JPH0773194B2 - 適応型フィルタ - Google Patents
適応型フィルタInfo
- Publication number
- JPH0773194B2 JPH0773194B2 JP1039908A JP3990889A JPH0773194B2 JP H0773194 B2 JPH0773194 B2 JP H0773194B2 JP 1039908 A JP1039908 A JP 1039908A JP 3990889 A JP3990889 A JP 3990889A JP H0773194 B2 JPH0773194 B2 JP H0773194B2
- Authority
- JP
- Japan
- Prior art keywords
- output
- weight
- value
- weighting
- switch
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Complex Calculations (AREA)
- Filters That Use Time-Delay Elements (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Description
【発明の詳細な説明】 産業上の利用分野 本発明は、一次元あるいは二次元に分布した信号を空間
的な演算によって濾波し、所望の信号出力を得る適応型
フィルタに関するものである。
的な演算によって濾波し、所望の信号出力を得る適応型
フィルタに関するものである。
従来の技術 電話線や無線の伝送路を用いて、ディジタル信号を伝送
しようとする場合に、その伝送歪・符号間干渉や、雑音
の影響を少なくするための手法として、適応形のフィル
タを用いることは、一般に行なわれている。（たとえば
ロバート・ダブル・ラッキー（Robert W.Lucky）による
デシジョン−ラーニング（decision−learning）を用い
た適応型イコライザ：バーナード・ウィドロー（Bernar
d−Widrow）他、ニューラル・ネット・フォー・アダプ
ティブ・パターン・レコグニション（Neural Nets for
Adaptive pattern Recognition）コンピュータ（Comput
er）1988年３月号に記載） 発明が解決しようとする課題 この手法は、予想される様々な回線特性に応じて、フィ
ルタの特性が適応的に定められるので、きわめて実用的
で、有効なフィルタの一つである。
しようとする場合に、その伝送歪・符号間干渉や、雑音
の影響を少なくするための手法として、適応形のフィル
タを用いることは、一般に行なわれている。（たとえば
ロバート・ダブル・ラッキー（Robert W.Lucky）による
デシジョン−ラーニング（decision−learning）を用い
た適応型イコライザ：バーナード・ウィドロー（Bernar
d−Widrow）他、ニューラル・ネット・フォー・アダプ
ティブ・パターン・レコグニション（Neural Nets for
Adaptive pattern Recognition）コンピュータ（Comput
er）1988年３月号に記載） 発明が解決しようとする課題 この手法は、予想される様々な回線特性に応じて、フィ
ルタの特性が適応的に定められるので、きわめて実用的
で、有効なフィルタの一つである。
しかしながら、フィルタの構成は予め固定されており、
したがってその遅延量は固定である。そのために、歪の
少ない信号に対しても、過度の時間遅延を与える欠点が
ある。
したがってその遅延量は固定である。そのために、歪の
少ない信号に対しても、過度の時間遅延を与える欠点が
ある。
本発明は回路の複雑さが軽減され、不要な遅延時間がな
くなり、最適な適応フィルタを提供するものである。
くなり、最適な適応フィルタを提供するものである。
課題を解決するための手段 本発明は、フィルタを多層パーセプトロンで構成し、入
力された信号を空間軸あるいは時間軸に沿って標本化し
てｎ個（ｎは自然数）の標本化信号を得る入力層と、上
記入力層から得られる上記ｎ個の標本化信号のそれぞれ
の値と内部に保持する重み係数との積を求める複数個の
重み乗算手段の出力と一定値出力手段の出力とを切り換
える複数個の重みスイッチ、上記複数個の重みスイッチ
の出力を加算し、その加算値を非線形変換した値を出力
する複数個の第一のノード演算器からなる隠れ層と、上
記複数個の第一のノード演算器の出力のそれぞれに対し
て重み付けを行う重み回路、上記重み回路の出力を加算
し、その加算値を非線形変換した値を最終出力とする第
二のノード演算器からなる出力層と、予め上記複数個の
重みスイッチをすべて上記重み乗算手段の出力に接続し
ておき、訓練用の標本化信号に対する上記最終出力の誤
