| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 盲源分离研究的背景意义 | 第8页 |
| 1.2 盲源分离的发展现状 | 第8-10页 |
| 1.3 盲源分离的应用 | 第10-11页 |
| 1.4 论文的组织结构 | 第11-12页 |
| 2 盲源分离的基本理论和算法 | 第12-24页 |
| 2.1 盲源分离的原理 | 第12-13页 |
| 2.2 盲源分离的优化算法 | 第13-15页 |
| 2.2.1 自适应处理方法 | 第14页 |
| 2.2.2 批处理方法 | 第14页 |
| 2.2.3 逐层分离方法 | 第14-15页 |
| 2.3 盲源分离的目标函数 | 第15-18页 |
| 2.3.1 基于高阶累积量的目标函数 | 第15-16页 |
| 2.3.2 基于负熵的目标函数 | 第16-17页 |
| 2.3.3 基于互信息的目标函数 | 第17页 |
| 2.3.4 基于似然函数的目标函数 | 第17-18页 |
| 2.4 预处理方法 | 第18-19页 |
| 2.4.1 中心化 | 第18-19页 |
| 2.4.2 白化 | 第19页 |
| 2.5 现有的盲源分离算法 | 第19-23页 |
| 2.5.1 基于负熵的固定点算法 | 第19-21页 |
| 2.5.2 特征矩阵的联合近似对角化算法 | 第21-23页 |
| 2.6 本章小结 | 第23-24页 |
| 3 变分贝叶斯独立分量分析原理和算法 | 第24-40页 |
| 3.1 贝叶斯网络和推理 | 第24-27页 |
| 3.1.1 贝叶斯网络 | 第24-26页 |
| 3.1.2 贝叶斯推理 | 第26-27页 |
| 3.2 变分贝叶斯学习 | 第27-29页 |
| 3.3 变分贝叶斯独立分量分析算法和仿真 | 第29-39页 |
| 3.3.1 变分贝叶斯独立分量分析算法 | 第29-33页 |
| 3.3.2 盲源分离算法评价指标 | 第33-35页 |
| 3.3.3 仿真实验 | 第35-39页 |
| 3.4 本章小结 | 第39-40页 |
| 4 基于自回归模型的变分贝叶斯独立分量分析算法 | 第40-59页 |
| 4.1 算法改进的原理 | 第40页 |
| 4.2 泛化自回归模型 | 第40-41页 |
| 4.3 含噪声的语音信号分离系统的概率分布模型 | 第41-45页 |
| 4.3.1 含噪的语音信号分离系统 | 第41页 |
| 4.3.2 泛化自回归模型的源信号及其概率分布 | 第41-43页 |
| 4.3.3 噪声和观测信号的概率分布 | 第43-44页 |
| 4.3.4 混合矩阵的概率分布 | 第44-45页 |
| 4.4 基于自回归模型的语音信号盲分离算法 | 第45-52页 |
| 4.4.1 基于VBICA-GAR的语音盲分离算法 | 第45-51页 |
| 4.4.2 算法的初始化 | 第51-52页 |
| 4.5 仿真实验 | 第52-57页 |
| 4.6 本章小结 | 第57-59页 |
| 结论 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 攻读学位期间的研究成果 | 第65页 |