盲源分离算法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 插图索引 | 第10-11页 |
| 表格索引 | 第11-12页 |
| 第1章 绪论 | 第12-20页 |
| ·研究背景及意义 | 第12-13页 |
| ·盲分离的基本概念 | 第13-16页 |
| ·盲分离的数学模型 | 第13页 |
| ·盲分离的目标准则 | 第13-14页 |
| ·盲分离的研究领域 | 第14-15页 |
| ·盲分离的研究内容 | 第15-16页 |
| ·盲分离的应用 | 第16-18页 |
| ·盲分离的发展历程及现状 | 第18页 |
| ·论文的主要工作及组织结构 | 第18-20页 |
| 第2章 盲源分离算法 | 第20-38页 |
| ·主分量分析 | 第20-24页 |
| ·PCA的基本原理 | 第21-22页 |
| ·主分量的求解 | 第22页 |
| ·主分量分析用于盲分离算法 | 第22-24页 |
| ·独立分量分析准则 | 第24-28页 |
| ·独立分量分析基础 | 第24-26页 |
| ·独立性测度 | 第26-28页 |
| ·盲源分离优化算法 | 第28-31页 |
| ·自适应算法 | 第28-30页 |
| ·批处理算法 | 第30-31页 |
| ·算法性能指标 | 第31页 |
| ·欠定条件下的盲源分离 | 第31-32页 |
| ·仿真实验 | 第32-36页 |
| ·小结 | 第36-38页 |
| 第3章 影响盲分离算法性能的因素 | 第38-49页 |
| ·学习速率 | 第38-39页 |
| ·激活函数的影响 | 第39-41页 |
| ·激活函数的构造方法 | 第41-48页 |
| ·级数展开法 | 第42-43页 |
| ·参数估计法 | 第43-46页 |
| ·非参数估计法 | 第46-48页 |
| ·小结 | 第48-49页 |
| 第4章 基于SVM概率密度函数估计的盲源分离 | 第49-68页 |
| ·支持向量机 | 第49-54页 |
| ·统计学习理论 | 第49-51页 |
| ·支持向量机的分类算法 | 第51-54页 |
| ·基于SVM概率密度函数估计的盲源分离算法 | 第54-59页 |
| ·Fast_ICA算法与概率密度的关系 | 第54-56页 |
| ·基于SVM的概率密度函数的回归方法 | 第56-57页 |
| ·SVM 与 Fast_ICA 的结合 | 第57-59页 |
| ·算法性能与仿真分析 | 第59-67页 |
| ·通信信号的分离 | 第59-65页 |
| ·图像信号的分离 | 第65-66页 |
| ·音频信号的分离 | 第66-67页 |
| ·小结 | 第67-68页 |
| 结束语 | 第68-70页 |
| 一、本文工作总结 | 第68-69页 |
| 二、工作展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 附录A 读研期间发表学术论文和参与科研项目 | 第74-75页 |
| 致谢 | 第75页 |
