| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-16页 |
| ·盲源分离的概述 | 第8-9页 |
| ·盲源分离的发展及国外研究现状 | 第9-11页 |
| ·国内研究现状 | 第11-12页 |
| ·盲源分离技术的应用 | 第12-14页 |
| ·论文主要工作和组织结构 | 第14-16页 |
| 第二章 盲源分离的基础理论和主要算法 | 第16-27页 |
| ·盲源分离模型 | 第16-19页 |
| ·信号模型与假设 | 第16-18页 |
| ·模型不确定性 | 第18页 |
| ·信号预处理 | 第18-19页 |
| ·分离模型系统结构 | 第19页 |
| ·盲源分离的目标函数 | 第19-22页 |
| ·最小化互信息准则 | 第19-20页 |
| ·最大化负熵 | 第20-21页 |
| ·极大似然估计 | 第21页 |
| ·四阶累积量准则 | 第21-22页 |
| ·盲源分离的优化算法 | 第22-24页 |
| ·基于自适应的优化算法 | 第22-23页 |
| ·基于快速独立分量分析算法 | 第23-24页 |
| ·基于神经网络算法 | 第24页 |
| ·盲源分离效果的检验方法 | 第24-26页 |
| ·性能指标（ PI ） | 第25页 |
| ·相关系数 | 第25-26页 |
| ·输出信噪比 | 第26页 |
| ·本章小结 | 第26-27页 |
| 第三章 基于 RBF 神经网络的盲分离算法 | 第27-35页 |
| ·盲分离的神经网络结构 | 第27页 |
| ·基于径向基神经网络的盲分离模型 | 第27-29页 |
| ·径向基神经网络结构 | 第27-28页 |
| ·RBF 神经网络盲分离的解混模型 | 第28-29页 |
| ·基于最大熵 RBFNN 的盲源分离算法 | 第29-31页 |
| ·径向基函数网络的学习算法 | 第29-30页 |
| ·最小互信息优化算法与 RBF 网络结合 | 第30-31页 |
| ·仿真与结果分析 | 第31-34页 |
| ·RBF 算法（RBF-A）的初始条件和仿真结果 | 第32-33页 |
| ·最大熵算法（ME-A）的初始条件和仿真结果 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 基于云自适应粒子群的盲分离算法 | 第35-52页 |
| ·粒子群算法 | 第35-37页 |
| ·基本理论 | 第35-36页 |
| ·算法流程图 | 第36-37页 |
| ·基于负熵最大化 APSO 的盲分离算法 | 第37-39页 |
| ·适应度函数选取 | 第37页 |
| ·惯性权重调整及算法步骤 | 第37-39页 |
| ·仿真实验与结果分析 | 第39-40页 |
| ·基于云自适应粒子群算法的盲分离 | 第40-43页 |
| ·云理论 | 第40-42页 |
| ·基于云理论的粒子群改进算法 | 第42-43页 |
| ·基于云自适应粒子群算法（CAPSO）的盲源分离算法 | 第43-45页 |
| ·适应度函数选取 | 第43-44页 |
| ·基于 CAPSO 的盲源分离步骤 | 第44-45页 |
| ·实验仿真和结果分析 | 第45-51页 |
| ·具体数值系统的最值问题实验 | 第46-47页 |
| ·盲源分离实验 | 第47-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| ·本文工作总结 | 第52-53页 |
| ·展望 | 第53-54页 |
| 参考文献 | 第54-56页 |
| 致谢 | 第56-57页 |
| 硕士期间所发表论文情况 | 第57页 |