| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究工作的背景与意义 | 第9页 |
| 1.2 本文研究的国内外研究历史与现状 | 第9-11页 |
| 1.2.1 信号分选的研究历史与现状 | 第9-10页 |
| 1.2.2 ICA盲分离的研究现状与应用 | 第10-11页 |
| 1.3 本文的主要贡献与创新 | 第11页 |
| 1.4 本论文的结构安排 | 第11-13页 |
| 第二章 信号分选理论及常用算法 | 第13-23页 |
| 2.1 常用雷达信号参数 | 第13-15页 |
| 2.1.1 时域参数 | 第13-14页 |
| 2.1.2 频域参数 | 第14-15页 |
| 2.1.3 空域参数 | 第15页 |
| 2.2 常用分选算法介绍 | 第15-22页 |
| 2.2.1 动态距离聚类算法 | 第15-18页 |
| 2.2.2 序列差直方图法 | 第18-20页 |
| 2.2.3 重复周期变换法 | 第20-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 盲源分离的基本理论及常用算法 | 第23-39页 |
| 3.1 盲源分离问题模型 | 第23-25页 |
| 3.2 盲源分离问题的信息论基础 | 第25-29页 |
| 3.2.1 信息熵 | 第25-26页 |
| 3.2.2 Kullback-Leibler散度 | 第26页 |
| 3.2.3 互信息量 | 第26-28页 |
| 3.2.4 负熵 | 第28-29页 |
| 3.3 常用盲分离算法 | 第29-38页 |
| 3.3.1 Herault-Jutten神经网络算法 | 第29-30页 |
| 3.3.2 基于最大化非高斯性的ICA算法 | 第30-32页 |
| 3.3.3 基于极大似然的ICA算法 | 第32-34页 |
| 3.3.4 基于信息最大化准则的ICA算法 | 第34-36页 |
| 3.3.5 基于最小互信息准则的ICA算法 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 采用FASTICA算法的信号分选模式 | 第39-51页 |
| 4.1 FastICA算法简介 | 第39页 |
| 4.2 混合信号预处理 | 第39-40页 |
| 4.2.1 去均值 | 第39-40页 |
| 4.2.2 白化处理 | 第40页 |
| 4.3 FastICA分选及仿真 | 第40-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 单通道情况下的FASTICA分选方法 | 第51-69页 |
| 5.1 单通道盲分离简介 | 第51-52页 |
| 5.2 经验模式分解简介 | 第52-58页 |
| 5.2.1 经验模式分解应用背景 | 第52-53页 |
| 5.2.2 经验分解模式基本概念 | 第53-55页 |
| 5.2.3 经验模式分解步骤 | 第55-56页 |
| 5.2.4 经验模式分解仿真 | 第56-58页 |
| 5.3 单通道FastICA分选 | 第58-68页 |
| 5.4 本章小结 | 第68-69页 |
| 第六章 全文总结与展望 | 第69-71页 |
| 6.1 全文总结 | 第69页 |
| 6.2 后续工作展望 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-74页 |