基于振动理论的神经元滤波与特征提取算法研究

目前大多数滤波与特征提取方法采用微分方程、特征向量以及集合等数学工具作为描述手段，因此必须分时、分段利用数组对信息进行处理，滤波算法对信息特征及先验信息的依赖性强，滤波与特征提取方法在处理非线性、变换域、特征不可知信息时不能获得满意的效果。针对当前滤波与特征提取所面临的问题，利用神经元在进行信息传递的同时对信息进行处理，并且滤波与特征提取在同一个细胞体上几乎同时完成的特性，研究生物神经元突触短时程增长与缩短交换的信息处理机理，以及该机理对神经元滤波与特征提取的影响，重点研究基于振动理论建立无需信息模型的具有抗干扰、实时、稳定、高效、高精度的神经元滤波与特征提取算法，以解决目前滤波与特征提取算法复杂、实时性不高等缺陷，同时，在所建立的神经元滤波与特征提取算法基础上，结合生物神经元滤波与特征提取融合机理，利用振动理论的共性特征，获得归一化的滤波与特征提取方法，以提高滤波与特征识别效率。

针对当前滤波与特征提取所面临的问题，利用神经元在进行信息传递的同时对信息进行处理，并且滤波与特征提取在同一个细胞体上几乎同时完成的特性，研究了生物神经元突触短时程增长与缩短交换的信息处理机理，以及该机理对神经元滤波与特征提取的影响，基于振动理论建立了无需信息模型的具有抗干扰、实时、稳定、高效、高精度的神经元滤波与特征提取算法，有效解决了目前滤波与特征提取算法复杂、实时性不高等缺陷，同时，在所建立的神经元滤波与特征提取算法基础上，结合生物神经元滤波与特征提取融合机理，利用振动理论的共性特征，获得了归一化的滤波与特征提取方法，提高了滤波与特征识别效率。