本項目中改進的DA算法主要應用于：64階低通濾波器的設計，其結構如圖8所示：

圖8 基于改進DA算法的128階低通濾波器的實現(xiàn)

（2）人工神經(jīng)網(wǎng)絡算法簡介

人工神經(jīng)網(wǎng)絡（Artificial Neural Networks,ANN）是在現(xiàn)代神經(jīng)生物學研究基礎上提出的模擬生物過程以反映人腦某些特性的計算結構。它不是人腦神經(jīng)系統(tǒng)的真實描寫，而只是它的某種抽象、簡化和模擬。神經(jīng)元及其突觸是神經(jīng)網(wǎng)絡的基本器件。因此，模擬生物神經(jīng)網(wǎng)絡應首先模擬生物神經(jīng)元。在人工神經(jīng)網(wǎng)絡中，神經(jīng)元常被稱為“處理單元”。有時從網(wǎng)絡的觀點出發(fā)常把它稱為“節(jié)點”。人工神經(jīng)元是對生物神經(jīng)元的一種形式化描述，它對生物神經(jīng)元的信息處理過程進行抽象，并用數(shù)學語言予以描述；對生物神經(jīng)元的結構和功能進行模擬，并用模型予以表達。

為了模擬生物神經(jīng)元，一個簡化的人工神經(jīng)元，如圖9所示。該神經(jīng)元是一個多輸入單輸出的非線性元件。

圖9 簡化的神經(jīng)元模型

人工神經(jīng)元模型可以看成是由三個基本要素組成：

• 一組連接權（對應于生物神經(jīng)元的突觸），連接強度由各連接上的權值表示，權值為正表示激勵，為負值表示抑制。
• 一個求和單元，用于求取各輸入信息的加權和（線性組合）。
• 一個非線性激活函數(shù)，起非線性映射作用并限制神經(jīng)元輸出幅度在一定的范圍之內(nèi)。此外還有一個閾值。閾值也被看作是一個輸入分量，也就是閾值也是一個權值。在網(wǎng)絡的設計中，偏差起著重要的作用，它使得激活函數(shù)的圖形可以左右移動而增加了解決問題的可能性。

通常所說的人工神經(jīng)網(wǎng)絡結構，主要指它的連接方式。從拓撲結構上考慮，神經(jīng)網(wǎng)絡屬于以神經(jīng)元為節(jié)點，以節(jié)點間的連接為邊的一種圖。從連接方式來看，主要有兩種，即前饋型神經(jīng)網(wǎng)絡和反饋型網(wǎng)絡。一個神經(jīng)網(wǎng)絡的拓撲結構確定后，為了使它具有某種智能特性，必須有相應的學習方法與之配合。權值如何設置是區(qū)分不同人工神經(jīng)網(wǎng)絡學習算法的重要特征。一般可以把人工神經(jīng)網(wǎng)絡的學習分為兩種類型，即監(jiān)督學習（有教師學習）和無監(jiān)督學習（無教師學習）。