| 第一章 绪论 | 第1-19页 |
| ·盲源分离的起源 | 第11-12页 |
| ·盲源分离问题的国内外研究进展 | 第12-17页 |
| ·线性瞬时混合信号 | 第12-14页 |
| ·非线性瞬时混合信号 | 第14-15页 |
| ·国内盲源分离的研究 | 第15-17页 |
| ·盲源分离问题的应用 | 第17-18页 |
| ·本论文的结构安排 | 第18-19页 |
| 第二章 基础理论 | 第19-30页 |
| ·数学模型 | 第19-21页 |
| ·瞬时线性混合模型 | 第19-20页 |
| ·瞬时非线性混合模型 | 第20-21页 |
| ·卷积混合模型 | 第21页 |
| ·盲源分离的基本假设 | 第21-22页 |
| ·盲源分离的特点 | 第22-25页 |
| ·统计独立性及其度量 | 第25-28页 |
| ·统计独立性 | 第25页 |
| ·信号统计独立性的度量 | 第25-28页 |
| ·评判盲源分离算法性能的两个典型指标 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第三章 基于ICA的盲源分离算法 | 第30-51页 |
| ·独立分量分析研究中的主要问题 | 第30-33页 |
| ·独立分量分析中常见的几种典型代价函数 | 第33-42页 |
| ·基于信息理论的方法 | 第33-40页 |
| ·基于信息最大化(Imfomax)的ICA算法 | 第34-35页 |
| ·基于最小互信息(MMI)的ICA算法 | 第35-36页 |
| ·基于极大似然估计(MLE)的ICA算法 | 第36-38页 |
| ·基于信息理论方法的几种代价函数的关系 | 第38-40页 |
| ·基于高阶统计量的方法 | 第40-42页 |
| ·独立分量分析的几种典型的学习算法 | 第42-50页 |
| ·随机梯度学习算法 | 第42-44页 |
| ·自然梯度学习算法 | 第44-46页 |
| ·固定点算法 | 第46-48页 |
| ·EASI算法 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第四章 基于时变步长的ICA盲源分离算法 | 第51-71页 |
| ·自然梯度盲源分离算法 | 第51-53页 |
| ·基于梯度的时变步长盲源分离算法 | 第53-61页 |
| ·算法推导 | 第53-54页 |
| ·计算机仿真 | 第54-61页 |
| ·平稳源信号 | 第54-58页 |
| ·非平稳源信号 | 第58-61页 |
| ·基于非线性函数的时变步长盲源分离算法 | 第61-70页 |
| ·算法推导 | 第61-64页 |
| ·计算机仿真 | 第64-70页 |
| ·平稳源信号 | 第64-67页 |
| ·非平稳源信号 | 第67-70页 |
| ·本章小结 | 第70-71页 |
| 第五章 基于ICA的盲源分离算法在图像处理中的应用 | 第71-78页 |
| ·图像分离 | 第71-72页 |
| ·数字水印 | 第72-74页 |
| ·医学图像处理 | 第74页 |
| ·人脸检测与识别 | 第74-75页 |
| ·图像去噪 | 第75页 |
| ·其它图像处理应用 | 第75页 |
| ·图像分离仿真实验 | 第75-77页 |
| ·本章小结 | 第77-78页 |
| 第六章 总结与展望 | 第78-80页 |
| ·论文的主要工作 | 第78-79页 |
| ·展望 | 第79-80页 |
| 参考文献 | 第80-89页 |
| 致谢 | 第89-90页 |
| 攻读学位期间发表的学术论文 | 第90页 |