| 目录 | 第1-7页 |
| 第一章 绪论 | 第7-11页 |
| 1．1 盲信号分离的研究背景 | 第7-8页 |
| 1．2 基因芯片技术 | 第8-9页 |
| 1．2．1 DNA微阵列提取 | 第8-9页 |
| 1．2．2 基因芯片技术的应用 | 第9页 |
| 1．3 本文工作与结构 | 第9-11页 |
| 第二章 传统的盲信号分离算法 | 第11-18页 |
| 2．1 盲信号分离的问题描述 | 第11-14页 |
| 2．2 传统的盲信号分离算法 | 第14-17页 |
| 2．2．1 独立分量分析 | 第14-15页 |
| 2．2．2 非线性主分量分析 | 第15-16页 |
| 2．2．3 非线性混合情况下的盲信号分离 | 第16-17页 |
| 2．3 本章小结 | 第17-18页 |
| 第三章 基于混合信号概率密度函数估计的盲信号分离 | 第18-27页 |
| 3．1 基于Gram-Charlier展开的密度估计 | 第18-20页 |
| 3．1．1 Gram-Charlier展开的概率密度估计原理 | 第18-19页 |
| 3．1．2 Gram-Charlier展开的迭代计算 | 第19-20页 |
| 3．2 基于最大熵化的盲信号分离算法 | 第20-22页 |
| 3．3 基于混合信号概率密度函数估计的盲信号分离算法 | 第22-23页 |
| 3．4 实验与结果 | 第23-26页 |
| 3．4．1 亚高斯与亚高斯混合的仿真实验 | 第23-24页 |
| 3．4．2 亚高斯与超高斯混合的仿真实验 | 第24-26页 |
| 3．5 本章小结 | 第26-27页 |
| 第四章 基于独立分量分析的基因模式的获取 | 第27-31页 |
| 4．1 基因表达分析和处理 | 第27-28页 |
| 4．2 基于独立分量分析的基因部分体积修正 | 第28-30页 |
| 4．3 本章小结 | 第30-31页 |
| 第五章 盲信号分离中源数目的估计 | 第31-37页 |
| 5．1 无观测噪声的源数目估计 | 第31-32页 |
| 5．1．1 基于特征值的源数目的估计 | 第32页 |
| 5．1．2 低观测噪声时源数目的估计 | 第32页 |
| 5．2 高观测噪声的源数目估计 | 第32-34页 |
| 5．2．1 因子分析 | 第32-33页 |
| 5．2．2 噪声协方差矩阵及源数目的估计 | 第33-34页 |
| 5．3 实验与结果 | 第34-35页 |
| 5．4 本章小结 | 第35-37页 |
| 第六章 结论 | 第37-38页 |
| 致谢 | 第38-39页 |
| 参考文献 | 第39-43页 |
| 研究成果 | 第43页 |
