| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 绪论 | 第8-13页 |
| ·盲信号分离问题的来源 | 第8页 |
| ·盲信号分离问题的模型 | 第8-10页 |
| ·盲信号分离问题的发展状况 | 第10-12页 |
| ·本文的内容安排 | 第12-13页 |
| 第二章 几种常见的盲信号分离算法 | 第13-23页 |
| ·独立分量分析 | 第13-15页 |
| ·非线性主成分分析 | 第15-16页 |
| ·基于概率密度的方法 | 第16-19页 |
| ·联合近似对角化方法 | 第19-23页 |
| ·频域特征的联合近似对角化方法 | 第19-21页 |
| ·时频特征的联合近似对角化方法 | 第21-23页 |
| 第三章 贝叶斯理论相关知识 | 第23-35页 |
| ·先验分布和后验分布 | 第23-24页 |
| ·贝叶斯统计概念 | 第23页 |
| ·贝叶斯公式的密度函数形式 | 第23-24页 |
| ·贝叶斯估计 | 第24-26页 |
| ·贝叶斯推断的条件方法 | 第24-25页 |
| ·贝叶斯估计性能 | 第25页 |
| ·贝叶斯估计的误差 | 第25-26页 |
| ·贝叶斯决策 | 第26-29页 |
| ·贝叶斯决策问题 | 第26-27页 |
| ·后验风险准则 | 第27-28页 |
| ·各种损失函数下的贝叶斯估计 | 第28-29页 |
| ·BP 神经网络 | 第29-35页 |
| ·多层感知机 | 第29页 |
| ·反向传播算法 | 第29-35页 |
| 第四章 小波消噪和BP 神经网络在盲信号分离中的应用 | 第35-43页 |
| ·模型的建立 | 第36页 |
| ·算法描述 | 第36-38页 |
| ·小波消噪 | 第36-37页 |
| ·神经网络逼近 | 第37-38页 |
| ·实验仿真 | 第38-42页 |
| ·结语 | 第42-43页 |
| 第五章 贝叶斯推理和神经网络在胎儿心电信号提取中的应用 | 第43-54页 |
| ·问题陈述 | 第44-45页 |
| ·算法 | 第45-49页 |
| ·算法流程 | 第45页 |
| ·建立胎儿心电信号模型 | 第45-46页 |
| ·贝叶斯推理 | 第46-47页 |
| ·神经网络逼近 | 第47-48页 |
| ·迭代算法 | 第48-49页 |
| ·实验仿真和讨论 | 第49-53页 |
| ·结语 | 第53-54页 |
| 第六章 结束语 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士期间的成果 | 第59-60页 |