差が予め与えられた第一の閾値よりも小さくなるよう
に、上記重み乗算手段および上記重み回路の重み係数を
それぞれ増減する制御信号を出力し、上記訓練用の標本
化信号に対して上記複数個の重みスイッチが出力する値
の分散が予め定めておいた第二の閾値よりも小さい値で
ある当該重みスイッチのみについて、その重みスイッチ
の出力する値の平均値を上記一定値出力手段の出力とし
て、当該重みスイッチを上記一定値出力手段の出力に切
り換えておく学習制御器とをそなえている。
力された信号を空間軸あるいは時間軸に沿って標本化し
てｎ個（ｎは自然数）の標本化信号を得る入力層と、上
記入力層から得られる上記ｎ個の標本化信号のそれぞれ
の値と内部に保持する重み係数との積を求める複数個の
重み乗算手段の出力と一定値出力手段の出力とを切り換
える複数個の重みスイッチ、上記複数個の重みスイッチ
の出力を加算し、その加算値を非線形変換した値を出力
する複数個の第一のノード演算器からなる隠れ層と、上
記複数個の第一のノード演算器の出力のそれぞれに対し
て重み付けを行う重み回路、上記重み回路の出力を加算
し、その加算値を非線形変換した値を最終出力とする第
二のノード演算器からなる出力層と、予め上記複数個の
重みスイッチをすべて上記重み乗算手段の出力に接続し
ておき、訓練用の標本化信号に対する上記最終出力の誤
差が予め与えられた第一の閾値よりも小さくなるよう
に、上記重み乗算手段および上記重み回路の重み係数を
それぞれ増減する制御信号を出力し、上記訓練用の標本
化信号に対して上記複数個の重みスイッチが出力する値
の分散が予め定めておいた第二の閾値よりも小さい値で
ある当該重みスイッチのみについて、その重みスイッチ
の出力する値の平均値を上記一定値出力手段の出力とし
て、当該重みスイッチを上記一定値出力手段の出力に切
り換えておく学習制御器とをそなえている。
作用 それらの手段により本発明によるフィルタは、訓練期間
中には、前記重みスイッチをすべて重み乗算手段の出力
に接続しておき、最終出力の誤差が予め与えられた第一
の閾値よりも小さくなるまで、上記重み乗算手段および
上記重み回路の重み係数をそれぞれ増減し、訓練期間中
の標本化信号に対して重みスイッチが出力する値の分散
が予め定めておいた第二の閾値よりも小さい値である当
該重みスイッチのみについては、その重みスイッチの出
力した値の平均値をあたえることができる。これによ
り、回路の複雑さが軽減され、不要な遅延時間がなくな
り、最適な適応フィルタの構成が可能となる。
中には、前記重みスイッチをすべて重み乗算手段の出力
に接続しておき、最終出力の誤差が予め与えられた第一
の閾値よりも小さくなるまで、上記重み乗算手段および
上記重み回路の重み係数をそれぞれ増減し、訓練期間中
の標本化信号に対して重みスイッチが出力する値の分散
が予め定めておいた第二の閾値よりも小さい値である当
該重みスイッチのみについては、その重みスイッチの出
力した値の平均値をあたえることができる。これによ
り、回路の複雑さが軽減され、不要な遅延時間がなくな
り、最適な適応フィルタの構成が可能となる。
実 施 例 以下に、図面を用いて本発明の実施例を説明する。
第１図に、本発明による適応型フィルタの一実施例の基
本構成を示す。入力時系列信号１は、遅延回路２〜10に
よって標本化信号11〜19となり、重み係数スイッチ20の
入力となる。遅延回路２〜10の遅延時間は、入力時系列
信号１の持つ周波数帯域により定まる値であって、例え
ば入力時系列信号１がベースバンド信号であって、その
最高周波数がfcである場合は、遅延回路２〜10の各々の
遅延時間τ２〜τ10は、 τｋ≦1/2fc（但し、ｋ＝1,2,3,…） ……（１） に選ぶ。また、各々の遅延時間は、必ずしも等しくする
必要はない。
本構成を示す。入力時系列信号１は、遅延回路２〜10に
よって標本化信号11〜19となり、重み係数スイッチ20の
入力となる。遅延回路２〜10の遅延時間は、入力時系列
信号１の持つ周波数帯域により定まる値であって、例え
ば入力時系列信号１がベースバンド信号であって、その
最高周波数がfcである場合は、遅延回路２〜10の各々の
遅延時間τ２〜τ10は、 τｋ≦1/2fc（但し、ｋ＝1,2,3,…） ……（１） に選ぶ。また、各々の遅延時間は、必ずしも等しくする
必要はない。
重み係数スイッチ20からの、第１の重み出力21〜25は、
第１のノード演算器26〜30の入力となる。重み係数スイ
ッチ20の構成については、後述する。
第１のノード演算器26〜30の入力となる。重み係数スイ
ッチ20の構成については、後述する。
第１のノード演算器26〜30においては、その入力となる
第１の重み出力21〜25に対して、予め定められた非線形
の伝達特性に応じて、その出力31〜35を次段に伝達す
