一种用于PCA与MCA的神经网络学习算法

主元分析（ＰＣＡ）和次元分析（ＭＣＡ）是用于特征提取、数据压缩、频率估计、曲线拟合等信号处理的基本技术．以神经网络来实现ＰＣＡ和ＭＣＡ是当今研究的一大热点，相关矩阵Ｒ的特征值重数不为１时的主、次元分析则是其中一大难题．本文提出了一种新的学习算法，使得在输入数据的相关矩阵含多重特征值时。

通信侦察中基于神经网络的伪码序列估计

针对直接序列扩频通信信号伪噪声(PN)码的干扰侦察问题,在已知信号伪码参数的前提下对直扩信号进行特征分析,用基于变步长的PCA神经网络方法来实现伪码序列的盲估计。该方法利用基于Hebb学习规则的无监督多主分量神经网络,结合自适应变步长学习算法,在估计在线特征值的基础上来控制步长的变化,以使神经网络最终达到较好的稳态收敛。理论分析和仿真结果表明,本方法能在较低信噪比的情况下对较长伪码进行准确的估计。

特征向量计算的神经网络方法

矩阵特征向量计算在实际问题中有着广泛应用．本文采用神经网络计算方法来研究主元分析（ＰＣＡ）和次元分析（ＭＣＡ）问题．我们首先考虑单神经元的情况（ｐ＝１），给出了求矩阵最大特征元和最小特征元的算法．然后对多神经元情形（ｐ＞１），给出了抽取矩阵主元和次元的算法．和目前许多已知的算法不一样，在我们ＰＣＡ的算法中改变矩阵的负号就能够得到ＭＣＡ问题的解．