| 第一章 绪论 | 第1-29页 |
| §1．1 研究背景意义和目的 | 第13-15页 |
| §1．2 盲信号处理问题的描述 | 第15-16页 |
| §1．3 盲源分离的数学模型 | 第16-20页 |
| §1．3．1 线性瞬时混合模型 | 第16-17页 |
| §1．3．2 线性卷积混合模型 | 第17-20页 |
| §1．4 盲源分离与相关研究领域的关系 | 第20-21页 |
| §1．4．1 盲源分离与独立分量分析（ICA）关系 | 第20页 |
| §1．4．2 ICA与主分量分析的关系 | 第20-21页 |
| §1．5 自适应盲信号处理与自组织神经网络 | 第21-23页 |
| §1．6 盲源分离处理技术研究概况 | 第23-26页 |
| §1．7 盲源分离技术的应用研究 | 第26-27页 |
| §1．7．1 盲源分离在生物信号和语音信号应用中研究 | 第26页 |
| §1．7．2 盲源分离技术在水声中的应用 | 第26-27页 |
| §1．8 本文的主要工作 | 第27-29页 |
| 第二章 水声信号盲分离的理论分析 | 第29-49页 |
| §2．1 水声基阵接收信号模型 | 第29-31页 |
| §2．2 统计独立性与独立性的度量 | 第31-36页 |
| §2．2．1 统计独立性 | 第31-32页 |
| §2．2．2 信号独立性度量 | 第32-35页 |
| §2．2．3 可辨识性 | 第35-36页 |
| §2．3 盲源分离一般方法研究 | 第36-41页 |
| §2．3．1 方法概论 | 第36-38页 |
| §2．3．2 多源对照函数 | 第38-40页 |
| §2．3．3 单源对照函数 | 第40-41页 |
| §2．3．4 讨论 | 第41页 |
| §2．4 常规盲源分离算法及分类 | 第41-45页 |
| §2．4．1 预白化处理 | 第41-42页 |
| §2．4．2 自然梯度 | 第42-43页 |
| §2．4．3 常规盲源分离算法及分类 | 第43-45页 |
| §2．5 水声信号盲分离的计算机仿真 | 第45-46页 |
| §2．6 算法性能评价准则 | 第46-48页 |
| §2．6．1 基于混合矩阵的算法性能评价准则 | 第46-47页 |
| §2．6．2 基于信号波形的算法性能评价准则 | 第47-48页 |
| §2．7 本章小结 | 第48-49页 |
| 第三章 高斯信号盲分离方法 | 第49-56页 |
| §3．1 引言 | 第49页 |
| §3．2 舰船辐射噪声统计特性分析 | 第49-52页 |
| §3．3 信号子空间与自适应PCA算法 | 第52-54页 |
| §3．3．1 信号子空间 | 第53页 |
| §3．3．2 复数自适应PCA算法 | 第53-54页 |
| §3．4 最优波束算法盲分离高斯信号 | 第54-55页 |
| §3．5 本章小结 | 第55-56页 |
| 第四章 多源盲源分离的非线性主分量分析复数算法 | 第56-73页 |
| §4．1 引言 | 第56页 |
| §4．2 非线性PCA类实数算法 | 第56-60页 |
| §4．2．1 非线性PCA对照函数和学习规律 | 第56-59页 |
| §4．2．2 非线性函数的选取 | 第59-60页 |
| §4．3 非线性PCA类复数算法对照函数 | 第60-61页 |
| §4．3．1 复数对照函数 | 第60页 |
| §4．3．2 实数对照函数 | 第60-61页 |
| §4．4 复数算法 | 第61-63页 |
| §4．4．1 CMOJA算法 | 第61页 |
| §4．4．2 非线性CGHA算法 | 第61页 |
| §4．4．3 复数双梯度（CBG）算法 | 第61-62页 |
| §4．4．4 复数RLS算法 | 第62页 |
| §4．4．5 复数单源梯度递降算法1 | 第62页 |
| §4．4．6 复数单源梯度递降算法2 | 第62-63页 |
| §4．5 学习步长的选取与分离亚／超高斯混合的源信号 | 第63页 |
| §4．5．1 自适应学习步长序列 | 第63页 |
