FastICA算法研究及其在语音信号分离中的应用
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 盲信号处理基本理论及研究现状 | 第11-15页 |
| 1.2 本文研究背景与意义 | 第15-16页 |
| 1.3 本文的基本框架结构以及创新点的介绍 | 第16-19页 |
| 第二章 盲源分离以及独立分量分析 | 第19-36页 |
| 2.1 盲源分离(BSS) | 第19-22页 |
| 2.1.1 盲源分离基本原理 | 第19-21页 |
| 2.1.2 盲源分离的应用 | 第21-22页 |
| 2.2 独立分量分析(ICA) | 第22-26页 |
| 2.2.1 ICA的基本原理和数学模型 | 第22-24页 |
| 2.2.2 ICA算法的假设条件与不确定性 | 第24-26页 |
| 2.3 一些常见的ICA目标函数 | 第26-31页 |
| 2.3.1 最小互信息准则 | 第27-28页 |
| 2.3.2 信息最大化准则 | 第28-29页 |
| 2.3.3 最大化非高斯性准则 | 第29-31页 |
| 2.4 一些ICA的常见优化算法 | 第31-35页 |
| 2.4.1 一般梯度算法 | 第31-33页 |
| 2.4.2 随机梯度算法 | 第33页 |
| 2.4.3 自然梯度算法 | 第33-34页 |
| 2.4.4 定点迭代算法 | 第34-35页 |
| 2.5 对本章的小结 | 第35-36页 |
| 第三章 Fast I CA及其改进算法 | 第36-58页 |
| 3.1 ICA的去均值与白化预处理 | 第36-38页 |
| 3.2 实验仿真中一些常用的评价函数 | 第38-40页 |
| 3.2.1 信噪比评价函数 | 第38-39页 |
| 3.2.2 分离结果判定值(PI) | 第39页 |
| 3.2.3 相似系数评价函数 | 第39-40页 |
| 3.3 基于负熵的FastICA算法 | 第40-46页 |
| 3.3.1 基于负熵的FastICA基本算法 | 第40-42页 |
| 3.3.2 基于负熵的FastICA改进算法 | 第42-46页 |
| 3.4 基于负熵的两种算法的仿真实验 | 第46-50页 |
| 3.5 基于峭度的FastICA算法 | 第50-53页 |
| 3.5.1 基于峭度的FastICA基本算法 | 第50-51页 |
| 3.5.2 基于峭度的FastICA改进算法 | 第51-53页 |
| 3.6 基于峭度的两种算法的仿真实验 | 第53-56页 |
| 3.7 对本章的小结 | 第56-58页 |
| 第四章 改进算法在语音信号分离中的应用 | 第58-64页 |
| 4.1 语音信号的一些常用特征 | 第58-59页 |
| 4.2 对语音信号的常用评判标准 | 第59-60页 |
| 4.3 改进算法对实际混合语音信号盲分离的实验 | 第60-63页 |
| 4.4 对本章的小结 | 第63-64页 |
| 第五章 总结和展望 | 第64-66页 |
| 5.1 对本论文的总结 | 第64页 |
| 5.2 对盲信号处理的展望 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 附录攻读学位期间发表论文目录 | 第71-72页 |
| 致谢 | 第72-73页 |
