| 摘要 | 第1-6页 |
| ABSTRACT | 第6-12页 |
| 第一章绪论 | 第12-18页 |
| 1．1 盲源分离的目的与意义 | 第12-13页 |
| 1．2 盲源分离的国内外研究动态 | 第13-17页 |
| 1．2．1 瞬时混迭信号的盲源分离算法 | 第13-15页 |
| 1．2．2 卷积混迭信号的盲源分离 | 第15-17页 |
| 1．3 本文的主要研究工作及论文章节安排 | 第17-18页 |
| 第二章 基于信息理论盲源分离的基础知识 | 第18-31页 |
| 2．1 盲源分离的基本理论与算法 | 第18-28页 |
| 2．1．1 盲源分离的基本理论 | 第18-19页 |
| 2．1．2 盲源分离的基本算法盲源分离的基本算法 | 第19-28页 |
| 2．1．2．1 基于高阶累积量的盲源分离算法 | 第19-23页 |
| 2．1．2．2 基于神经网络的盲源分离算法 | 第23-26页 |
| 2．1．2．3 基于信息理论的盲源分离算法 | 第26-28页 |
| 2．2 基于信息理论盲源分离的基本算法 | 第28-31页 |
| 2．2．1 最大化输出熵法 | 第28-29页 |
| 2．2．2 极大似然估计法 | 第29-30页 |
| 2．2．3 输出互信息最小化 | 第30-31页 |
| 第三章 基于最大熵与最小互信息量的盲源分离算法的研究 | 第31-62页 |
| 3．1 算法形式 | 第31-41页 |
| 3．1．1 最大化输出熵与最小互信息量 | 第31-35页 |
| 3．1．2 算法迭代公式的推导 | 第35-36页 |
| 3．1．2．1 sum from i=1 to n (H(u_i))对B的求导 | 第35页 |
| 3．1．2．2 In|det B|对B的求导 | 第35-36页 |
| 3．1．2．3 H(Y)对B的求导 | 第36页 |
| 3．1．3 针对不同非线性函数的算法迭代公式 | 第36-41页 |
| 3．1．3．1 非线性函数为双曲正切函数 | 第36-38页 |
| 3．1．3．2 非线性函数为指数函数 | 第38-39页 |
| 3．1．3．3 非线性函数为反正切函数 | 第39-41页 |
| 3．2 计算机仿真 | 第41-62页 |
| 3．2．1 输入信号为普通信号的仿真 | 第42-45页 |
| 3．2．2 输入信号为亚高斯信号的仿真 | 第45-49页 |
| 3．2．3 输入信号为两个亚高斯信号与一个高斯信号的仿真 | 第49-53页 |
| 3．2．4 输入信号为亚高斯信号、超高斯信号和高斯信号的仿真 | 第53-56页 |
| 3．2．5 输入信号为同一信号不同相位的仿真 | 第56-62页 |
| 第四章 多个源信号盲分离算法的研究 | 第62-74页 |
| 4．1 四个亚高斯信号与一个高斯信号的仿真 | 第62-67页 |
| 4．2 亚高斯信号、高斯信号、超高斯信号的仿真 | 第67-74页 |
| 第五章 论文总结与展望 | 第74-76页 |
| 参考文献 | 第76-83页 |
| 致谢 | 第83-84页 |
| 攻读硕士期间发表的文章 | 第84页 |
