基于盲源分离的信号处理算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 引言 | 第9-10页 |
| 1 绪论 | 第10-16页 |
| 1.1 选题的目的和意义 | 第10-11页 |
| 1.2 盲源分离的研究背景 | 第11-12页 |
| 1.3 盲源分离的国内外发展现状 | 第12-14页 |
| 1.4 本文研究的工作和内容安排 | 第14-16页 |
| 2 盲源分离概述 | 第16-25页 |
| 2.1 盲源分离简介 | 第16-17页 |
| 2.2 盲源分离的数学模型 | 第17-18页 |
| 2.3 盲源分离的目的 | 第18页 |
| 2.4 盲源分离的求解过程 | 第18页 |
| 2.5 盲源分离的预处理方法 | 第18-20页 |
| 2.5.1 中心化 | 第19页 |
| 2.5.2 白化处理 | 第19-20页 |
| 2.6 衡量盲源分离性能的指标 | 第20-23页 |
| 2.6.1 相似系数 | 第21页 |
| 2.6.2 功率谱密度函数 | 第21-23页 |
| 2.6.3 PI评价指标 | 第23页 |
| 2.7 振动信号的时域处理和分析 | 第23页 |
| 2.8 振动信号的频域处理和分析 | 第23-25页 |
| 3 盲源分离的理论基础知识 | 第25-31页 |
| 3.1 概率知识 | 第26页 |
| 3.2 统计知识 | 第26-28页 |
| 3.2.1 矩 | 第26-27页 |
| 3.2.2 高阶累积量 | 第27页 |
| 3.2.3 峭度 | 第27-28页 |
| 3.3 信息理论 | 第28-31页 |
| 3.3.1 熵 | 第28-29页 |
| 3.3.2 Kullback-Leibler散度 | 第29页 |
| 3.3.3 互信息 | 第29-30页 |
| 3.3.4 负熵 | 第30-31页 |
| 4 基于盲源分离的自然梯度算法 | 第31-44页 |
| 4.1 自然梯度法简介 | 第31-34页 |
| 4.2 自然梯度算法在盲源分离中的应用 | 第34-38页 |
| 4.3 实验结论 | 第38-39页 |
| 4.4 评价指标 | 第39-43页 |
| 4.4.1 相似系数 | 第39页 |
| 4.4.2 串音误差 | 第39-40页 |
| 4.4.3 源信号和分离后信号的功率谱对比图 | 第40-43页 |
| 4.5 本章小结 | 第43-44页 |
| 5 基于盲源分离的的四阶累积量算法 | 第44-51页 |
| 5.1 四阶累积量算法简介 | 第44-45页 |
| 5.2 四阶累积量算法在盲源分离中的应用 | 第45-48页 |
| 5.3 实验结论 | 第48页 |
| 5.4 评价指标 | 第48-50页 |
| 5.4.1 相似系数 | 第48-49页 |
| 5.4.2 源信号和分离后信号的功率谱对比图 | 第49-50页 |
| 5.5 本章小结 | 第50-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 附录A 基于盲源分离的自然梯度算法程序代码 | 第56-60页 |
| 附录B 基于盲源分离的四阶累积量算法程序代码 | 第60-63页 |
| 在学研究成果 | 第63-64页 |
| 致谢 | 第64页 |
