。章文軍等[23]提出了常用小波變換數據壓縮的三種方法，將緊支集小波和正交三次B-樣條小波壓縮4-苯乙基鄰苯二甲酸酐的紅外光譜數據進行了對比，計算表明正交三次B-樣條小波變換方法效果較好，而在全部保留模糊信號及只保留銳化信號中數值較大的系數時，壓縮比大而重建光譜數據與原始光譜數據間的均方差較小。邵學廣等[24]將小波數據壓縮與窗口因子分析相結合，在很大程度上克服了用窗口因子分析直接處理原始信號時人工尋找最佳窗口的困難，在壓縮比高達8:1的情況下，原始信號中的有用信息幾乎沒有丟失，窗口因子分析的解析時間大為縮短。Bos M等[25]用Daubechies小波對紅外光譜數據進行壓縮，壓縮後的數據作為人工神經網路演算法的輸入接點，從而提高了人工神經網路的訓練速度，預測的效果也比直接用光譜數據訓練的要好。
2.3 小波多尺度分析
在多尺度分析方面的應用主要是對化學電信號進行小波分解，使原來單一的時域信號分解為系列不同頻率尺度下的信號，然後對這些信號進行分析研究。
小波在色譜信號處理方面的應用，主要是對重疊色譜峰的解析。邵學廣[26-27]等對苯、甲苯、乙苯三元體系色譜重疊峰信號小波變換後的某些頻率段進行放大，然後重構色譜信號，使重疊色譜峰得到了分離，定量分析結果得到了良好的線性關系。此後邵學廣[28]等利用了譜峰提取法對植物激素重疊色譜峰作了定量計算，此法表明，利用小波變換從重疊色譜信號中提取的各組分的峰高與濃度之間仍然具有良好的線性關系。
重疊伏安峰的分辨是電分析化學中一個長期存在的難題。當溶液中存在兩種或更多的電活性物質，而這些物質的氧化(或還原)電位又很靠近時，就會不可避免地出現重疊峰的現象，而給進一步的定性、定量分析帶來了很大困難。因此，人們做了較多的工作去解決這一難題。數學方法是目前處理重疊峰的重要手段，如Fourier變換去卷積以及曲線擬合。曲線擬合通常用來獲得「定量」的信息，但這種方法有較多的人為因素，重疊峰包含的峰的個數，相對強度都是靠假設得來，因而可能引入嚴重的誤差；去卷積方法則是一種頻域分析手段，但該方法需先找出一個函數來描述伏安峰，然後再根據這個函數來確定去卷積函數，因此，去卷積函數的確定是比較麻煩的，尤其是對不可逆電極過程，無法找到一個合適的函數表達式，而且該方法還需經正、反Fourier變換，比較繁瑣費時, 而小波分析的出現成了電分析化學家關注的熱點。
陳潔等[29]用DOG小波函數處理差分脈沖實驗數據，通過選擇合適的伸縮因子，成功地延長了用DPV法測定Cu2+的線性范圍。鄭建斌等[30-31]將小波變換用於示波計時電位信號的處理，在有用信息提取、重疊峰分辨等方面進行了系統的研究。王洪等[32]將小波邊緣檢測的思想用於電位滴定終點的確定，找到了一種判斷終點准確的終點判斷方法。鄭小萍等[33]將樣條小波變換技術用於分辨重疊的伏安峰，以選定的分辨因子作用於樣條小波濾波器，構造了一個小波峰分辨器，用它來直接處理重疊的伏安峰，取得了較好的分離效果，被處理重疊峰可達到完全基線分離，且峰位置和峰面積的相對誤差均較小。
對於紅外光譜圖，目前也是通過對紅外譜圖進行小波分解，以提高紅外譜圖的分辯率。陳潔[34]等對輻射合成的丙烯醯胺、丙烯酸鈉共聚物水凝膠的紅外光譜信號經小波處理後，使其特徵吸收帶較好地得到分離，成功地提高了紅外光譜圖的解析度。謝啟桃[35]等對不同晶型聚丙烯紅外光譜圖作了小波變換，也得到了可用以區分聚丙烯a、b兩晶型的紅外光譜圖。
3 展望
小波變換由於其優良的局部分析能力，使其在分析化學信號的濾噪、數據壓縮和譜峰的分離方面得到了很好的應用。本人通過對小波變換在化學中應用的探索，認為對於分析化學中各種電信號的平滑、濾波還有待作更深入的研究，以設計出更為合理有效的小波濾波器，以消除由於平滑而導至的尖銳信號的峰高及峰面積的變化或由於去噪而帶來的尖銳信號附近的不應有的小峰的出現；對於重疊峰的分離及其定量計算，還應該探討如色譜峰基線的確定方法以及待分離頻率段的倍乘系數的確定方法；另外對於色譜峰的保留指數定性問題，由於不同化合物在某一確定的分析條件下有可能會出現保留值相同的情況，這將使在未知樣中加標準的峰高疊加法定性或外部標准物對照定性變得困難，我們是否可能對色譜峰進行小波分解，然後在不同的尺度上對其進行考察，以尋求色譜峰的小波定性方法，這可能是個可以進一步研究的問題。
小波變換將在分析化學領域得到更加廣泛的應用，特別對於分析化學中的多元定量分析法，如多元線性回歸法(MLR)，主成分回歸法(PCR)，偏最小二乘法(PLS)等方法及人工神經網路(ANN)將會同小波變換進行有機的結合，以消除各種雜訊干擾對定量分析的影響；或對相關數據進行壓縮以減少待分析數據的冗餘，提高分析精度和大大減少計算量提高分析速度。小波變換將會成為分析化學中定量和定性分析的一種非常重要的工具。

