| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 盲源分离研究背景 | 第12-14页 |
| 1.1.1 盲源分离概念 | 第12-13页 |
| 1.1.2 盲源分离分类 | 第13-14页 |
| 1.2 盲源分离发展历史和研究概述 | 第14-15页 |
| 1.3 PSO和LMS算法研究现状及应用 | 第15-16页 |
| 1.4 论文结构与安排 | 第16-18页 |
| 第2章 盲源分离概述 | 第18-28页 |
| 2.1 引言 | 第18页 |
| 2.2 盲源分离理论 | 第18-23页 |
| 2.2.1 盲源分离模型 | 第18-19页 |
| 2.2.2 盲源分离假设条件 | 第19-20页 |
| 2.2.3 盲源分离基础知识 | 第20-21页 |
| 2.2.4 信号预处理 | 第21-22页 |
| 2.2.5 基本寻优准则 | 第22-23页 |
| 2.3 盲源分离算法 | 第23-27页 |
| 2.3.1 批处理算法 | 第23-24页 |
| 2.3.2 LMS算法 | 第24-26页 |
| 2.3.3 PSO算法 | 第26页 |
| 2.3.4 评价准则 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 PSO盲源分离算法及改进型 | 第28-45页 |
| 3.1 引言 | 第28页 |
| 3.2 粒子群算法和遗传算法 | 第28-30页 |
| 3.2.1 粒子群算法 | 第28-29页 |
| 3.2.2 遗传算法 | 第29-30页 |
| 3.3 PSO算法自适应惯性权重改进 | 第30-33页 |
| 3.3.1 自适应惯性权重 | 第30-31页 |
| 3.3.2 自适应惯性权重优化的粒子群算法 | 第31-33页 |
| 3.4 用遗传算法优化粒子群算法 | 第33-34页 |
| 3.4.1 杂交机制引入粒子群 | 第33-34页 |
| 3.4.2 变异机制引入粒子群 | 第34页 |
| 3.5 在平稳和非平稳环境下改进粒子群算法 | 第34-37页 |
| 3.5.1 正交矩阵参数化表示 | 第35页 |
| 3.5.2 GA-AW-PSO盲源分离算法 | 第35-37页 |
| 3.6 仿真实验及结果分析 | 第37-44页 |
| 3.6.1 平稳环境下AW-PSO算法盲源分离实验 | 第37-39页 |
| 3.6.2 基于GA-AW-PSO的动态轴承故障信号盲源分离实验 | 第39-44页 |
| 3.7 本章小结 | 第44-45页 |
| 第4章 LMS盲源分离算法及改进型 | 第45-67页 |
| 4.1 引言 | 第45页 |
| 4.2 LMS中的自然梯度和EASI算法 | 第45-46页 |
| 4.3 基于PI构造步长函数 | 第46-51页 |
| 4.3.1 变步长自然梯度算法 | 第49-50页 |
| 4.3.2 变步长EASI算法 | 第50-51页 |
| 4.4 基于PI的构造动量因子函数 | 第51-53页 |
| 4.4.1 动量因子自然梯度算法 | 第51-52页 |
| 4.4.2 动量因子EASI算法 | 第52-53页 |
| 4.5 在平稳和非平稳环境下对传统算法改进 | 第53-55页 |
| 4.5.1 非线性激活函数选取 | 第53-54页 |
| 4.5.2 对自然梯度算法改进 | 第54页 |
| 4.5.3 对EASI算法改进 | 第54-55页 |
| 4.6 仿真实验及结果分析 | 第55-66页 |
| 4.6.1 对自然梯度算法及改进型实验分析 | 第55-62页 |
| 4.6.2 对EASI算法及改进型实验分析 | 第62-66页 |
| 4.7 本章小结 | 第66-67页 |
| 第5章 总结与展望 | 第67-69页 |
| 5.1 本论文工作总结 | 第67-68页 |
| 5.2 未来工作展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-74页 |
| 攻读硕士期间参与项目及取得的成果 | 第74页 |