基于独立分量分析和收缩去噪的噪声盲分离研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-24页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 盲源分离 | 第14-17页 |
| 1.2.1 盲源分离基本模型描述 | 第14-15页 |
| 1.2.2 盲源分离的解决方法 | 第15-16页 |
| 1.2.3 盲源分离的应用领域 | 第16-17页 |
| 1.3 独立分量分析 | 第17-21页 |
| 1.3.1 发展历史 | 第17-19页 |
| 1.3.2 如何寻找独立分量 | 第19-20页 |
| 1.3.3 ICA的应用 | 第20页 |
| 1.3.4 噪声ICA | 第20-21页 |
| 1.4 去噪问题概述 | 第21-22页 |
| 1.5 论文的主要工作及结构 | 第22-24页 |
| 第2章 独立分量分析 | 第24-43页 |
| 2.1 独立分量分析的基本概念 | 第24-29页 |
| 2.1.1 基本模型 | 第24-25页 |
| 2.1.2 假设和限制 | 第25-26页 |
| 2.1.3 不确定性 | 第26-27页 |
| 2.1.4 等变化性 | 第27页 |
| 2.1.5 观测数据中心化 | 第27-28页 |
| 2.1.6 观测数据白化 | 第28-29页 |
| 2.2 基本ICA方法 | 第29-36页 |
| 2.2.1 独立性判据 | 第30-33页 |
| 2.2.2 优化算法 | 第33-36页 |
| 2.3 FastICA算法 | 第36-40页 |
| 2.3.1 单个提取算法 | 第37-39页 |
| 2.3.2 对称算法 | 第39-40页 |
| 2.3.3 算法性能总结 | 第40页 |
| 2.4 对比函数 | 第40-42页 |
| 2.5 本章小结 | 第42-43页 |
| 第3章 基于有理非线性函数的FastICA算法 | 第43-55页 |
| 3.1 动机 | 第43页 |
| 3.2 有理非线性函数的设计 | 第43-48页 |
| 3.2.1 推导 | 第44-47页 |
| 3.2.2 性能分析 | 第47-48页 |
| 3.3 实验仿真 | 第48-53页 |
| 3.3.1 分离5个混合信号 | 第48-51页 |
| 3.3.2 分离20个混合信号 | 第51-53页 |
| 3.4 本章小结 | 第53-55页 |
| 第4章 收缩去噪 | 第55-70页 |
| 4.1 去噪问题的基本描述 | 第55-57页 |
| 4.2 正交变换 | 第57-60页 |
| 4.2.1 收缩的产生 | 第57-59页 |
| 4.2.2 小波收缩去噪 | 第59-60页 |
| 4.3 过完备变换 | 第60-64页 |
| 4.3.1 稀疏冗余表示 | 第60-61页 |
| 4.3.2 PCD迭代收缩算法 | 第61-63页 |
| 4.3.3 冗余字典 | 第63-64页 |
| 4.4 实验仿真 | 第64-68页 |
| 4.4.1 基于帧的音频信号处理方法 | 第65页 |
| 4.4.2 “三步法”收缩去噪 | 第65-66页 |
| 4.4.3 PCD迭代收缩去噪 | 第66-68页 |
| 4.5 本章小结 | 第68-70页 |
| 第5章 噪声盲分离 | 第70-82页 |
| 5.1 噪声ICA模型 | 第70-71页 |
| 5.2 噪声环境下FastICA算法的偏差分析 | 第71-74页 |
| 5.2.1 单个提取算法的偏差 | 第72-73页 |
| 5.2.2 对称算法的偏差 | 第73-74页 |
| 5.3 去偏差技术 | 第74-75页 |
| 5.4 含噪ICA的解决方案 | 第75-76页 |
| 5.5 实验仿真 | 第76-80页 |
| 5.6 本章小结 | 第80-82页 |
| 结束语 | 第82-84页 |
| 参考文献 | 第84-92页 |
| 致谢 | 第92-93页 |
| 附录A 攻读学位期间所发表的学术论文 | 第93-94页 |
| 附录B 第3章分离20个源信号实验的矩阵数据 | 第94-97页 |
| 附录C 第4章实验数据表格 | 第97-102页 |
