Matlab語言的Neural Network Toolbox 及其在同步中

訓練參數一般都依賴于選擇的訓練函數。兩個重要的參數：net.trainParam.epochs設置所有數據全部用于訓練的最多次數，net.trainParam.show設置訓練函數狀態(tài)報告的時間。例如：

3 在同步中的應用

在加性高斯白噪聲條件下，接收端對信號進行高速采樣，根據香農定理，在一個模擬信號持續(xù)時間內至少要保證4個采樣點，才能完整和準確地恢復信號的信息，由此決定了系統(tǒng)的采樣要求。軟件上主要由若干BP(Back-Propagation)前向神經網絡完成，網絡的個數與算法精度有關。

在搜索長度一定的條件下，根據整個搜索區(qū)間上采樣點個數確定各個神經網絡的輸出節(jié)點數目。使用的網絡個數由捕獲精度來確定，即整個捕獲區(qū)間上劃分為N個搜索相位，則采樣N個網絡并行執(zhí)行。每個網絡都具有相同的一組輸入信號，一個輸出為0或者1。

為體現神經網絡對信號進行捕獲的思想，訓練樣本為不含噪聲的高斯脈沖信號，搜索的相位區(qū)間為6個，識別的結果是6維向量，在出現信號相應得區(qū)間位置上對應的元素為1，其他元素為0，測試樣本信噪比為30dB。圖2是6個不含噪聲的訓練樣本；圖2和圖3左邊是信噪比為30 dB的分別出現在6個不同區(qū)間的測試樣本，右邊是網絡輸出的識別結果，在向量的對應元素上出現尖峰。仿真結果說明在30 dB信噪比的情況下，利用神經網絡能夠準確檢測到信號的出現時刻。由于仿真使用的訓練樣本比較少，神經網絡沒有充分提取樣本的統(tǒng)計特性，也沒有足夠的網絡結構和訓練過程對神經網絡檢測信號能力的影響和噪聲對訓練過程和測試過程及性能的影響。通過仿真看來，在特定情況下神經網絡對信號具有一定的檢測能力。

4 結 語

本文在介紹Matlab神經網絡工具箱的基礎上，結合簡單例子進一步對神經網絡工具箱中的一些函數及神經網絡結構進行解釋和說明。然后利用神經網絡在同步中的應用進行了簡單的說明，并通過仿真驗證了神經網絡在同步中的可行性。