る。この伝達特性をどの様に選べば良いかについては、
既に知られている文献、例えば「アイイーイーイー エ
イエスエスピー マガジーン」1987年４月発行の“アン
イントロダクション ツウ コンピュティング ウイズ
ニューラル ネット”（リチャード ビー リップマ
ン）〔（Richard P.Lippmann,“An Introduction to Co
mputing with Neural Nets",IEEE ASSP MAGAZINE APRIL
1987）〕等に詳しく述べられているので、省略する。
第１の重み出力21〜25に対して、予め定められた非線形
の伝達特性に応じて、その出力31〜35を次段に伝達す
る。この伝達特性をどの様に選べば良いかについては、
既に知られている文献、例えば「アイイーイーイー エ
イエスエスピー マガジーン」1987年４月発行の“アン
イントロダクション ツウ コンピュティング ウイズ
ニューラル ネット”（リチャード ビー リップマ
ン）〔（Richard P.Lippmann,“An Introduction to Co
mputing with Neural Nets",IEEE ASSP MAGAZINE APRIL
1987）〕等に詳しく述べられているので、省略する。
伝達された出力31〜35は、重み回路36〜40を経て、第２
の重み出力41〜45となり、第２のノード演算器46に加え
られる。第２のノード演算器46の入出力伝達特性は、第
１のノード演算器26〜30と同じように予め定められる
が、必ずしも同じ特性でなくてよい。この第２のノード
演算器46の伝達特性についても、前に述べた第１のノー
ド演算器26〜30の伝達特性と同じように定めることがで
きる。第２のノード演算器46の出力は、入力時系列信号
１に対するフィルタ出力47として、外部に伝達される。
の重み出力41〜45となり、第２のノード演算器46に加え
られる。第２のノード演算器46の入出力伝達特性は、第
１のノード演算器26〜30と同じように予め定められる
が、必ずしも同じ特性でなくてよい。この第２のノード
演算器46の伝達特性についても、前に述べた第１のノー
ド演算器26〜30の伝達特性と同じように定めることがで
きる。第２のノード演算器46の出力は、入力時系列信号
１に対するフィルタ出力47として、外部に伝達される。
また学習制御器48は、重み係数スイッチ20、及び重み回
路36〜40に対し、その重みの量と、入力信号の制御を行
なうために、重み制御信号49と、重み係数・スイッチ制
御信号50とを出力する。これら信号は、各々重み回路36
〜40及び、重み係数スイッチ20の制御信号となる。これ
らの制御信号は、既に知られている多層パーセプトロン
の学習規則に従い、最終的なフィルタ出力47が望ましい
値となるように、それぞれの重みの量の増減を制御す
る。それと共に、後で述べる重み係数スイッチ20の内部
にある、切り換えスイッチの制御と、閾値レベルの制御
とを行なう。従って、学習制御器48は、既に知られてい
る信号処理器と、そのプログラムの組合せによって実現
されるので、詳細について割愛する。
路36〜40に対し、その重みの量と、入力信号の制御を行
なうために、重み制御信号49と、重み係数・スイッチ制
御信号50とを出力する。これら信号は、各々重み回路36
〜40及び、重み係数スイッチ20の制御信号となる。これ
らの制御信号は、既に知られている多層パーセプトロン
の学習規則に従い、最終的なフィルタ出力47が望ましい
値となるように、それぞれの重みの量の増減を制御す
る。それと共に、後で述べる重み係数スイッチ20の内部
にある、切り換えスイッチの制御と、閾値レベルの制御
とを行なう。従って、学習制御器48は、既に知られてい
る信号処理器と、そのプログラムの組合せによって実現
されるので、詳細について割愛する。
第２図は、第１図に示す重み係数スイッチ20の、内部の
構成をさらに詳しく説明するブロック結線図である。標
本化信号11は、重み出力の信号の数（この例に於いては
５個）と同じ数の重みスイッチ51〜55に加えられる。他
の一つの標本化信号12は、同様に重みスイッチ56〜60に
加えられる。他の標本化信号についても、全く同様の重
みスイッチ群にそれぞれ加えられる。第２図では、標本
化信号11と12についての重みスイッチのみを図示してい
るが、実際には全ての標本化信号について、同じ構成に
なる。
構成をさらに詳しく説明するブロック結線図である。標
本化信号11は、重み出力の信号の数（この例に於いては
５個）と同じ数の重みスイッチ51〜55に加えられる。他
の一つの標本化信号12は、同様に重みスイッチ56〜60に
加えられる。他の標本化信号についても、全く同様の重
みスイッチ群にそれぞれ加えられる。第２図では、標本
化信号11と12についての重みスイッチのみを図示してい
