| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第一章 绪论 | 第16-21页 |
| 1.1 研究背景及意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-18页 |
| 1.3 论文的主要研究内容和结构安排 | 第18-20页 |
| 1.3.1 论文的研究内容 | 第18-19页 |
| 1.3.2 论文的结构安排 | 第19-20页 |
| 1.4 本章小结 | 第20-21页 |
| 第二章 非负矩阵分解及自回归正则化非负矩阵分解 | 第21-33页 |
| 2.1 非负矩阵分解的原理 | 第21-25页 |
| 2.1.1 标准非负矩阵分解的提出 | 第21页 |
| 2.1.2 非负矩阵分解的模型 | 第21-22页 |
| 2.1.3 基于极大似然估计的NMF算法 | 第22-23页 |
| 2.1.4 基于欧氏距离的NMF算法 | 第23-24页 |
| 2.1.5 基于散度偏差的NMF算法 | 第24-25页 |
| 2.2 NMF的发展算法 | 第25-28页 |
| 2.2.1 局部非负矩阵分解 | 第25-26页 |
| 2.2.2 约束非负矩阵分解 | 第26页 |
| 2.2.3 图表正则化非负矩阵分解 | 第26-27页 |
| 2.2.4 判别非负矩阵分解 | 第27-28页 |
| 2.3 自回归模型 | 第28-29页 |
| 2.3.1 自回归模型的定义 | 第28页 |
| 2.3.2 AR模型的状态空间形式 | 第28页 |
| 2.3.3 AR模型的求解 | 第28-29页 |
| 2.4 自回归正则化非负矩阵分解 | 第29-32页 |
| 2.4.1 ARNMF的模型 | 第29-30页 |
| 2.4.2 ARNMF算法的步骤 | 第30-31页 |
| 2.4.3 二阶ARNMF算法的乘法更新规则 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于ARNMF的心肺音分离应用 | 第33-47页 |
| 3.1 理论准备 | 第33-34页 |
| 3.1.1 短时傅里叶变换及其逆变换 | 第33页 |
| 3.1.2 频域带通滤波 | 第33-34页 |
| 3.1.3 信噪比做评估测度 | 第34页 |
| 3.1.4 降采样 | 第34页 |
| 3.1.5 混合信号合成模型 | 第34页 |
| 3.2 心肺音分离算法方案流程 | 第34-36页 |
| 3.3 心肺音分离的仿真实验 | 第36-46页 |
| 3.3.1 实验数据 | 第36-37页 |
| 3.3.2 实验过程 | 第37-41页 |
| 3.3.3 实验分析 | 第41-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第四章 长短期记忆网络和时间持续隐马尔科夫模型相结合的混合信号分割分离方法 | 第47-56页 |
| 4.1 长短期记忆网络 | 第47-49页 |
| 4.1.1 递归神经网络 | 第47-48页 |
| 4.1.2 长短期记忆网络 | 第48-49页 |
| 4.1.3 LSTM的训练算法 | 第49页 |
| 4.2 隐马尔科夫模型 | 第49-52页 |
| 4.2.1 隐马尔科夫模型 | 第49-50页 |
| 4.2.2 隐马尔科夫模型的基本问题及解决 | 第50-52页 |
| 4.3 时间持续的隐马尔科夫模型 | 第52-54页 |
| 4.3.1 时间持续的隐马尔科夫模型的提出 | 第52页 |
| 4.3.2 DHMM的定义 | 第52-54页 |
| 4.4 LSTM和DHMM相结合的混合信号分割分离方法的提出 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 LSTM和DHMM相结合的混合信号分割分离方法在心肺音分离上的应用 | 第56-68页 |
| 5.1 理论准备 | 第56-57页 |
| 5.1.1 心音周期组成 | 第56-57页 |
| 5.1.2 同态包络谱 | 第57页 |
| 5.2 心肺音分离方案设计流程 | 第57-60页 |
| 5.3 心肺音分离算法的仿真实验 | 第60-67页 |
| 5.3.1 实验平台 | 第60页 |
| 5.3.2 实验数据 | 第60页 |
| 5.3.3 实验过程 | 第60-64页 |
| 5.3.4 实验结果 | 第64-67页 |
| 5.4 本章小结 | 第67-68页 |
| 结论和展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读学位期间的科研成果 | 第74-76页 |
| 致谢 | 第76页 |
