| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 盲源分离国内外研究现状 | 第11-12页 |
| 1.3 本文研究内容及章节安排 | 第12-14页 |
| 第2章 盲源分离基础理论 | 第14-26页 |
| 2.1 盲源分离系统数学模型 | 第14-16页 |
| 2.1.1 盲源分离系统模型 | 第14-15页 |
| 2.1.2 欠定盲源分离系统模型 | 第15-16页 |
| 2.2 盲源分离的主要方法 | 第16-18页 |
| 2.2.1 独立分量分析法 | 第16-17页 |
| 2.2.2 稀疏成分分析法 | 第17-18页 |
| 2.3 典型聚类算法 | 第18-21页 |
| 2.3.1 K-均值聚类算法 | 第18-19页 |
| 2.3.2 模糊C-均值聚类算法 | 第19-20页 |
| 2.3.3 基于密度聚类算法 | 第20-21页 |
| 2.4 源信号恢复主要方法 | 第21-24页 |
| 2.4.1 基于线性规划的传统源信号恢复算法 | 第21-23页 |
| 2.4.2 结合压缩感知重构理论的源信号恢复 | 第23-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第3章 基于密度对象排序的源数目估计和FCM混合矩阵估计 | 第26-46页 |
| 3.1 信号的稀疏性原理及表示方法 | 第26-30页 |
| 3.1.1 信号稀疏概念 | 第26-27页 |
| 3.1.2 信号稀疏性衡量 | 第27-28页 |
| 3.1.3 信号稀疏特征及分解方法 | 第28-30页 |
| 3.2 混合信号线性聚集特性 | 第30-35页 |
| 3.2.1 混合信号线性聚集特性与稀疏分解 | 第30-32页 |
| 3.2.2 基于单源等比系数的信号线性聚集性增强 | 第32-35页 |
| 3.3 基于密度的对象排序聚类算法基础理论 | 第35-39页 |
| 3.3.1 密度对象排序算法原理 | 第35-37页 |
| 3.3.2 局部孤立点检测优化聚类结果 | 第37-39页 |
| 3.4 组合算法原理及流程 | 第39页 |
| 3.5 仿真实验 | 第39-44页 |
| 3.5.1 混合矩阵估计性能评价准则 | 第39-40页 |
| 3.5.2 仿真实验与结果分析 | 第40-44页 |
| 3.6 本章小结 | 第44-46页 |
| 第4章 基于压缩感知信号重构的欠定盲源分离信号源恢复 | 第46-56页 |
| 4.1 基于压缩感知信号重构的欠定盲源分离源信号恢复 | 第46-48页 |
| 4.1.1 压缩感知与欠定盲源分离的等效模型 | 第46-47页 |
| 4.1.2 基于压缩感知重构算法的源信号恢复 | 第47-48页 |
| 4.2 正交匹配追踪重构算法 | 第48-50页 |
| 4.3 重构性能评价准则 | 第50页 |
| 4.4 实验仿真及分析 | 第50-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 基于EEMD和FASTICA的欠定源信号分离 | 第56-66页 |
| 5.1 集合经验模式分解基本原理 | 第56-58页 |
| 5.2 FASTICA算法原理 | 第58-59页 |
| 5.3 EEMD结合FASTICA算法分离源信号 | 第59-62页 |
| 5.3.1 结合算法原理及流程 | 第59-60页 |
| 5.3.2 观测信号重构升维 | 第60-62页 |
| 5.4 仿真实验及数据分析 | 第62-65页 |
| 5.5 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 致谢 | 第73页 |