るが、実際には全ての標本化信号について、同じ構成に
なる。
また、重みスイッチの各出力は、各標本化信号に対する
ものが一つずつ加算されて、重み出力21乃至重み出力25
となる。従って、重みスイッチの伝達関数をｇ（ｘ）と
すると、ｉ番目の重み出力0iは、 0i＝Σgij(xj) ……（２） となる。ただし、gijは、ｊ番目の標本化信号xjと、ｉ
番目の重み出力oiとを結ぶ重みスイッチの伝達関数であ
る。
ものが一つずつ加算されて、重み出力21乃至重み出力25
となる。従って、重みスイッチの伝達関数をｇ（ｘ）と
すると、ｉ番目の重み出力0iは、 0i＝Σgij(xj) ……（２） となる。ただし、gijは、ｊ番目の標本化信号xjと、ｉ
番目の重み出力oiとを結ぶ重みスイッチの伝達関数であ
る。
第３図は、第２図における重みスイッチの内部を説明す
るブロック結線図である。入力端子61には、第１図にお
ける重み係数スイッチ20の標本化入力の一つが接続され
る。可変コンダクタンス62は、第１図における学習制御
器48からの重み係数・スイッチ制御信号50で制御される
電圧電流特性を示す。可変コンダクタンス62の出力電流
は、スイッチ63を経て出力65となる。出力65は、第１図
における重み係数スイッチ20の重み出力の一つに接続さ
れる。スイッチ63は、切り換えスイッチであって、重み
係数・スイッチ制御信号50によって、可変電流源64にも
切り換えられ得る。可変電流源64もまた、重み係数・ス
イッチ制御信号50により、その出力電流を制御され得
る。従って、第３図に示す重みスイッチの出力65は、そ
の値をｕとすると、 ｕ＝αxi＋ｋ ……（３） で表わされる電流信号となる。ここで、αは、可変コン
ダクタンス62の値、xiは入力端子61の信号レベル、ｋは
常数である。ただし、αまたはｋのどちらかは零である
が、どちらが零になるかは、スイッチ63の位置によって
定まる。従って、第（２）式に示す各重み出力の式の右
辺の各項は、第（３）式に示す各重みスイッチの出力ｕ
であり、左辺はそのｕの総和の電流である。
るブロック結線図である。入力端子61には、第１図にお
ける重み係数スイッチ20の標本化入力の一つが接続され
る。可変コンダクタンス62は、第１図における学習制御
器48からの重み係数・スイッチ制御信号50で制御される
電圧電流特性を示す。可変コンダクタンス62の出力電流
は、スイッチ63を経て出力65となる。出力65は、第１図
における重み係数スイッチ20の重み出力の一つに接続さ
れる。スイッチ63は、切り換えスイッチであって、重み
係数・スイッチ制御信号50によって、可変電流源64にも
切り換えられ得る。可変電流源64もまた、重み係数・ス
イッチ制御信号50により、その出力電流を制御され得
る。従って、第３図に示す重みスイッチの出力65は、そ
の値をｕとすると、 ｕ＝αxi＋ｋ ……（３） で表わされる電流信号となる。ここで、αは、可変コン
ダクタンス62の値、xiは入力端子61の信号レベル、ｋは
常数である。ただし、αまたはｋのどちらかは零である
が、どちらが零になるかは、スイッチ63の位置によって
定まる。従って、第（２）式に示す各重み出力の式の右
辺の各項は、第（３）式に示す各重みスイッチの出力ｕ
であり、左辺はそのｕの総和の電流である。
次に、これらの構成により、本発明のフィルタがどのよ
うに適応的にその特性を定めるかを説明する。
うに適応的にその特性を定めるかを説明する。
まず実際の信号の伝送に先立って、トレーニング用の信
号である符号列が伝送され、第１図の入力時系列信号１
としてフィルタに加えられる。このとき、重み係数スイ
ッチ20では、その内部すべてのスイッチを第３図に示す
スイッチ63として、ａ側に切り換えておく。従って、各
重みスイッチの出力は第（３）式でｋ＝０として定まる
電流値となる。このときに、学習制御器48は、トレーニ
ング信号である符号列の真の値を情報として保持してい
るので、フィルタ出力47と、真の値との差にしたがっ
て、重み係数スイッチ20の内部の重みと、重み回路36〜
40の伝達特性とを制御し、フィルタ出力47が真の値を最
もよく近似するように制御する。具体的にどのように各
々の重みを制御するかは、既に知られている適応フィル
タのトレーニング方法に準ずれば良いので、ここでは述
べない。このトレーニング期間中のフィルタの出力47
と、真の値との誤差は、第４図に示すように変化する。
号である符号列が伝送され、第１図の入力時系列信号１
としてフィルタに加えられる。このとき、重み係数スイ
ッチ20では、その内部すべてのスイッチを第３図に示す
スイッチ63として、ａ側に切り換えておく。従って、各
重みスイッチの出力は第（３）式でｋ＝０として定まる
電流値となる。このときに、学習制御器48は、トレーニ