Ⅱ BP神經網路輸出層的輸入信號問題

閾值肯定是要包含進來的，閾值的作用就是控制神經元的激活或抑制狀態。神經網路是模仿大腦的神經元，當外界刺激達到一定的閥值時，神經元才會受刺激，影響下一個神經元。
簡單說來是這樣的：超過閾值，就會引起某一變化，不超過閾值，無論是多少，都不產生影響。

閾值又叫臨界值，是指一個效應能夠產生的最低值或最高值。

閾值又稱閾強度，是指釋放一個行為反應所需要的最小刺激強度。低於閾值的刺激不能導致行為釋放。在反射活動中，閾值的大小是固定不變的，在復雜行為中，閾值則受各種環境條件和動物生理狀況的影響。當一種行為更難於釋放時，就是閾值提高了；當一種行為更容易釋放時，就是閾值下降了。

Ⅲ 誰有深度學慣用來圖像去噪matlab 代碼

如下：
1）迭代一次需要200秒左右，錯誤率大約為11%
2）迭代一百次後錯誤率大約為1.2%
3）構建神經網路並進行訓練，以CNN結構體的形式保存
4）用已知的訓練樣本進行測試

Ⅳ 如何通過儀器辨別某個人的聲音

所謂聲紋(Voiceprint)，是用電聲學儀器顯示的攜帶言語信息的聲波頻譜。
人類語言的產生是人體語言中樞與發音器官之間一個復雜的生理物理過程，人在講話時使用的發聲器官--舌、牙齒、喉頭、肺、鼻腔在尺寸和形態方面每個人的差異很大，所以任何兩個人的聲紋圖譜都有差異。每個人的語音聲學特徵既有相對穩定性，又有變異性，不是絕對的、一成不變的。這種變異可來自生理、病理、心理、模擬、偽裝，也與環境干擾有關。盡管如此，由於每個人的發音器官都不盡相同，因此在一般情況下，人們仍能區別不同的人的聲音或判斷是否是同一人的聲音。
聲紋識別及其應用
聲紋識別的應用有一些缺點，比如同一個人的聲音具有易變性，易受身體狀況、年齡、情緒等的影響；比如不同的麥克風和信道對識別性能有影響；比如環境噪音對識別有干擾；又比如混合說話人的情形下人的聲紋特徵不易提取；……等等。盡管如此，與其他生物特徵相比，聲紋識別的應用有一些特殊的優勢：(1)蘊含聲紋特徵的語音獲取方便、自然，聲紋提取可在不知不覺中完成，因此使用者的接受程度也高；(2)獲取語音的識別成本低廉，使用簡單，一個麥克風即可，在使用通訊設備時更無需額外的錄音設備；(3)適合遠程身份確認，只需要一個麥克風或電話、手機就可以通過網路(通訊網路或互聯網路)實現遠程登錄；(4)聲紋辨認和確認的演算法復雜度低；(5)配合一些其他措施，如通過語音識別進行內容鑒別等，可以提高准確率；……等等。這些優勢使得聲紋識別的應用越來越收到系統開發者和用戶青睞，聲紋識別的世界市場佔有率15.8%，僅次於手指和手的生物特徵識別，並有不斷上升的趨勢。
1。聲紋識別的分類
聲紋識別(Voiceprint Recognition, VPR)，也稱為說話人識別(Speaker Recognition)，有兩類，即說話人辨認(Speaker Identification)和說話人確認(Speaker Verification)。前者用以判斷某段語音是若幹人中的哪一個所說的，是「多選一」問題；而後者用以確認某段語音是否是指定的某個人所說的，是「一對一判別」問題。不同的任務和應用會使用不同的聲紋識別技術，如縮小刑偵范圍時可能需要辨認技術，而銀行交易時則需要確認技術。不管是辨認還是確認，都需要先對說話人的聲紋進行建模，這就是所謂的「訓練」或「學習」過程。
