| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 论文研究背景及意义 | 第12页 |
| 1.2 盲源分离的研究历史与发展现状 | 第12-14页 |
| 1.3 盲源分离的应用 | 第14-15页 |
| 1.4 本文的主要工作 | 第15-17页 |
| 第二章 盲源分离的基本理论 | 第17-28页 |
| 2.1 盲源分离的数学模型 | 第17-19页 |
| 2.1.1 盲源分离基本假设 | 第18-19页 |
| 2.1.2 盲源分离的不确定性 | 第19页 |
| 2.2 信息论基础 | 第19-22页 |
| 2.2.1 熵 | 第19-20页 |
| 2.2.2 互信息 | 第20-21页 |
| 2.2.3 K-L散度 | 第21-22页 |
| 2.3 信号预处理 | 第22-23页 |
| 2.3.1 去均值 | 第22页 |
| 2.3.2 白化 | 第22-23页 |
| 2.4 盲源分离的主要算法 | 第23-26页 |
| 2.4.1 基于互信息最小化算法 | 第23-24页 |
| 2.4.2 基于信息最大化算法 | 第24-25页 |
| 2.4.3 非高斯最大化算法 | 第25-26页 |
| 2.5 盲源分离算法的评价标准 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 自适应盲源分离算法 | 第28-39页 |
| 3.1 自然梯度算法 | 第28-30页 |
| 3.2 变步长自然梯度算法 | 第30-32页 |
| 3.3 基于自然梯度算法的自适应盲源分离的改进 | 第32-34页 |
| 3.3.1 自然梯度算法的改进 | 第32-33页 |
| 3.3.2 引入动量项的双自适应自然梯度算法 | 第33-34页 |
| 3.4 实验仿真 | 第34-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 亚高斯和超高斯信号混合时的盲源分离算法 | 第39-57页 |
| 4.1 激活函数对算法的影响 | 第39-40页 |
| 4.2 激活函数的构造方法 | 第40-45页 |
| 4.2.1 级数展开法 | 第40-41页 |
| 4.2.2 参数估计法 | 第41-43页 |
| 4.2.2.1 双曲-柯西概率分布模型 | 第41-42页 |
| 4.2.2.2 最大似然估计 | 第42-43页 |
| 4.2.3 非参数估计法 | 第43-45页 |
| 4.2.3.1 直方图法 | 第43-45页 |
| 4.2.3.2 核函数估计法 | 第45页 |
| 4.3 基于概率密度估计的盲源分离算法 | 第45-48页 |
| 4.4 基于概率密度估计的盲源分离改进算法（ABBSS） | 第48-50页 |
| 4.5 实验仿真 | 第50-56页 |
| 4.5.1 杂系混合信号的分离情况 | 第50-54页 |
| 4.5.2 ABBSS算法与DEBBSS算法的比较 | 第54-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 攻读学位期间发表的学术论文 | 第64-65页 |
| 致谢 | 第65页 |