ング信号である符号列の真の値を情報として保持してい
るので、フィルタ出力47と、真の値との差にしたがっ
て、重み係数スイッチ20の内部の重みと、重み回路36〜
40の伝達特性とを制御し、フィルタ出力47が真の値を最
もよく近似するように制御する。具体的にどのように各
々の重みを制御するかは、既に知られている適応フィル
タのトレーニング方法に準ずれば良いので、ここでは述
べない。このトレーニング期間中のフィルタの出力47
と、真の値との誤差は、第４図に示すように変化する。
すなわち、第４図に示すように、トレーニングは誤差の
値が予め定めてある十分小さな誤差である、第１の閾値
70になるまで繰り返す。学習制御器48は、誤差の値が第
１の閾値70に達したことを検知すると、トレーニングを
打ち切り、第３図における各重みの値から、重みスイッ
チ63の出力65の各々が、一連のトレーニング入力に対し
て、どのような値で応答するかを計算する。そして、そ
の応答の値の分散が予め定めておいた第２の閾値よりも
小さな値である重みスイッチについては、重み係数・ス
イッチ制御信号50により、そのスイッチを切り換える。
同時に、第３図における可変電流源64に対しては、応答
の値の平均値を出力するよう、制御する。これによっ
て、信号の伝達に対して寄与することが少ないパスは、
フィルタ装置から切り離される。もしも入力時系列信号
１の符号歪が少ない場合には、遅延量の大きい標本化信
号に対するパスは、自然に上の条件を満足するので、出
力に対する影響がなくなる。つまり、フィルタ出力47
が、入力時系列信号１に対して時間的に遅れる量は、最
も少なくなる。言い替えれば、本実施例によれば遅延時
間のもっとも少ない適応型フィルタが実現される。
値が予め定めてある十分小さな誤差である、第１の閾値
70になるまで繰り返す。学習制御器48は、誤差の値が第
１の閾値70に達したことを検知すると、トレーニングを
打ち切り、第３図における各重みの値から、重みスイッ
チ63の出力65の各々が、一連のトレーニング入力に対し
て、どのような値で応答するかを計算する。そして、そ
の応答の値の分散が予め定めておいた第２の閾値よりも
小さな値である重みスイッチについては、重み係数・ス
イッチ制御信号50により、そのスイッチを切り換える。
同時に、第３図における可変電流源64に対しては、応答
の値の平均値を出力するよう、制御する。これによっ
て、信号の伝達に対して寄与することが少ないパスは、
フィルタ装置から切り離される。もしも入力時系列信号
１の符号歪が少ない場合には、遅延量の大きい標本化信
号に対するパスは、自然に上の条件を満足するので、出
力に対する影響がなくなる。つまり、フィルタ出力47
が、入力時系列信号１に対して時間的に遅れる量は、最
も少なくなる。言い替えれば、本実施例によれば遅延時
間のもっとも少ない適応型フィルタが実現される。
これらの構成要素は、説明の便宜上ハードウェアの概念
を用いたが、同じ動作を既知の信号変換回路と、電子計
算機及びそれを制御するための制御プログラムで実現で
きる。
を用いたが、同じ動作を既知の信号変換回路と、電子計
算機及びそれを制御するための制御プログラムで実現で
きる。
発明の効果 以上のように本発明は、訓練期間中には、前記重みスイ
ッチをすべて重み乗算手段の出力に接続しておき、最終
出力の誤差が予め与えられた第一の閾値よりも小さくな
るまで、上記重み乗算手段および上記重み回路の重み係
数をそれぞれ増減し、訓練期間中の標本化信号に対して
重みスイッチが出力する値の分散が予め定めておいた第
二の閾値よりも小さい値である当該重みスイッチのみに
ついては、その重みスイッチの出力した値の平均値をあ
たえることができる。すなわち、これにより、回路の複
雑さが軽減され、不要な遅延時間がなくなり、最適な適
応フィルタの構成が可能となる。
ッチをすべて重み乗算手段の出力に接続しておき、最終
出力の誤差が予め与えられた第一の閾値よりも小さくな
るまで、上記重み乗算手段および上記重み回路の重み係
数をそれぞれ増減し、訓練期間中の標本化信号に対して
重みスイッチが出力する値の分散が予め定めておいた第
二の閾値よりも小さい値である当該重みスイッチのみに
ついては、その重みスイッチの出力した値の平均値をあ
たえることができる。すなわち、これにより、回路の複
雑さが軽減され、不要な遅延時間がなくなり、最適な適
応フィルタの構成が可能となる。
第１図は本発明の一実施例における適応型フィルタのブ
ロック結線図、また第２図は第１図に示す重み係数スイ
ッチの内部の構成をさらに詳しく示したブロック結線
図、第３図は第２図における重みスイッチの内部をさら
に詳しく示したブロック結線図、第４図はトレーニング
期間中における適応型フィルタの出力の残差を表わす波
形図である。 ２〜10……遅延回路、20……重み係数スイッチ、26〜30
