基于RBF神经网络的自适应均衡器研究

在研究基于径向基函数(ＲＢＦ)神经网络的均衡器结构以及传统自适应均衡算法的基础上,提出了两种新的基于ＲＢＦ神经网络的自适应均衡器,并给出了相应的自适应均衡算法。新的均衡器是将判决反馈引入到ＲＢＦ神经网络中以及将Ａｄａｌｉｎｅ网络与ＲＢＦ网络有机的结合而分别构成的,仿真结果表明这两种新算法比基于ＲＢＦ神经网络的自适应均衡算法都具有更好的收敛性能。     

基于图像置乱预处理的小波域盲水印系统

在基于小波域的盲水印系统中，由于小波变换的局部性，致使水印的嵌入可能会给原始图像带来类似于图像压缩中产生的“块效应”。为了在保持强度不变的前提下进一步提高水印的不可视性，提出了一种基于图像置乱预处理的小波域盲水印算法，即先将原始图像置乱，而后再将水印嵌入到图像小波域中，以达到将水印所引入的“块效应”化整为零地分布到图像的不同部分的目的，从而在很大程度上提高了水印视觉上的“不可感知性”。试验证明，这种算法是有效的。另外，经过置乱操作的图像，小波变换后得到的小波高频系数服从高斯分布，这就使得线性相关检测在这个水印系统中能够达到最优。     

非线性逼近的自适应小波神经网络方法

利用小波空间中函数的多分辨率分解思想，构造了一种用于学习的小波网络模型。其中采用具有紧支撑集的尺度函数和小波函数作为激励函数，从理论上得到确定子网络隐层节点数目的依据，解决了传统学习网络隐层节点数难以确定的问题。模型包括初始的学习网络和在训练过程中不断并入的子网络。该模型通过自适应的并入新的子网络来不断提高学习精度，而对新子网络的训练不会影响到已训练成功的原网络的结构。实验也证明，这种网络不但可以精确的表示一般样本集的非线性关系，同样可以实现对混池时间序列的精确学习。     

一种求解非线性方程的新算法

针对具有多个根的非线性方程的求解问题提出一种算法,将方程转换成一个优化问题,利用优化问题的最优值已知一信息来求解这个优化问题,从而达到求解方程的目的。此算法可以从任意初始点出发收敛到方程的一个根,克服了Newton法等要求初始点位于根的附近的缺点,并将算法推广到求解非线性方程组问题上去。