| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第一章 绪论 | 第12-27页 |
| ·研究背景和意义 | 第12页 |
| ·盲源分离的基本原理 | 第12-14页 |
| ·盲源分离的研究热点及其研究现状 | 第14-22页 |
| ·盲源分离的应用 | 第22-24页 |
| ·本文的主要创新和组织结构 | 第24-27页 |
| 第二章 贝叶斯推理和变分贝叶斯学习 | 第27-39页 |
| ·引言 | 第27页 |
| ·贝叶斯推理 | 第27-31页 |
| ·最大似然函数 | 第28-29页 |
| ·最大后验概率 | 第29页 |
| ·Laplace 近似 | 第29-30页 |
| ·蒙特卡罗(Monte Carlo)方法 | 第30-31页 |
| ·变分贝叶斯学习 | 第31-37页 |
| ·学习规则的推导 | 第31-35页 |
| ·先验分布的优化 | 第35页 |
| ·模型选择 | 第35-36页 |
| ·共轭先验分布 | 第36-37页 |
| ·变分贝叶斯学习在盲信号分离中的应用 | 第37页 |
| ·小结 | 第37-39页 |
| 第三章 基于泛化自回归模型的盲信号分离 | 第39-67页 |
| ·引言 | 第39-40页 |
| ·泛化自回归模型 | 第40页 |
| ·含噪混合系统的概率分布模型 | 第40-44页 |
| ·含噪混合系统模型 | 第40-41页 |
| ·泛化自回归源模型和它的概率分布 | 第41-43页 |
| ·噪声和观测信号的概率分布 | 第43-44页 |
| ·混合矩阵的概率分布 | 第44页 |
| ·基于泛化自回归源模型的盲信号分离 | 第44-54页 |
| ·基于泛化自回归源模型的盲分离算法 | 第44-49页 |
| ·特例一：单模态超高斯源信号分离 | 第49-50页 |
| ·特例二：高斯源信号分离 | 第50-51页 |
| ·超参数的更新 | 第51-53页 |
| ·算法的初始化 | 第53-54页 |
| ·仿真实验 | 第54-65页 |
| ·有时间结构的非高斯源信号的分离 | 第55-57页 |
| ·有时间结构的高斯源信号的分离 | 第57-58页 |
| ·语音信号分离 | 第58-65页 |
| ·小结 | 第65-67页 |
| 第四章 基于时变自回归模型的盲信号分离 | 第67-86页 |
| ·引言 | 第67页 |
| ·时变自回归模型 | 第67-68页 |
| ·含噪混合系统的概率分布模型 | 第68-71页 |
| ·含噪混合系统模型 | 第68页 |
| ·时变自回归源模型和它的概率分布 | 第68-70页 |
| ·噪声和观测信号的概率分布 | 第70-71页 |
| ·混合矩阵的概率分布 | 第71页 |
| ·基于时变自回归源模型的盲信号分离 | 第71-77页 |
| ·基于时变自回归源模型的盲分离算法 | 第71-76页 |
| ·算法的初始化 | 第76-77页 |
| ·完整的算法流程 | 第77页 |
| ·仿真实验 | 第77-85页 |
| ·非平稳自回归源信号的分离 | 第78-80页 |
| ·适定情况下的语音信号分离 | 第80-83页 |
| ·超定情况下的语音信号分离 | 第83-84页 |
| ·算法复杂性 | 第84-85页 |
| ·小结 | 第85-86页 |
| 第五章 基于状态空间模型的单通道盲信号分离 | 第86-105页 |
| ·引言 | 第86-87页 |
| ·单通道盲信号分离的模型 | 第87-89页 |
| ·单通道盲信号分离的状态空间模型 | 第88页 |
| ·单通道盲信号分离的概率分布模型 | 第88-89页 |
| ·基于状态空间模型的单通道盲信号分离算法 | 第89-94页 |
| ·源信号的分离 | 第90-91页 |
| ·模型参数的学习 | 第91-92页 |
| ·超参数的更新 | 第92-93页 |
| ·代价函数的计算 | 第93页 |
| ·算法的初始化 | 第93-94页 |
| ·完整的算法流程 | 第94页 |
| ·仿真实验 | 第94-103页 |
| ·语音和音乐信号混合的单通道盲分离 | 第95-101页 |
| ·语音信号混合的单通道盲分离 | 第101-103页 |
| ·小结 | 第103-105页 |
| 第六章 独立成分分析在语音增强中的应用 | 第105-124页 |
| ·引言 | 第105页 |
| ·独立成分域的语音增强原理 | 第105-108页 |
| ·语音增强 | 第105-106页 |
| ·独立成分域的语音增强原理 | 第106-108页 |
| ·独立成分分析在语音增强中的应用 | 第108-123页 |
| ·小波包分解预处理 | 第108-109页 |
| ·独立成分分析 | 第109-110页 |
| ·非线性增强和贝叶斯增强 | 第110-114页 |
| ·独立成分分析的逆变换 | 第114页 |
| ·小波包分解的逆变换 | 第114-115页 |
| ·仿真实验 | 第115-123页 |
| ·小结 | 第123-124页 |
| 第七章 全文总结与展望 | 第124-126页 |
| ·全文工作总结 | 第124-125页 |
| ·未来工作展望 | 第125-126页 |
| 附录 | 第126-130页 |
| A.1 几种典型常用的概率分布 | 第126-129页 |
| A.2 几种常用分布的KULLBACK-LEIBLER(KL)散度 | 第129-130页 |
| 参考文献 | 第130-145页 |
| 致谢 | 第145-146页 |
| 攻读博士学位期间撰写发表的论文 | 第146-147页 |
| 专利申请 | 第147页 |