·378 北京科技大学学报 1998年第4潮 列为实验中的具体取值.经训练所得的神经网络权值列于表3中， 表2神经网络的初始设定权值 输出节点i 输人节点) 0 2 3 4 0 0.287456 0.147752 0.842268 0.512968 0.875136 1 0.658413 0.495236 0.175456 0.765132 0.002985 0.452849 0.956525 0.048778 0.324841 0.648222 表3神经网络训练所得权值 输出节点i S输入节点) 0 2 3 4 0 0.964447 0.214894 0.052320 0.021773 0.002964 1 0.794863 0.933018 0.673737 0.146419 0.042125 2 0.831798 0.023317 0.021679 0.018159 0.014314 从以上数据可以看到，自组织特征映射神经网络将输人矢量的特征值抽取出来以权值的： 形式进行存贮.在线辨识时，将输入信号与具有最小输出值的节点所代表的信号归为一类. 2噪声抑制过程 噪声类型辨识完毕后就要采取不同方法进行噪声抑制.其中，白噪声和红噪声利用自适 应抵消器来抑制.通常情况下，自适应抵消器在1个运算周期内要进行权值调整和滤波输出. 若这2个过程同时进行就会花费较多时间.为了减小滤波程序运行时间，将自适应抵消器的 权值圳练和滤波输出过程分开.首先利用(4)式进行权值递推，其中e.由式(5)所定义.当自适 应抵消器的权值基本收敛于理想权值附近时，即停止权值训练，转人滤波输出过程，这时只利 用(5)式计算自适应抵消器的输出值. W+1=W+24e,x (4) e=d-wx (⑤) 式中：W,x分别为时刻j的自适应滤波器的权矢量和输人矢量；d,e,分别为时刻j的自适应滤 波器理想输出值和自适应抵消器的输出值， 双正弦叠加信号的分离实验采用图4的结构.信号输人通道中是有用信号s()和干扰 v(n)的叠加，其表达式为： s(n)v(n)A.sin(an +0)+B.sin(@n +0) (日，*日) (6) 参考通道中的信号s()与s()同频同相，其表达式为： s(m)=C·sin(wn+8) (7) 其中，A,B,C为正数. s(n)+u(n) 利用相位相关的原理可由s(n)近似得 乘法器 LPF y (n) 到s(n).经LPF后，输出为： s(2) ym)=AC/2+[BC·cos(0,-8,】/2(8) 若()与m)正交，设A=KC(K为正数)， 图4双正弦叠加信号分离实验的基本结构