基于改进粒子群算法的盲源分离研究
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 盲源分离的研究背景及意义 | 第10-11页 |
| 1.2 盲源分离的发展与现状 | 第11-13页 |
| 1.3 盲源分离技术的应用 | 第13-14页 |
| 1.4 论文主要工作和结构安排 | 第14-15页 |
| 第2章 盲源分离基本理论 | 第15-35页 |
| 2.1 概率与统计论的相关知识 | 第15-17页 |
| 2.1.1 随机过程 | 第15-16页 |
| 2.1.2 联合概率密度函数 | 第16-17页 |
| 2.2 信息论的基础知识 | 第17-21页 |
| 2.2.1 熵 | 第17-18页 |
| 2.2.2 Kullback-Leibler散度 | 第18-19页 |
| 2.2.3 互信息 | 第19页 |
| 2.2.4 负熵 | 第19-21页 |
| 2.3 高阶统计量 | 第21-24页 |
| 2.3.1 矩 | 第21-22页 |
| 2.3.2 累积量 | 第22-24页 |
| 2.3.3 高阶累积量的性质 | 第24页 |
| 2.4 ICA算法基本模型及可解性 | 第24-29页 |
| 2.4.1 盲源信号处理模型 | 第24-27页 |
| 2.4.2 独立分量分析的求解条件 | 第27-28页 |
| 2.4.3 独立分量分析的不确定性 | 第28-29页 |
| 2.5 目标函数 | 第29-32页 |
| 2.5.1 峰度 | 第29-30页 |
| 2.5.2 互信息 | 第30-31页 |
| 2.5.3 负熵 | 第31页 |
| 2.5.4 最大似然准则 | 第31-32页 |
| 2.6 信号的预处理 | 第32-34页 |
| 2.6.1 信号的中心化 | 第32-33页 |
| 2.6.2 信号的白化 | 第33-34页 |
| 2.7 本章小结 | 第34-35页 |
| 第3章 独立分量分析算法研究 | 第35-45页 |
| 3.1 独立分量分析经典优化算法 | 第35-40页 |
| 3.1.1 最大熵算法(Informax) | 第35-37页 |
| 3.1.2 梯度算法 | 第37-38页 |
| 3.1.3 固定点算法 | 第38-40页 |
| 3.2 ICA性能评价函数 | 第40-42页 |
| 3.2.1 信噪比 | 第40-41页 |
| 3.2.2 性能指标函数(PI) | 第41页 |
| 3.2.3 相关系数 | 第41-42页 |
| 3.3 实验仿真 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 基于梦境粒子群算法的独立分量分析算法 | 第45-61页 |
| 4.1 粒子群算法简介 | 第45-50页 |
| 4.1.1 粒子群算法基本原理 | 第45-48页 |
| 4.1.2 标准的粒子群算法 | 第48页 |
| 4.1.3 粒子群算法的流程 | 第48-50页 |
| 4.2 梦境粒子群算法的基本模型 | 第50-53页 |
| 4.2.1 基本粒子群算法存在缺陷 | 第50页 |
| 4.2.2 梦境粒子群算法的产生 | 第50-51页 |
| 4.2.3 梦境粒子群算法的模型 | 第51页 |
| 4.2.4 梦境粒子群算法的流程图 | 第51-53页 |
| 4.3 基于梦境粒子群的独立分量分析算法 | 第53-60页 |
| 4.3.1 基于梦境粒子群的独立分量分析算法原理 | 第53-55页 |
| 4.3.2 算法的步骤及流程图 | 第55-56页 |
| 4.3.3 实验仿真 | 第56-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第5章 梦境粒子群算法的独立分量分析算法的应用 | 第61-71页 |
| 5.1 改进算法在混合语音信号上的应用 | 第61-66页 |
| 5.2 改进算法在图像分离的应用 | 第66-70页 |
| 5.3 本章小结 | 第70-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 攻读学位期间的研究成果 | 第79页 |