從另一方面，聲紋識別有文本相關的(Text-Dependent)和文本無關的(Text-Independent)兩種。與文本有關的聲紋識別系統要求用戶按照規定的內容發音，每個人的聲紋模型逐個被精確地建立，而識別時也必須按規定的內容發音，因此可以達到較好的識別效果，但系統需要用戶配合，如果用戶的發音與規定的內容不符合，則無法正確識別該用戶。而與文本無關的識別系統則不規定說話人的發音內容，模型建立相對困難，但用戶使用方便，可應用范圍較寬。根據特定的任務和應用，兩種是有不同的應用范圍的。比如，在銀行交易時可以使用文本相關的聲紋識別，因為用戶自己進行交易時是願意配合的；而在刑偵或偵聽應用中則無法使用文本相關的聲紋識別，因為你無法要求犯罪嫌疑人或被偵聽的人配合。
在說話人辨認方面，根據待識別的說話人是否在注冊的說話人集合內，說話人辨認可以分為開集(open-set)辨認和閉集(close-set)辨認。前者假定待識別說話人可以在集合外，而後者假定待識別說話人在集合內。顯然，開集辨認需要有一個對集外說話人的「拒識問題」，而且閉集辨認的結果要好於開集辨認結果。本質上講，說話人確認和開集說話人辨認都需要用到拒識技術，為了達到很好的拒識效果，通常需要訓練一個假冒者模型或背景模型，以便拒識時有可資比較的對象，閾值容易選定。而建立背景模型的好壞直接影響到拒識甚至聲紋識別的性能。一個好的背景模型，往往需要通過預先採集好的若干說話人的數據，通過某種演算法去建立。
如果技術達到一定的水平，可以把文本相關識別並入文本無關識別，把閉集辨認並入開集辨認，從而提供更為方便的使用方法。比如北京得意音通技術有限公司的「得意」身份證就是文本無關的、開集方式的說話人辨認和確認，「得意」身份證SDK還提供建立背景模型的工具。
2。聲紋識別的關鍵問題
聲紋識別可以說有兩個關鍵問題，一是特徵提取，二是模式匹配(模式識別)。
特徵提取的任務是提取並選擇對說話人的聲紋具有可分性強、穩定性高等特性的聲學或語言特徵。與語音識別不同，聲紋識別的特徵必須是「個性化」特徵，而說話人識別的特徵對說話人來講必須是「共性特徵」。雖然目前大部分聲紋識別系統用的都是聲學層面的特徵，但是表徵一個人特點的特徵應該是多層面的，包括：(1)與人類的發音機制的解剖學結構有關的聲學特徵(如頻譜、倒頻譜、共振峰、基音、反射系數等等)、鼻音、帶深呼吸音、沙啞音、笑聲等；(2)受社會經濟狀況、受教育水平、出生地等影響的語義、修辭、發音、言語習慣等；(3)個人特點或受父母影響的韻律、節奏、速度、語調、音量等特徵。從利用數學方法可以建模的角度出發，聲紋自動識別模型目前可以使用的特徵包括：(1)聲學特徵(倒頻譜)；(2)詞法特徵(說話人相關的詞n-gram，音素n-gram)；(3)韻律特徵(利用n-gram描述的基音和能量「姿勢」)；(4)語種、方言和口音信息；(5)通道信息(使用何種通道)；等等。
根據不同的任務需求，聲紋識別還面臨一個特徵選擇或特徵選用的問題。例如，對「信道」信息，在刑偵應用上，希望不用，也就是說希望弱化信道對說話人識別的影響，因為我們希望不管說話人用什麼信道系統它都可以辨認出來；而在銀行交易上，希望用信道信息，即希望信道對說話人識別有較大影響，從而可以剔除錄音、模仿等帶來的影響。
總之，較好的特徵，應該能夠有效地區分不同的說話人，但又能在同一說話人語音發生變化時保持相對的穩定；不易被他人模仿或能夠較好地解決被他人模仿問題；具有較好的抗噪性能；……。當然，這些問題也可以通過模型方法去解決。
對於模式識別，有以下幾大類方法：
(1)模板匹配方法：利用動態時間彎折(DTW)以對准訓練和測試特徵序列，主要用於固定片語的應用(通常為文本相關任務)；
(2)最近鄰方法：訓練時保留所有特徵矢量，識別時對每個矢量都找到訓練矢量中最近的K個，據此進行識別，通常模型存儲和相似計算的量都很大；
(3)神經網路方法：有很多種形式，如多層感知、徑向基函數(RBF)等，可以顯式訓練以區分說話人和其背景說話人，其訓練量很大，且模型的可推廣性不好；