……第１のノード演算器、36〜40……重み回路、46……
第２のノード演算器、48……学習制御器。
ロック結線図、また第２図は第１図に示す重み係数スイ
ッチの内部の構成をさらに詳しく示したブロック結線
図、第３図は第２図における重みスイッチの内部をさら
に詳しく示したブロック結線図、第４図はトレーニング
期間中における適応型フィルタの出力の残差を表わす波
形図である。 ２〜10……遅延回路、20……重み係数スイッチ、26〜30
……第１のノード演算器、36〜40……重み回路、46……
第２のノード演算器、48……学習制御器。
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ０６Ｆ 17/10 Ｈ０３Ｈ 17/02 Ｇ 8842−5Ｊ
Claims (1)
- 【請求項１】一次元あるいは二次元状に分布する信号を
空間的あるいは時間的に濾波する際に、上記信号を空間
軸あるいは時間軸に沿って標本化してｎ個（ｎは自然
数）の標本化信号を得る入力層と、 上記入力層から得られる上記ｎ個の標本化信号のそれぞ
れの値と内部に保持する重み係数との積を求める複数個
の重み乗算手段の出力と一定値出力手段の出力とを切り
換える複数個の重みスイッチ、上記複数個の重みスイッ
チの出力を加算し、その加算値を非線形変換した値を出
力する複数個の第一のノード演算器からなる隠れ層と、 上記複数個の第一のノード演算器の出力のそれぞれに対
して重み付けを行う重み回路、上記重み回路の出力を加
算し、その加算値を非線形変換した値を最終出力とする
第二のノード演算器からなる出力層と、 予め上記複数個の重みスイッチをすべて上記重み乗算手
段の出力に接続しておき、訓練用の標本化信号に対する
上記最終出力の誤差が予め与えられた第一の閾値よりも
小さくなるように、上記重み乗算手段および上記重み回
路の重み係数をそれぞれ増減する制御信号を出力し、上
記訓練用の標本化信号に対して上記複数個の重みスイッ
チが出力する値の分散が予め定めておいた第二の閾値よ
りも小さい値である当該重みスイッチのみについて、そ
の重みスイッチの出力する値の平均値を上記一定値出力
手段の出力として、当該重みスイッチを上記一定値出力
手段の出力に切り換えておく学習制御器と からなる多層パーセプトロンで構成されることを特徴と
する適応型フィルタ。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1039908A JPH0773194B2 (ja) | 1989-02-20 | 1989-02-20 | 適応型フィルタ |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1039908A JPH0773194B2 (ja) | 1989-02-20 | 1989-02-20 | 適応型フィルタ |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH02218210A JPH02218210A (ja) | 1990-08-30 |
| JPH0773194B2 true JPH0773194B2 (ja) | 1995-08-02 |
Family
ID=12566057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP1039908A Expired - Fee Related JPH0773194B2 (ja) | 1989-02-20 | 1989-02-20 | 適応型フィルタ |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0773194B2 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0770970B2 (ja) * | 1991-01-23 | 1995-07-31 | 富士通株式会社 | 適応等化器 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3814142A (en) * | 1972-05-01 | 1974-06-04 | Johns Manville | Gasketing tape woven of staple glass fiber |
| JPS5947479A (ja) * | 1982-09-10 | 1984-03-17 | 富士フアイバ−グラス株式会社 | ガラス繊維製品 |
-
1989
