| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第13-20页 |
| 1.1 研究背景 | 第13-15页 |
| 1.1.1 仿生群智能优化算法概述 | 第13-14页 |
| 1.1.2 盲源分离概述 | 第14-15页 |
| 1.2 研究意义 | 第15页 |
| 1.3 国内外研究现状 | 第15-18页 |
| 1.4 主要研究内容和创新点 | 第18-19页 |
| 1.4.1 主要研究内容 | 第18页 |
| 1.4.2 主要创新点 | 第18-19页 |
| 1.5 论文组织结构 | 第19-20页 |
| 2 盲源分离 | 第20-29页 |
| 2.1 引言 | 第20页 |
| 2.2 盲源分离问题的数学模型 | 第20-22页 |
| 2.2.1 线性瞬时混合模型 | 第20-21页 |
| 2.2.2 线性卷积混合模型 | 第21-22页 |
| 2.3 独立成分分析 | 第22-23页 |
| 2.4 信号的预处理 | 第23-24页 |
| 2.4.1 中心化 | 第23页 |
| 2.4.2 白化 | 第23-24页 |
| 2.4.3 降维 | 第24页 |
| 2.4.4 正交化 | 第24页 |
| 2.5 目标函数评价标准 | 第24-27页 |
| 2.5.1 信息最大化目标函数 | 第25页 |
| 2.5.2 信息最小化目标函数 | 第25页 |
| 2.5.3 负熵最大化目标函数 | 第25-26页 |
| 2.5.4 极大似然目标函数 | 第26-27页 |
| 2.6 盲源分离算法的性能的评价准则 | 第27-28页 |
| 2.7 本章小结 | 第28-29页 |
| 3 仿生策略改进的蜂群算法 | 第29-37页 |
| 3.1 引言 | 第29页 |
| 3.2 蜂群算法 | 第29-32页 |
| 3.2.1 蜂群算法的生物学模型 | 第29-30页 |
| 3.2.2 蜂群算法的基本原理 | 第30-31页 |
| 3.2.3 蜂群算法的流程 | 第31-32页 |
| 3.3 基于反向学习与Levy飞行的改进蜂群算法 | 第32-36页 |
| 3.3.1 基于反向学习的初始化策略 | 第32-33页 |
| 3.3.2 基于Levy飞行的改进搜索策略 | 第33-35页 |
| 3.3.3 改进后算法的实现流程 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 4 改进仿生策略BCA在盲源分离中的应用 | 第37-40页 |
| 4.1 引言 | 第37页 |
| 4.2 基本原理 | 第37-38页 |
| 4.3 基于改进仿生策略BCA的盲源分离算法流程 | 第38-39页 |
| 4.4 本章小结 | 第39-40页 |
| 5 实验与分析 | 第40-49页 |
| 5.1 实验平台与仿真测试环境 | 第40页 |
| 5.2 改进仿生策略蜂群算法性能测试 | 第40-46页 |
| 5.2.1 算法参数设置 | 第40页 |
| 5.2.2 测试函数 | 第40-43页 |
| 5.2.3 算法的进化曲线与收敛性能比较 | 第43-45页 |
| 5.2.4 MSO-BCA与其他几种改进蜂群算法的比较 | 第45页 |
| 5.2.5 实验小结 | 第45-46页 |
| 5.3 基于MSO-BCA的盲源分离的应用测试 | 第46-48页 |
| 5.4 本章小结 | 第48-49页 |
| 6 总结与展望 | 第49-51页 |
| 6.1 全文工作总结 | 第49页 |
| 6.2 进一步工作的展望 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 作者简介 | 第54-55页 |
| 作者攻读硕士学位期间发表的论文 | 第55页 |