盲源分离算法研究
| 摘要 | 第1-3页 |
| Abstract | 第3-4页 |
| 目录 | 第4-6页 |
| 第一章 绪论 | 第6-17页 |
| 1．1 盲信号处理研究的背景和意义 | 第6-7页 |
| 1．2 盲信号处理问题综述 | 第7-16页 |
| 1．2．1 盲信号处理问题分类 | 第7-10页 |
| 1．2．2 盲信号处理的研究与发展状况 | 第10-13页 |
| 1．2．3 盲信号处理的应用 | 第13-16页 |
| 1．3 论文的研究内容 | 第16-17页 |
| 第二章 独立分量分析方法概论 | 第17-35页 |
| 2．1 独立分量分析的数学模型 | 第17-21页 |
| 2．2 ICA与BSS、PCA及白化的关系 | 第21-24页 |
| 2．2．1 BSS与ICA | 第21-22页 |
| 2．2．2 PCA与ICA | 第22-23页 |
| 2．2．3 白化与ICA | 第23-24页 |
| 2．3 ICA或BSS的基本方法 | 第24-31页 |
| 2．3．1 互信息量最小化目标函数 | 第26-27页 |
| 2．3．2 信息传输最大化或负熵最大化目标函数 | 第27-28页 |
| 2．3．3 最大似然目标函数 | 第28-29页 |
| 2．3．4 自然梯度算法 | 第29-31页 |
| 2．4 算法仿真与分析 | 第31-35页 |
| 第三章 基于峰度的盲源分离开关算法 | 第35-44页 |
| 3．1 盲源分离模型 | 第35-36页 |
| 3．2 源信号pdf、激活函数及峰度 | 第36-37页 |
| 3．3 盲源分离开关算法 | 第37-39页 |
| 3．4 算法仿真与分析 | 第39-44页 |
| 3．4．1 实验一 | 第39-42页 |
| 3．4．2 实验二 | 第42-44页 |
| 第四章 盲分离的不完整自然梯度算法研究 | 第44-54页 |
| 4．1 不完整自然梯度学习算法 | 第44-47页 |
| 4．2 激活函数的广义高斯分布模型 | 第47-48页 |
| 4．3 算法仿真与分析 | 第48-54页 |
| 4．3．1 实验一 | 第49-50页 |
| 4．3．2 实验二 | 第50-52页 |
| 4．3．3 实验三 | 第52-54页 |
| 第五章 总结与展望 | 第54-58页 |
| 5．1 本文工作总结 | 第54页 |
| 5．2 盲源分离研究展望 | 第54-58页 |
| 参考文献 | 第58-64页 |
| 攻读硕士学位期间发表的学术论文 | 第64-65页 |
| 致谢 | 第65-66页 |
