| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 符号与缩写含义清单 | 第10-12页 |
| 第一章 绪论 | 第12-18页 |
| 1.1、研究目的及意义 | 第12-13页 |
| 1.2、盲源分离技术国内外研究现状 | 第13-15页 |
| 1.3、研究内容 | 第15-18页 |
| 第二章 盲源分离的基础理论 | 第18-28页 |
| 2.1. 盲源分离的数学模型 | 第18-21页 |
| 2.1.1 线性瞬时混叠模型 | 第18-19页 |
| 2.1.2 线性卷积混叠模型 | 第19-21页 |
| 2.2 盲源分离的约束条件 | 第21页 |
| 2.3 信号的预处理 | 第21-23页 |
| 2.3.1 去均值 | 第21页 |
| 2.3.2 白化 | 第21-23页 |
| 2.4 盲分离的主要分离准则 | 第23-26页 |
| 2.4.1 最小互信息准则 | 第23-24页 |
| 2.4.2 信息传输最大化或负熵最大化 | 第24-25页 |
| 2.4.3 最大似然准则 | 第25-26页 |
| 2.5 盲源分离算法的评价准则 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 基于改进分离性能指标的自适应盲源分离算法 | 第28-45页 |
| 3.1 常见的自适应盲源分离算法 | 第28-34页 |
| 3.1.1 基于自然梯度的盲源分离算法 | 第28-32页 |
| 3.1.2 EASI算法 | 第32-34页 |
| 3.2 基于改进分离性能指标参数盲源分离算法 | 第34-37页 |
| 3.2.1 改进的系统结构 | 第34-35页 |
| 3.2.2 改进的分离性能指标参数 | 第35-37页 |
| 3.3 基于改进分离性能指标参数自然梯度盲分离算法 | 第37-40页 |
| 3.3.1 算法仿真实验及性能分析 | 第38-40页 |
| 3.4 基于改进分离性能指标参数EASI盲分离算法 | 第40-44页 |
| 3.4.1 算法仿真实验及性能分析 | 第41-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 基于融合动量项的符号梯度盲源分离算法 | 第45-53页 |
| 4.1 符号梯度盲源分离算法 | 第45-49页 |
| 4.1.1 符号自然梯度算法原理 | 第45-47页 |
| 4.1.2 仿真实验与算法性能分析 | 第47-49页 |
| 4.2 融合动量项的符号自然梯度算法 | 第49-51页 |
| 4.2.1 融合动量项的符号自然梯度算法原理 | 第49-50页 |
| 4.2.2 仿真实验与性能分析 | 第50-51页 |
| 4.3 本章小结 | 第51-53页 |
| 第五章 基于改进人工蜂群的盲分离算法 | 第53-68页 |
| 5.1 人工蜂群算法 | 第53-59页 |
| 5.1.1 人工蜂群算法生物学描述 | 第53-55页 |
| 5.1.2 人工蜂群算法算法的原理 | 第55页 |
| 5.1.3 人工蜂群算法算法的流程 | 第55-57页 |
| 5.1.4 改进的人工蜂群算法 | 第57-58页 |
| 5.1.5 人工蜂群算法仿真结果与分析 | 第58-59页 |
| 5.2 基于改进蜂群算法的盲源分离算法 | 第59-64页 |
| 5.2.1 基于改进蜂群算法的盲源分离算法原理 | 第59-60页 |
| 5.2.2 吉文斯旋转矩阵 | 第60-62页 |
| 5.2.3 基于改进蜂群算法的盲源分离算法流程 | 第62-64页 |
| 5.3 仿真实验及性能分析 | 第64-66页 |
| 5.4 本章小结 | 第66-68页 |
| 第六章 基于改进FastICA的卷积盲源分离算法 | 第68-78页 |
| 6.1 在瞬时混合下FastICA算法 | 第68-72页 |
| 6.1.1 传统的FastICA算法 | 第68-70页 |
| 6.1.2 改进的FastICA算法 | 第70-71页 |
| 6.1.3 仿真实验与性能分析 | 第71-72页 |
| 6.2 时域中的卷积混合信号分离 | 第72-75页 |
| 6.2.1 分离信号算法原理 | 第72-74页 |
| 6.2.2 分离信号的流程 | 第74-75页 |
| 6.3 算法仿真及性能分析 | 第75-76页 |
| 6.4 本章小结 | 第76-78页 |
| 第七章 总结与展望 | 第78-80页 |
| 7.1 本文总结 | 第78-79页 |
| 7.2 展望 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 致谢 | 第84-85页 |
| 攻读硕士学位期间的科研成果 | 第85页 |