| §4．5．2 亚高斯和超高斯混合的源信号的分离 | 第63页 |
| §4．6 非线性PCA类算法与其他盲源分离算法的关系 | 第63-67页 |
| §4．6．1 与其他对照函数的关系 | 第63-64页 |
| §4．6．2 与其他盲源分离算法的关系 | 第64-67页 |
| §4．7 计算机仿真试验及结果 | 第67-70页 |
| §4．7．1 算法有效性实验 | 第67-68页 |
| §4．7．2 分离水声信号实验 | 第68-70页 |
| §4．8 本章小结 | 第70-73页 |
| 第五章 单源盲源分离复数算法 | 第73-95页 |
| §5．1 引言 | 第73页 |
| §5．2 单源盲源分离算法综述 | 第73-76页 |
| §5．3 抽气算法 | 第76-77页 |
| §5．4 基于峰度自然对数最大化单源盲源分离算法 | 第77-79页 |
| §5．4．1 峰度最大化实现源信号分离 | 第77-78页 |
| §5．4．2 算法 | 第78-79页 |
| §5．5 单源盲源分离的时空域算法 | 第79-80页 |
| §5．6 算法有效性仿真实验 | 第80-84页 |
| §5．6．1 MKMA算法有效性实验 | 第80-82页 |
| §5．6．2 ST算法有效性实验 | 第82-83页 |
| §5．6．3 任意阵形10元阵舰船辐射噪声分离实验 | 第83-84页 |
| §5．7 算法分离水声信号增益性能分析 | 第84-89页 |
| §5．7．1 盲波束形成的波束图 | 第85-86页 |
| §5．7．2 分离输出信号的信噪比 | 第86-89页 |
| §5．8 阵列流形盲估计 | 第89-93页 |
| §5．8．1 方向矢量（混合矩阵）盲估计 | 第89-90页 |
| §5．8．2 方向矢量盲估计的应用 | 第90-91页 |
| §5．8．3 仿真实验 | 第91-93页 |
| §5．9 本章小结 | 第93-95页 |
| 第六章 源数目多于传感器数目的盲辨识 | 第95-105页 |
| §6．1 引言 | 第95-97页 |
| §6．2 含噪条件下单个信号混合矩阵盲辨识算法 | 第97-98页 |
| §6．2．1 信号接收模型 | 第97-98页 |
| §6．2．2 信号方向矢量的估计 | 第98页 |
| §6．3 任意信号源数目时复数混合矩阵的盲辨识算法 | 第98-102页 |
| §6．3．1 复数高阶累积量的定义 | 第98-99页 |
| §6．3．2 两个传感器N个信号源 | 第99-101页 |
| §6．3．3 M个传感器N个信号源 | 第101-102页 |
| §6．3．4 算法的自适应迭代实现 | 第102页 |
| §6．4 实验 | 第102-104页 |
| §6．5 本章小结 | 第104-105页 |
| 第七章 实验及结果分析 | 第105-123页 |
| §7．1 16元均匀线列阵水池实验 | 第105-114页 |
| §7．1．1 实验目的 | 第105页 |
| §7．1．2 实验环境及条件 | 第105-106页 |
| §7．1．3 实验内容 | 第106-107页 |
| §7．1．4 实验结果及分析 | 第107-114页 |
| §7．2 24元均匀透明圆柱阵湖试实验 | 第114-122页 |
| §7．2．1 实验环境及条件 | 第114-116页 |
| §7．2．2 单源算法处理实验数据 | 第116-120页 |
| §7．2．3 多源算法处理实验数据 | 第120-122页 |
| §7．3 本章小结 | 第122-123页 |
| 第八章 结论及工作展望 | 第123-127页 |
| §8．1 主要研究内容和结论 | 第123-125页 |
| §8．2 下一步工作展望 | 第125-127页 |
| 附录 | 第127-131页 |
| A MKMA算法的推导 | 第127-128页 |
| B 高阶累积量与高阶矩的关系 | 第128-131页 |
| 参考文献 | 第131-140页 |
| 作者简介 | 第140-141页 |
| 致谢 | 第141-142页 |
| 攻读博士期间发表和录用的论文 | 第142页 |
