| 提要 | 第1-8页 |
| 第1章 概述 | 第8-18页 |
| ·盲源分离概述 | 第8-9页 |
| ·盲源分离的发展 | 第9-15页 |
| ·盲源分离的应用现状 | 第15-17页 |
| ·本文工作与组织形式 | 第17-18页 |
| 第2章 盲源分离和独立成分分析 | 第18-39页 |
| ·引言 | 第18-19页 |
| ·ICA算法 | 第19-22页 |
| ·ICA问题的假设条件 | 第20-21页 |
| ·ICA算法的性能指标 | 第21页 |
| ·BSS与ICA的统一模型 | 第21-22页 |
| ·自然梯度的ICA学习算法 | 第22-26页 |
| ·自然梯度的ICA算法描述 | 第22-24页 |
| ·自然梯度 ICA算法的稳定性分析 | 第24-26页 |
| ·ICA的预处理 | 第26-30页 |
| ·主成分分析与ICA | 第26-28页 |
| ·利用PCA进行数据降维 | 第28-30页 |
| ·实验结果及分析 | 第30-38页 |
| ·无噪声混合信号分离 | 第30-32页 |
| ·汽车行驶环境中混合音分离 | 第32-38页 |
| ·本章小结 | 第38-39页 |
| 第3章 基于随机梯度的线性多层 ICA算法 | 第39-48页 |
| ·引言 | 第39页 |
| ·MaxKurt算法 | 第39-40页 |
| ·线性多层ICA算法 | 第40-44页 |
| ·线性多层ICA算法的稳定性分析 | 第44-45页 |
| ·线性多层ICA与MaxKurt的比较 | 第45页 |
| ·实验结果及分析 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第4章 基于自然梯度的DS-CDMA下行链路BMUD | 第48-66页 |
| ·引言 | 第48-51页 |
| ·下行链路的DS-CDMA模型 | 第51-54页 |
| ·传统检测方法 | 第54-58页 |
| ·MF检测器 | 第54-55页 |
| ·RAKE检测器 | 第55页 |
| ·LMMSE检测器 | 第55-56页 |
| ·RAKE-PCA/ICA检测器 | 第56-58页 |
| ·基于自然梯度的反馈式BMUD方法 | 第58-64页 |
| ·前向反馈式BMUD结构 | 第59-60页 |
| ·后向反馈式BMUD结构Ⅰ | 第60-61页 |
| ·后向反馈式BMUD结构Ⅱ | 第61-62页 |
| ·反馈式BMUD的全局转换函数 | 第62-64页 |
| ·本章小节 | 第64-66页 |
| 第5章 基于TDS的反馈式DS-CDMA BMUD改进算法 | 第66-76页 |
| ·引言 | 第66-67页 |
| ·基于TDS的反馈式DS-CDMA改进模型 | 第67-69页 |
| ·基于反馈结构的BMUD算法 | 第69-70页 |
| ·基于TDS的反馈式DS-CDMA BMUD改进算法 | 第70-71页 |
| ·仿真结果及分析 | 第71-75页 |
| ·本章小结 | 第75-76页 |
| 第6章 基于FastICA-TDS的DS-CDMA盲源信号分离 | 第76-88页 |
| ·引言 | 第76页 |
| ·FastICA算法 | 第76-81页 |
| ·广义FastICA算法 | 第77-80页 |
| ·多个独立成分的估计 | 第80-81页 |
| ·FastICA算法的特性 | 第81页 |
| ·FastICA-TDS的DS-CDMA盲源信号分离系统 | 第81-84页 |
| ·FastICA运用于DS-CDMA的假设条件 | 第81页 |
| ·系统总体结构 | 第81-83页 |
| ·算法执行过程 | 第83-84页 |
| ·仿真实验 | 第84-86页 |
| ·仿真环境构建 | 第84页 |
| ·结果及分析 | 第84-86页 |
| ·本章小结 | 第86-88页 |
| 第7章 总结与展望 | 第88-90页 |
| ·本文的工作总结 | 第88-89页 |
| ·未来的工作展望 | 第89-90页 |
| 参考文献 | 第90-102页 |
| 攻读博士学位期间取得的成果 | 第102-105页 |
| 致谢 | 第105-106页 |
| 中文摘要 | 第106-109页 |
| Abstract | 第109-112页 |
