| 第一章 绪论 | 第1-13页 |
| 1．1 独立成分分析 | 第7-8页 |
| 1．2 盲分离的应用 | 第8-9页 |
| 1．3 盲分离发展及现状 | 第9-11页 |
| 1．4 本文的主要内容和贡献 | 第11-12页 |
| 1．5 文章组织 | 第12-13页 |
| 第二章 盲处理技术的基本理论 | 第13-26页 |
| 2．1 统计理论 | 第13-18页 |
| 2．1．1 高阶矩和高阶累积量的定义 | 第13-15页 |
| 2．1．2 高阶累积量的计算 | 第15-17页 |
| 2．1．3 高阶累积量的重要性质 | 第17-18页 |
| 2．2 信息论的有关知识 | 第18-23页 |
| 2．2．1 熵(entropy) | 第19-20页 |
| 2．2．2 Kullback-Leibler( K-L)散度 | 第20-21页 |
| 2．2．3 互信息(Mutual information) | 第21-22页 |
| 2．2．4 负熵(neg-entropy) | 第22-23页 |
| 2．3 线性系统输入输出信号间有关信息特征参数的关系 | 第23-25页 |
| 2．3．1 熵关系 | 第23页 |
| 2．3．2 K-L散度关系 | 第23-24页 |
| 2．3．3 互信息关系 | 第24页 |
| 2．3．4 负熵关系 | 第24-25页 |
| 2．4 本章小结 | 第25-26页 |
| 第三章 盲分离常用算法研究 | 第26-38页 |
| 3．1 独立性判据 | 第26-29页 |
| 3．1．1 互信息最小化判据(Minimization of Mutual Information，MMI) | 第26页 |
| 3．1．2 信息最大化判据 | 第26-27页 |
| 3．1．3 极大似然估计判据(Maximum Likelihood Estimation，MLE) | 第27-28页 |
| 3．1．4 非线性 PCA判据 | 第28-29页 |
| 3．2 常用算法 | 第29-35页 |
| 3．2．1 INFORMAX算法 | 第29-31页 |
| 3．2．2 Extended-ICA算法 | 第31页 |
| 3．2．3 负熵最大化 | 第31-33页 |
| 3．2．4 基于牛顿迭代的快速 ICA算法 | 第33-34页 |
| 3．2．5 高阶统计量方法 | 第34-35页 |
| 3．3 算法性能评价准则 | 第35-37页 |
| 3．3．1 基于混合矩阵的算法性能评价准则 | 第35-36页 |
| 3．3．2 基于信号波形的算法性能评价准则 | 第36-37页 |
| 3．4 本章小结 | 第37-38页 |
| 第四章 噪声条件下的盲分离方法 | 第38-50页 |
| 4．1 降低噪声的预白化技术 | 第38-40页 |
| 4．1．1 噪声方差接近于零的情况 | 第38-39页 |
| 4．1．2 噪声方差不为零的情况 | 第39页 |
| 4．1．3 信源个数的估计 | 第39-40页 |
| 4．1．4 去噪声的预白化方法总结 | 第40页 |
| 4．2 算法的确定 | 第40-42页 |
| 4．3 密度模型的确定 | 第42-45页 |
| 4．3．1 几种常用的密度模型分析对比 | 第42-43页 |
| 4．3．2 密度模型提出 | 第43-45页 |
| 4．4 算法实现 | 第45页 |
| 4．5 稳定性分析 | 第45-46页 |
| 4．6 仿真实验 | 第46-48页 |
| 4．6．1 首先验证无叠加噪声时算法的性能 | 第46-48页 |
| 4．6．2 有叠加噪声的情况 | 第48页 |
| 4．7 本章小结 | 第48-50页 |
| 第五章 采用高阶累积量的盲分离方法 | 第50-56页 |
| 5．1 基于累积量的自适应 ICA算法 | 第50-53页 |
| 5．1．1 基于累积量的目标函数 | 第50-51页 |
| 5．1．2 应用高阶累积量的等变化算法 | 第51-53页 |
| 5．2 算法拓展 | 第53-54页 |
| 5．3 传感器个数大于信号源个数的盲分离 | 第54页 |
| 5．4 仿真实验 | 第54-55页 |
| 5．5 本章小结 | 第55-56页 |
| 第六章 结论和展望 | 第56-59页 |
| 6．1 本文工作总结 | 第56-57页 |
| 6．2 盲分离研究展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 硕士期间发表的学术论文 | 第62-63页 |
| 致谢 | 第63-64页 |
