| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 盲源分离的背景 | 第9-12页 |
| 1.2 盲源分离模型 | 第12-15页 |
| 1.3 盲源分离问题的意义 | 第15-16页 |
| 1.4 盲源分离发展概况 | 第16-17页 |
| 1.5 本文主要工作和组织结构 | 第17-19页 |
| 第2章 盲源分离算法的理论基础和主要算法 | 第19-29页 |
| 2.1 盲源分离瞬时线性混合模型 | 第19-22页 |
| 2.2 盲源分离的目标函数 | 第22-25页 |
| 2.2.1 极大似然估计 | 第22-23页 |
| 2.2.2 基于峭度估计 | 第23页 |
| 2.2.3 最大负熵 | 第23-24页 |
| 2.2.4 极小互信息 | 第24-25页 |
| 2.3 盲源分离的优化算法 | 第25-26页 |
| 2.3.1 基于自适应的优化算法 | 第25-26页 |
| 2.3.2 基于快速独立分量分析算法 | 第26页 |
| 2.4 盲源分离的评价标准 | 第26-27页 |
| 2.4.1 基于混合-分离矩阵的评价准则 | 第26-27页 |
| 2.4.2 基于信号波形的评价准则 | 第27页 |
| 2.5 本章小结 | 第27-29页 |
| 第3章 改进盲源分离算法在语音信号干扰抑制中的应用 | 第29-37页 |
| 3.1 扩展Infomax算法 | 第29-30页 |
| 3.2 基于滑动窗口的Infomax算法 | 第30-31页 |
| 3.3 基于数据块更新的滑动窗口ICA算法 | 第31-32页 |
| 3.4 基于数据块更新的滑动窗口ICA算法在无线通信干扰抑制中的应用 | 第32-33页 |
| 3.5 实验仿真 | 第33-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第4章 仿生智能算法及其改进算法在信号盲源分离中应用 | 第37-62页 |
| 4.1 粒子群算法(PSO) | 第37-44页 |
| 4.1.1 基本PSO算法 | 第37-38页 |
| 4.1.2 改进自适应粒子群算法(CAPSO) | 第38-40页 |
| 4.1.3 改进QPSO粒子群算法(CQPSO) | 第40-44页 |
| 4.2 遗传算法(GA) | 第44-48页 |
| 4.2.1 基本遗传算法 | 第44-47页 |
| 4.2.2 自适应遗传算法(AGA) | 第47-48页 |
| 4.3 菌群算法(BFO) | 第48-54页 |
| 4.3.1 基本菌群算法 | 第48-51页 |
| 4.3.2 改进自适应步长菌群算法(MABFO) | 第51-54页 |
| 4.4 仿生算法在语音信号盲源分离中的应用 | 第54-61页 |
| 4.4.1 仿生计算在时不变系统中的信号盲源分离 | 第55-58页 |
| 4.4.2 仿生计算在时变系统中的信号盲源分离 | 第58-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第5章 总结与展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读学位期间发表的论文、参加的科研项目和获奖情况 | 第68页 |
