| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 1 绪论 | 第12-24页 |
| ·研究的背景及目的意义 | 第13-14页 |
| ·国内外发展概述 | 第14-17页 |
| ·盲信号处理的数学模型 | 第17-18页 |
| ·瞬时混合盲分离问题 | 第17页 |
| ·盲解卷积与卷积混合盲分离问题 | 第17-18页 |
| ·盲信号处理方法的分类 | 第18-19页 |
| ·基于源信号的概率分布特性的方法 | 第18页 |
| ·基于源信号的时间结构的方法 | 第18-19页 |
| ·基于源信号的分离条件假设的方法 | 第19页 |
| ·基于分离源独立的方法 | 第19页 |
| ·盲信号处理方法的应用 | 第19-22页 |
| ·生物医学信号的分析与处理 | 第20页 |
| ·空间阵列信号处理 | 第20页 |
| ·语音识别和增强 | 第20-21页 |
| ·多用户检测 | 第21页 |
| ·图像去噪、分离以及特征提取及其它领域 | 第21-22页 |
| ·本文的主要工作及内容安排 | 第22-24页 |
| 2 稳定分布下的信号处理 | 第24-38页 |
| ·稳定分布的概念 | 第24-29页 |
| ·Alpha稳定分布的模型 | 第24-27页 |
| ·Alpha稳定分布的特性 | 第27-29页 |
| ·Beta分数Alpha稳定分布 | 第29页 |
| ·稳定分布下随机变量的产生 | 第29-31页 |
| ·二阶统计量与分数低阶统计量 | 第31-32页 |
| ·二阶统计量及基于二阶统计量的信号处理 | 第31页 |
| ·分数低阶统计量及基于分数低阶统计量的信号处理 | 第31-32页 |
| ·稳定分布环境下的逆滤波 | 第32-37页 |
| ·问题模型 | 第32-34页 |
| ·Alpha稳定分布噪声的逆滤波 | 第34-36页 |
| ·数值模拟 | 第36-37页 |
| ·小结 | 第37-38页 |
| 3 基于独立分量分析的盲信号处理算法研究 | 第38-54页 |
| ·独立分量分析概述 | 第38-39页 |
| ·独立分量分析模型、假设条件及随机变量的独立性度量方法 | 第39-42页 |
| ·独立分量分析模型 | 第39-40页 |
| ·独立分量分析模型的假设条件 | 第40页 |
| ·随机变量的独立性度量方法 | 第40-42页 |
| ·基于MDC-RT的盲信号处理算法 | 第42-48页 |
| ·问题描述 | 第43-45页 |
| ·待分离信号的预处理 | 第45-46页 |
| ·基于样本特征函数的线性逼近法估计分散系数 | 第46页 |
| ·使用MDC-RT算法求解混矩阵 | 第46-48页 |
| ·MDC-RT算法在脑电中的应用 | 第48-53页 |
| ·脑电信号概述 | 第48-49页 |
| ·应用实例 | 第49-53页 |
| ·小结 | 第53-54页 |
| 4 基于人工神经网络的半盲信号处理算法 | 第54-72页 |
| ·人工神经网络概述 | 第54-55页 |
| ·神经网络的发展概况 | 第54-55页 |
| ·人工神经网络应用领域 | 第55页 |
| ·人工神经网络模型 | 第55-60页 |
| ·引言 | 第55-56页 |
| ·神经元模型 | 第56-58页 |
| ·网络结构 | 第58-59页 |
| ·学习过程 | 第59页 |
| ·RBF神经网络简介 | 第59-60页 |
| ·稳定分布下的最小L_1范数滤波算法及其神经网络实现 | 第60-69页 |
| ·最小L_1范数优化模型 | 第60-61页 |
| ·最小L_1范数滤波算法的神经网络实现 | 第61-64页 |
| ·数值模拟 | 第64-69页 |
| ·L_1N-NN算法的应用 | 第69-71页 |
| ·小结 | 第71-72页 |
| 5 自适应无轨迹卡尔曼滤波算法 | 第72-88页 |
| ·自适应滤波 | 第72-74页 |
| ·自适应滤波的概念 | 第72-73页 |
| ·自适应滤波的类型 | 第73页 |
| ·选择自适应滤波算法需考虑的因素 | 第73-74页 |
| ·卡尔曼滤波算法 | 第74-80页 |
| ·卡尔曼滤波模型 | 第74-76页 |
| ·扩展卡尔曼滤波算法 | 第76-77页 |
| ·无轨迹卡尔曼滤波算法 | 第77-80页 |
| ·基于RBF神经网络自适应学习的卡尔曼滤波算法 | 第80-87页 |
| ·卡尔曼滤波发散问题 | 第81页 |
| ·基于RBF神经网络辅助的无轨迹卡尔曼滤波算法 | 第81-83页 |
| ·数值模拟 | 第83-87页 |
| ·小结 | 第87-88页 |
| 6 空间阵列信号的盲波束形成算法研究 | 第88-103页 |
| ·空间阵列信号处理 | 第88-90页 |
| ·引言 | 第88页 |
| ·波束形成的基本概念和原理 | 第88-90页 |
| ·盲波束形成 | 第90页 |
| ·波束形成方法 | 第90-101页 |
| ·经典波束形成方法-MUSIC算法 | 第90-91页 |
| ·基于FLOS的波束形成 | 第91-93页 |
| ·基于FLOM-MUSIC算法的波束形成 | 第93-94页 |
| ·基于FLOS预处理的RBFNN算法的波束形成 | 第94-97页 |
| ·数值模拟 | 第97-101页 |
| ·小结 | 第101-103页 |
| 7 语音信号盲分离的欠定问题及仿真 | 第103-111页 |
| ·盲分离欠定问题概述 | 第103页 |
| ·语音信号盲分离的欠定问题描述 | 第103-104页 |
| ·基于峰值相干性测量的语音信号盲分离算法 | 第104-108页 |
| ·Alpha稳定分布相干性测量描述 | 第104-106页 |
| ·峰值相干性测量的估计 | 第106-108页 |
| ·混合矩阵A的确定 | 第108页 |
| ·数值模拟 | 第108-110页 |
| ·小结 | 第110-111页 |
| 8 总结与展望 | 第111-114页 |
| ·总结 | 第111-112页 |
| ·展望 | 第112-114页 |
| 参考文献 | 第114-122页 |
| 攻读博士学位期间发表学术论文情况 | 第122-124页 |
| 创新点摘要 | 第124-125页 |
| 致谢 | 第125-126页 |