(4)隱式馬爾可夫模型(HMM)方法：通常使用單狀態的HMM，或高斯混合模型(GMM)，是比較流行的方法，效果比較好；
(5)VQ聚類方法(如LBG)：效果比較好，演算法復雜度也不高，和HMM方法配合起來更可以收到更好的效果；
(6)多項式分類器方法：有較高的精度，但模型存儲和計算量都比較大；
(7)……
聲紋識別需要解決的關鍵問題還有很多，諸如：短話音問題，能否用很短的語音進行模型訓練，而且用很短的時間進行識別，這主要是聲音不易獲取的應用所需求的；聲音模仿(或放錄音)問題，要有效地區分開模仿聲音(錄音)和真正的聲音；多說話人情況下目標說話人的有效檢出；消除或減弱聲音變化(不同語言、內容、方式、身體狀況、時間、年齡等)帶來的影響；消除信道差異和背景噪音帶來的影響；……此時需要用到其他一些技術來輔助完成，如去噪、自適應等技術。
對說話人確認，還面臨一個兩難選擇問題。通常，表徵說話人確認系統性能的兩個重要參數是錯誤拒絕率和錯誤接受率，前者是拒絕真正說話人而造成的錯誤，後者是接受集外說話人而造成的錯誤，二者與閾值的設定相關。在現有的技術水平下，兩者無法同時達到最小，需要調整閾值來滿足不同應用的需求，比如在需要「易用性」的情況下，可以讓錯誤拒絕率低一些，此時錯誤接受率會增加，從而安全性降低；在對「安全性」要求高的情況下，可以讓錯誤接受率低一些，此時錯誤拒絕率會增加，從而易用性降低。前者可以概括為「寧錯勿漏」，而後者可以「寧漏勿錯」。我們把真正閾值的調整稱為「操作點」調整。好的系統應該允許對操作點的自由調整。
3。聲紋識別的應用
聲紋識別可以應用的范圍很寬，可以說聲紋識別幾乎可以應用到人們日常生活的各個角落。比如下面舉幾個例子。
(1)信息領域。比如在自動總機系統中，把「得意」身份證之聲紋辨認(www.d-ear.com/Technologies&Procts/Procts-d-Ear%20ID_ch.htm)和「得意」關鍵詞檢出器(http://www.d-ear.com/Technologies&Procts/Procts-d-Ear%20Word-Spotter_ch)結合起來，可以在姓名自動撥號的同時向受話方提供主叫方的身份信息。前者用於身份認證，後者用於內容認證。同樣，聲紋識別技術可以在呼叫中心(Call Center)應用中為注冊的常客戶提供友好的個性化服務。
(2)銀行、證券。鑒於密碼的安全性不高，可以用聲紋識別技術對電話銀行、遠程炒股等業務中的用戶身份進行確認，為了提供安全性，還可以採取一些其他措施，如密碼和聲紋雙保險，如隨機提示文本用文本相關的聲紋識別技術進行身份確認(隨機提示文本保證無法用事先錄好的音去假冒)，甚至可以把交易時的聲音錄下來以備查詢。
(3)公安司法。對於各種電話勒索、綁架、電話人身攻擊等案件，聲紋辨認技術可以在一段錄音中查找出嫌疑人或縮小偵察范圍；聲紋確認技術還可以在法庭上提供身份確認的旁證。
(4)軍隊和國防。聲紋辨認技術可以察覺電話交談過程中是否有關鍵說話人出現，繼而對交談的內容進行跟蹤(戰場環境監聽)；在通過電話發出軍事指令時，可以對發出命令的人的身份進行確認(敵我指戰員鑒別)。目前該技術在國外軍事方面已經有所應用，據報道，迫降在我國海南機場的美軍EP-3偵察機中就載有類似的聲紋識別偵聽模塊。
(5)保安和證件防偽。如機密場所的門禁系統。又如聲紋識別確認可用於信用卡、銀行自動取款機、門、車的鑰匙卡、授權使用的電腦、聲紋鎖以及特殊通道口的身份卡，把聲紋存在卡上，在需要時，持卡者只要將卡插入專用機的插口上，通過一個傳聲器讀出事先已儲存的暗碼，同時儀器接收持卡者發出的聲音，然後進行分析比較，從而完成身份確認。同樣可以把含有某人聲紋特徵的晶元嵌入到證件之中，通過上面所述的過程完成證件防偽。