- 1989-02-20 JP JP1039908A patent/JPH0773194B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH02218210A (ja) | 1990-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Haykin et al. | Nonlinear adaptive prediction of nonstationary signals | |
| Campolucci et al. | On-line learning algorithms for locally recurrent neural networks | |
| US4843583A (en) | Nonlinear adaptive filter | |
| Krusienski et al. | Design and performance of adaptive systems based on structured stochastic optimization strategies | |
| US5297166A (en) | Method and apparatus for decision feedback equalization with reduced convergence time | |
| Mandic et al. | A normalized gradient descent algorithm for nonlinear adaptive filters using a gradient adaptive step size | |
| Sivakumar et al. | Image restoration using a multilayer perceptron with a multilevel sigmoidal function | |
| JPH07191951A (ja) | ニューラルネットワーク回路 | |
| US5170071A (en) | Stochastic artifical neuron with multilayer training capability | |
| JPH0773194B2 (ja) | 適応型フィルタ | |
| JPH07282168A (ja) | カオスリカレント神経回路網とその学習方法 | |
| Beerhold et al. | Pulse-processing neural net hardware with selectable topology and adaptive weights and delays | |
| Siu et al. | Decision feedback equalization using neural network structures | |
| JP3563080B2 (ja) | 信号処理装置 | |
| KR20210113722A (ko) | 트랜스포즈 매트릭스 곱셈이 가능한 매트릭스 곱셈기 구조 및 곱셈방법 | |
| JPH07113942B2 (ja) | ニューロチップによる結合器 | |
| Krusienski et al. | Comparative analysis of neural network filters and adaptive Volterra filters | |
| JPH08101819A (ja) | 歪みデータ信号の等化方法および回路装置 | |
| Wang | A modular analog CMOS LSI for feedforward neural networks with on-chip BEP learning | |
| Grant | Artificial neural network and conventional approaches to filtering and pattern recognition | |
| JPS60103714A (ja) | 自動等化器 | |
| Farhang-Boroujeny | On statistical efficiency of the LMS algorithm in system modeling | |
| Campolucci et al. | Intrinsically stable IIR filters and IIR-MLP neural networks for signal processing | |
| JP3262340B2 (ja) | 情報処理装置 | |
| Meena et al. | Design and Analysis of Linear Phase Finite Impulse Response Filter Using Henry Gas Solubility Optimization Algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |