基于改进FastICA算法的混合语音盲分离
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 盲信号分离 | 第14-15页 |
| 1.2 独立成分分析 | 第15-17页 |
| 1.3 ICA的发展历史 | 第17页 |
| 1.4 本文的主要工作及安排 | 第17-19页 |
| 第二章 ICA的基本原理 | 第19-33页 |
| 2.1 ICA的动机 | 第19-20页 |
| 2.2 ICA的原理与性质 | 第20-23页 |
| 2.2.1 ICA模型 | 第20-21页 |
| 2.2.2 ICA的不确定性 | 第21页 |
| 2.2.3 ICA的约束 | 第21-22页 |
| 2.2.4 高斯变量的不适用性 | 第22-23页 |
| 2.3 非高斯性的度量 | 第23-25页 |
| 2.3.1 峭度 | 第23-24页 |
| 2.3.2 负熵 | 第24-25页 |
| 2.4 ICA的目标函数 | 第25-29页 |
| 2.4.1 极小化互信息 | 第26页 |
| 2.4.2 高阶累积量 | 第26-27页 |
| 2.4.3 最大似然估计 | 第27-28页 |
| 2.4.4 极大化非高斯性 | 第28-29页 |
| 2.5 ICA的优化算法 | 第29-32页 |
| 2.5.1 一般梯度法 | 第29-30页 |
| 2.5.2 自然梯度法 | 第30页 |
| 2.5.3 定点迭代法 | 第30-31页 |
| 2.5.4 自适应分离法 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 FastICA算法及其改进 | 第33-56页 |
| 3.1 信号的预处理 | 第33-35页 |
| 3.1.1 信号的中心化 | 第33-34页 |
| 3.1.2 信号的白化 | 第34-35页 |
| 3.2 基于峭度的Fast ICA算法及其改进 | 第35-41页 |
| 3.2.1 基于峭度的FastICA算法 | 第35-36页 |
| 3.2.2 基于峭度的FastICA算法的改进 | 第36-37页 |
| 3.2.3 基于峭度的两种算法对比 | 第37-41页 |
| 3.3 基于负熵的FastICA算法原理 | 第41-46页 |
| 3.3.1 负熵的定义及近似 | 第41-44页 |
| 3.3.2 基于负熵的FastICA算法 | 第44-46页 |
| 3.4 基于负熵的FastICA算法的改进及仿真 | 第46-53页 |
| 3.4.1 初始值的优化 | 第47-48页 |
| 3.4.2 迭代算法的优化 | 第48-49页 |
| 3.4.3 基于负熵的两种算法的对比 | 第49-53页 |
| 3.5 多个独立成分的提取 | 第53-55页 |
| 3.5.1 串行提取 | 第53-54页 |
| 3.5.2 并行提取 | 第54-55页 |
| 3.6 本章小结 | 第55-56页 |
| 第四章 改进算法在语音盲分离中的应用 | 第56-67页 |
| 4.1 语音信号的特征 | 第56-57页 |
| 4.2 分离性能的衡量指标 | 第57-58页 |
| 4.3 两种改进算法的盲分离实验 | 第58-65页 |
| 4.3.1 人工混合语音的盲分离 | 第58-62页 |
| 4.3.2 实际混合的语音盲分离 | 第62-65页 |
| 4.4 本章小结 | 第65-67页 |
| 第五章 总结和展望 | 第67-70页 |
| 5.1 本文总结 | 第67-68页 |
| 5.2 研究展望 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-77页 |
| 攻读硕士学位期间已发表或录用的论文 | 第77页 |