Ⅳ 什麼是神經網路，舉例說明神經網路的應用

我想這可能是你想要的神經網路吧！

什麼是神經網路：
人工神經網路（Artificial Neural Networks，簡寫為ANNs）也簡稱為神經網路（NNs）或稱作連接模型（Connection Model），它是一種模仿動物神經網路行為特徵，進行分布式並行信息處理的演算法數學模型。這種網路依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。

神經網路的應用：

應用
在網路模型與演算法研究的基礎上，利用人工神經網路組成實際的應用系統，例如，完成某種信號處理或模式識別的功能、構作專家系統、製成機器人、復雜系統控制等等。
縱觀當代新興科學技術的發展歷史，人類在征服宇宙空間、基本粒子，生命起源等科學技術領域的進程中歷經了崎嶇不平的道路。我們也會看到，探索人腦功能和神經網路的研究將伴隨著重重困難的克服而日新月異。

神經網路的研究內容相當廣泛，反映了多學科交叉技術領域的特點。主要的研究工作集中在以下幾個方面：
生物原型
從生理學、心理學、解剖學、腦科學、病理學等方面研究神經細胞、神經網路、神經系統的生物原型結構及其功能機理。
建立模型
根據生物原型的研究，建立神經元、神經網路的理論模型。其中包括概念模型、知識模型、物理化學模型、數學模型等。
演算法
在理論模型研究的基礎上構作具體的神經網路模型，以實現計算機模擬或准備製作硬體，包括網路學習演算法的研究。這方面的工作也稱為技術模型研究。
神經網路用到的演算法就是向量乘法，並且廣泛採用符號函數及其各種逼近。並行、容錯、可以硬體實現以及自我學習特性，是神經網路的幾個基本優點，也是神經網路計算方法與傳統方法的區別所在。

