| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·课题研究的背景及意义 | 第7页 |
| ·国内外研究现状及发展趋势 | 第7-10页 |
| ·本文主要研究内容 | 第10页 |
| ·本文结构安排 | 第10-13页 |
| 第二章 盲源分离基本理论 | 第13-25页 |
| ·盲分离数学模型 | 第13-14页 |
| ·线性混合模型 | 第13-14页 |
| ·非线性混合模型 | 第14页 |
| ·盲源分离问题的基本假设 | 第14-15页 |
| ·盲源分离问题的可解性 | 第15-16页 |
| ·分划矩阵 | 第15页 |
| ·混合矩阵的可分解性 | 第15-16页 |
| ·盲源分离问题数学基础 | 第16-19页 |
| ·高阶统计量 | 第16-17页 |
| ·信息理论 | 第17-19页 |
| ·信号预处理 | 第19-20页 |
| ·信号的零均值化 | 第19页 |
| ·信号的白化 | 第19-20页 |
| ·盲分离算法性能评价指标 | 第20-21页 |
| ·信号波形对比 | 第20页 |
| ·相似系数矩阵 | 第20页 |
| ·串音误差 | 第20-21页 |
| ·信失比 | 第21页 |
| ·经典的盲分离算法 | 第21-25页 |
| ·自然梯度算法 | 第21-22页 |
| ·快速固定点算法(FastICA) | 第22页 |
| ·联合近似对角化算法(JADE) | 第22-25页 |
| 第三章 基于变步长自然梯度算法的语音分离 | 第25-33页 |
| ·变步长自然梯度算法 | 第25页 |
| ·方法的整体流程和详细步骤 | 第25-27页 |
| ·仿真实验分析 | 第27-32页 |
| ·和 值的选取 | 第27-28页 |
| ·与固定步长自然梯度算法的对比 | 第28-32页 |
| ·本章小结 | 第32-33页 |
| 第四章 基于峭度最大的小波包 FastICA 算法的语音分离 | 第33-41页 |
| ·小波包的基本理论 | 第33-34页 |
| ·基于峭度最大的小波包域处理 | 第34-35页 |
| ·方法的整体流程和详细步骤 | 第35-36页 |
| ·仿真实验与结果分析 | 第36-40页 |
| ·本章小结 | 第40-41页 |
| 第五章 基于单自项选择的 SPWVD 的超定语音分离 | 第41-49页 |
| ·SPWVD 基本理论 | 第41页 |
| ·空间时频分布盲源分离算法 | 第41-43页 |
| ·算法的基本理论 | 第41-42页 |
| ·单自项点的选择 | 第42-43页 |
| ·迭代联合近似对角化 | 第43页 |
| ·方法的整体流程和详细步骤 | 第43-44页 |
| ·仿真实验与结果分析 | 第44-48页 |
| ·无噪声环境下的语音信号分离 | 第44-48页 |
| ·含噪语音信号分离实验 | 第48页 |
| ·本章小结 | 第48-49页 |
| 主要结论与展望 | 第49-51页 |
| 主要结论 | 第49页 |
| 展望 | 第49-51页 |
| 致谢 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 附录 作者在攻读硕士学位期间发表的论文 | 第57页 |