自然梯度盲信号分离算法的研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1绪论 | 第10-14页 |
| 1.1 盲信号分离的背景及意义 | 第10页 |
| 1.2 研究历史与现状 | 第10-13页 |
| 1.3 本文的主要内容及章节安排 | 第13-14页 |
| 2盲信号分离的基础知识 | 第14-26页 |
| 2.1 线性混合盲信号分离的数学模型和基本假设 | 第14-16页 |
| 2.1.1 数学模型 | 第14-15页 |
| 2.1.2 基本假设 | 第15-16页 |
| 2.2 盲信号分离中的基础理论 | 第16-21页 |
| 2.2.1 独立分量分析 | 第16-17页 |
| 2.2.2 信息论基础知识 | 第17-19页 |
| 2.2.3 信号预处理 | 第19-21页 |
| 2.3 基于对比函数优化的盲信号分离 | 第21-24页 |
| 2.3.1 对比函数优化理论 | 第21-22页 |
| 2.3.2 常用的对比函数 | 第22-24页 |
| 2.3.3 对比函数优化理论的实现步骤 | 第24页 |
| 2.4 本章小结 | 第24-26页 |
| 3.自适应变步长自然梯度算法 | 第26-43页 |
| 3.1 自然梯度算法 | 第26-32页 |
| 3.1.1 最小互信息对比函数 | 第26-27页 |
| 3.1.2 自然梯度优化算法 | 第27-28页 |
| 3.1.3 仿真分析 | 第28-32页 |
| 3.2 自适应变步长自然梯度算法 | 第32-42页 |
| 3.2.1 变步长算法 | 第32-35页 |
| 3.2.2 分级迭代变步长算法 | 第35页 |
| 3.2.3 仿真分析 | 第35-42页 |
| 3.3 本章小结 | 第42-43页 |
| 4激励函数估计自然梯度算法 | 第43-62页 |
| 4.1 激励函数的选取 | 第43-48页 |
| 4.1.1 超高斯和亚高斯信号 | 第43页 |
| 4.1.2 固定非线性激励函数 | 第43-44页 |
| 4.1.3 仿真分析 | 第44-48页 |
| 4.2 激励函数估计方法回顾 | 第48-53页 |
| 4.2.1 级数展开的方法 | 第48-50页 |
| 4.2.2 参数估计法 | 第50-52页 |
| 4.2.3 非参数估计法 | 第52-53页 |
| 4.3 函数逼近方法估计激励函数 | 第53-61页 |
| 4.3.1 函数逼近法 | 第53-55页 |
| 4.3.2 仿真分析 | 第55-61页 |
| 4.4 本章小结 | 第61-62页 |
| 5总结与展望 | 第62-64页 |
| 5.1 总结 | 第62页 |
| 5.2 展望 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 作者简历 | 第70-71页 |
| 学位论文数据集 | 第71页 |
