| 第一章 绪论 | 第1-14页 |
| ·盲信号处理近年来的研究与发展 | 第6-8页 |
| ·盲信号处理背景及其现状 | 第6-7页 |
| ·盲信号的分离问题 | 第7页 |
| ·盲解卷与盲均衡问题 | 第7-8页 |
| ·盲信号分离的几种算法 | 第8-13页 |
| ·ＩＣＡ 算法的研究 | 第8-11页 |
| ·因子分析(ＦＡ)和独立因子分析算法的研究 | 第11页 |
| ·盲信号抽取(ＢＳＥ)方法的研究 | 第11-13页 |
| ·本文的主要工作 | 第13-14页 |
| 第二章 ＩＣＡ 算法 | 第14-31页 |
| ·ＩＣＡ 算法的基本知识 | 第14-18页 |
| ·源信号的 ｐｄｆ 的描述 | 第14页 |
| ·源信号与混合阵的等价尺度变换 | 第14-15页 |
| ·解的等价性 | 第15页 |
| ·Ｋｕｌｌｂａｃｋ Ｌｅｉｂｌｅｒ 发散度 | 第15-16页 |
| ·随机向量各分量统计独立性的衡量 | 第16页 |
| ·线性变换下两价目pdf之间的关系 | 第16页 |
| ·非线性变换下两个 ｐｄｆ 之间的关系 | 第16-17页 |
| ·信号源不可分的原因 | 第17-18页 |
| ·ＩＣＡ 算法的目标函数 | 第18-22页 |
| ·最大似然目标函数 | 第18-20页 |
| ·统计独立性目标函数 | 第20-21页 |
| ·信息最大化(最大熵)目标函数 | 第21-22页 |
| ·ICA算法的目标函数形式 | 第22页 |
| ·ＩＣＡ 算法的学习算法 | 第22-31页 |
| ·相对梯度学习算法 | 第23-26页 |
| ·相对梯度学习算法的等价变化性 | 第26-27页 |
| ·自然梯度学习算法 | 第27-31页 |
| 第三章 基于高斯混合模型的 ＩＣＡ 算法 | 第31-47页 |
| ·ＩＣＡ 算法中的 ｐｄｆ 的确定一般方法 | 第31-33页 |
| ·ＩＣＡ 中常用的 p?i(?)及相应的?i(?) | 第31-33页 |
| ·高斯混合模型 | 第33页 |
| ·用 ＥＭ 算法确定高斯混合模型的参数 | 第33-40页 |
| ·最大似然函数 | 第33-34页 |
| ·ＥＭ 算法的基础知识 | 第34-36页 |
| ·通过 ＥＭ 算法求高斯混合模型联合密度函数的参数 | 第36-40页 |
| ·高斯混合模型在 ＩＣＡ 算法中的应用 | 第40-41页 |
| ·高斯混合模型的对数似然函数及其参数确定 | 第40页 |
| ·高斯混合模型在 ＩＣＡ 学习算法中的应用 | 第40-41页 |
| ·基于高斯混合模型 ＩＣＡ 算法的仿真 | 第41-46页 |
| ·高斯混合模型对密度函数逼近 | 第42-43页 |
| ·基于高斯混合模型ＩＣＡ算法的仿真 | 第43-46页 |
| ·结论 | 第46-47页 |
| 第四章 基于步幅自适应的 ＩＣＡ 学习算法 | 第47-65页 |
| ·基本遗传算法及其实现 | 第47-52页 |
| ·遗传操作 | 第49-51页 |
| ·遗传算法的实现 | 第51-52页 |
| ·基于自调整因子a模糊控制器的设计 | 第52-62页 |
| ·模糊控制器结构的设计 | 第53-54页 |
| ·输入输出语言变量的设计 | 第54-56页 |
| ·模糊控制规则的建立 | 第56-58页 |
| ·精确量的模糊化及模糊量的清晰化 | 第58-59页 |
| ·用遗传算法实现可调因子a的寻优 | 第59-60页 |
| ·步幅自适应学习过程 | 第60-62页 |
| ·基于自调整因子a模糊控制器的步长自适应 ＩＣＡ 算法的仿真 | 第62-64页 |
| ·结论 | 第64-65页 |
| 第五章 总结 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 发表论文及参加科研情况说明 | 第69-70页 |
| 致谢 | 第70页 |