Ⅵ 關於神經網路信號處理

神經元網路應用面很廣，理論上說它可以應用到你能想到的各個領域，神經元網路在信號處理方面的應用我接觸過的有數據壓縮，模式識別，還有很多，前景不錯。

Ⅶ 神經網路與深度神經網路有什麼區別

深度學習的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分布式特徵表示。
多層神經網路是指單計算層感知器只能解決線性可分問題，而大量的分類問題是線性不可分的。克服單計算層感知器這一局限性的有效辦法是，在輸入層與輸出層之間引入隱層（隱層個數可以大於或等於1）作為輸入模式「的內部表示」，單計算層感知器變成多（計算）層感知器。
補充：
深度學習的概念由Hinton等人於2006年提出。基於深信度網(DBN)提出非監督貪心逐層訓練演算法，為解決深層結構相關的優化難題帶來希望，隨後提出多層自動編碼器深層結構。此外Lecun等人提出的卷積神經網路是第一個真正多層結構學習演算法，它利用空間相對關系減少參數數目以提高訓練性能。
深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。

Ⅷ 哪裡能找到神經網路消噪的論文或相關知識

代意義上對神經網路（特指人工神經網路）的研究一般認為從1943年美國芝加哥大學的生理學家W.S. McCulloch和W.A. Pitts提出M-P神經元模型開始，到今年正好六十年。在這六十年中，神經網路的發展走過了一段曲折的道路。1965年M. Minsky和S. Papert在《感知機》一書中指出感知機的缺陷並表示出對這方面研究的悲觀態度，使得神經網路的研究從興起期進入了停滯期，這是神經網路發展史上的第一個轉折。到了20世紀80年代初，J.J. Hopfield的工作和D. Rumelhart等人的PDP報告顯示出神經網路的巨大潛力，使得該領域的研究從停滯期進入了繁榮期，這是神經網路發展史上的第二個轉折。
到了20世紀90年代中後期，隨著研究者們對神經網路的局限有了更清楚的認識，以及支持向量機等似乎更有前途的方法的出現，「神經網路」這個詞不再象前些年那麼「火爆」了。很多人認為神經網路的研究又開始陷入了低潮，並認為支持向量機將取代神經網路。有趣的是，著名學者C.-J. Lin於2003年1月在德國馬克斯·普朗克研究所所做的報告中說，支持向量機雖然是一個非常熱門的話題，但目前最主流的分類工具仍然是決策樹和神經網路。由著名的支持向量機研究者說出這番話，顯然有一種特殊的意味。
事實上，目前神經網路的境遇與1965年之後真正的低潮期相比有明顯的不同。在1965年之後的很長一段時期里，美國和前蘇聯沒有資助任何一項神經網路的研究課題，而今天世界各國對神經網路的研究仍然有大量的經費支持；1965年之後90%以上的神經網路研究者改變了研究方向，而今天無論是國際還是國內都有一支相對穩定的研究隊伍。實際上，神經網路在1965年之後陷入低潮是因為當時該領域的研究在一定意義上遭到了否定，而今天的相對平靜是因為該領域已經走向成熟，很多技術開始走進生產和生活，從而造成了原有研究空間的縮小。
在科學研究中通常有這么一個現象，當某個領域的論文大量涌現的時候，往往正是該領域很不成熟、研究空間很大的時候，而且由於這時候人們對該領域研究的局限缺乏清楚的認識，其熱情往往具有很大的盲目性。從這個意義上說，過去若干年裡各領域研究者一擁而上、各種專業刊物滿眼「神經網路」的風光，其實是一種畸形繁榮的景象，而對神經網路的研究現在才進入了一個比較理智、正常的發展期。在這段時期中，通過對以往研究中存在的問題和局限進行反思，並適當借鑒相關領域的研究進展，將可望開拓新的研究空間，為該領域的進一步發展奠定基礎。