基于负熵的自适应盲源分离算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 盲源分离的研究概况 | 第9-11页 |
| 1.3 盲源分离的应用和难点 | 第11-15页 |
| 1.3.1 盲源分离的应用 | 第11-13页 |
| 1.3.2 盲源分离问题的难点 | 第13-15页 |
| 1.4 论文的创新点和章节安排 | 第15-17页 |
| 第2章 盲源分离的基本原理和相关知识 | 第17-39页 |
| 2.1 盲源分离的数学模型 | 第18-20页 |
| 2.2 信息论的基础知识 | 第20-23页 |
| 2.2.1 随机变量的独立性概念 | 第20-21页 |
| 2.2.2 熵 | 第21页 |
| 2.2.3 Kullback-Leibler散度 | 第21-22页 |
| 2.2.4 互信息 | 第22页 |
| 2.2.5 负熵 | 第22-23页 |
| 2.3 盲源分离问题的求解过程 | 第23-38页 |
| 2.3.1 预处理 | 第24-25页 |
| 2.3.2 分离准则 | 第25-30页 |
| 2.3.3 优化算法 | 第30-38页 |
| 2.4 本章小结 | 第38-39页 |
| 第3章 基于负熵的盲源分离准则的分析及仿真实验 | 第39-51页 |
| 3.1 引入负熵的意义 | 第39-41页 |
| 3.2 负熵的近似计算 | 第41-42页 |
| 3.3 负熵实现盲源分离的机理 | 第42-43页 |
| 3.4 极值特性的分析及仿真实验 | 第43-50页 |
| 3.4.1 E[G(y)]的极值特性 | 第44-48页 |
| 3.4.2 负熵J[y]的极值特性 | 第48-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第4章 一种基于负熵的变步长自适应算法 | 第51-61页 |
| 4.1 基于负熵的梯度下降算法 | 第51-54页 |
| 4.1.1 经典算法 | 第51-52页 |
| 4.1.2 基于惩罚项的梯度下降算法 | 第52-54页 |
| 4.2 一种改进的变步长自适应算法 | 第54-56页 |
| 4.2.1 步长对算法性能的影响 | 第54页 |
| 4.2.2 变步长算法的分类 | 第54-55页 |
| 4.2.3 基于分离矩阵的变步长算法 | 第55-56页 |
| 4.3 计算机仿真 | 第56-59页 |
| 4.4 本章小结 | 第59-61页 |
| 第5章 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61页 |
| 5.2 展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67页 |
