| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 盲源分离研究背景及意义 | 第9-10页 |
| 1.2 盲源分离研究现状 | 第10-13页 |
| 1.3 盲源分离应用现状 | 第13-15页 |
| 1.4 论文的主要内容及结构安排 | 第15-17页 |
| 第二章 盲源分离的基本理论 | 第17-35页 |
| 2.1 盲源分离的混合模型及假设 | 第17-19页 |
| 2.1.1 混合模型 | 第17-18页 |
| 2.1.2 盲源分离的基本假设 | 第18-19页 |
| 2.2 盲源分离基础知识 | 第19-24页 |
| 2.2.1 概率与统计理论 | 第19-21页 |
| 2.2.2 信息论基础 | 第21-23页 |
| 2.2.3 盲源分离的可分性与不确定性 | 第23-24页 |
| 2.3 盲源分离的性能评价准则 | 第24-26页 |
| 2.3.1 基于信号的评价准则 | 第24-25页 |
| 2.3.2 基于系统矩阵的评价准则 | 第25-26页 |
| 2.4 信号预处理 | 第26-28页 |
| 2.4.1 中心化 | 第26-27页 |
| 2.4.2 预白化 | 第27-28页 |
| 2.5 盲源分离主要算法 | 第28-32页 |
| 2.5.1 基于高阶统计量盲源分离算法 | 第29-30页 |
| 2.5.2 基于信息论盲源分离算法 | 第30-32页 |
| 2.5.3 基于二阶统计量盲源分离算法 | 第32页 |
| 2.5.4 基于源信号稀疏性盲源分离算法 | 第32页 |
| 2.6 本章小结 | 第32-35页 |
| 第三章 粒子群算法概述 | 第35-49页 |
| 3.1 基本粒子群算法 | 第35-37页 |
| 3.2 标准粒子群算法 | 第37-38页 |
| 3.3 粒子群算法参数分析 | 第38-46页 |
| 3.3.1 种群规模 | 第39-41页 |
| 3.3.2 学习因子 | 第41-43页 |
| 3.3.3 最大速度 | 第43-45页 |
| 3.3.4 惯性因子 | 第45-46页 |
| 3.4 粒子群算法的改进 | 第46-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 基于粒子群的盲源分离 | 第49-65页 |
| 4.1 基于动态因子与种群分类的粒子群算法的盲源分离 | 第49-56页 |
| 4.1.1 基于动态因子与种群分类的粒子群算法 | 第49-50页 |
| 4.1.2 基于动态因子与种群分类的粒子群算法的盲源分离 | 第50-56页 |
| 4.2 基于粒子浓度与动态因子的粒子群算法的盲源分离 | 第56-63页 |
| 4.2.1 基于粒子浓度与动态因子的粒子群算法 | 第56-59页 |
| 4.2.2 基于粒子浓度与动态因子的粒子群算法的盲源分离 | 第59-63页 |
| 4.3 本章小结 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 本文所做的工作 | 第65-66页 |
| 5.2 进一步的研究方向 | 第66-67页 |
| 参考文献 | 第67-77页 |
| 致谢 | 第77-79页 |
| 攻读硕士研究生期间发表的论文 | 第79页 |
