非线性混合信号的盲源分离研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·研究背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-14页 |
| ·非线性盲源分离的发展历程 | 第11-12页 |
| ·非线性盲源分离方法的研究现状 | 第12-14页 |
| ·论文内容安排 | 第14-16页 |
| 第2章 非线性盲源分离算法 | 第16-27页 |
| ·数学模型 | 第16-19页 |
| ·后置非线性混合模型 | 第17页 |
| ·Mono非线性混合模型 | 第17-18页 |
| ·LNL非线性混合模型 | 第18-19页 |
| ·代价函数 | 第19-23页 |
| ·互信息最小化 | 第20-21页 |
| ·信息最大化 | 第21页 |
| ·极大似然估计 | 第21-22页 |
| ·高阶累积量 | 第22-23页 |
| ·基于自组织特征映射神经网络的非线性盲源分离 | 第23-25页 |
| ·自组织特征映射神经网络的原理 | 第24页 |
| ·基于自组织特征映射神经网络的非线性盲源分离实现 | 第24-25页 |
| ·基于遗传算法的非线性盲源分离 | 第25-26页 |
| ·遗传算法原理 | 第25-26页 |
| ·基于遗传算法的非线性盲源分离实现 | 第26页 |
| ·本章小结 | 第26-27页 |
| 第3章 基于混沌粒子群算法的非线性盲源分离 | 第27-47页 |
| ·粒子群算法 | 第27-31页 |
| ·算法原理 | 第27-28页 |
| ·粒子群算法步骤及流程 | 第28-29页 |
| ·惯性权重 | 第29-31页 |
| ·混沌粒子群算法 | 第31-35页 |
| ·混沌理论 | 第31-32页 |
| ·粒子群算法的问题描述 | 第32-33页 |
| ·混沌粒子群算法 | 第33-34页 |
| ·混沌粒子群算法步骤及流程 | 第34-35页 |
| ·混沌粒子群算法在非线性盲源分离中的应用 | 第35-38页 |
| ·PNL模型的分离系统及可分离性 | 第36-37页 |
| ·混沌粒子群算法在非线性盲源分离中的实现 | 第37-38页 |
| ·算法仿真及分析 | 第38-46页 |
| ·本章小结 | 第46-47页 |
| 第4章 基于改进型RBF神经网络的非线性盲源分离 | 第47-60页 |
| ·径向基函数神经网络 | 第47-49页 |
| ·结构及基本原理 | 第47-48页 |
| ·学习算法 | 第48-49页 |
| ·改进型RBF神经网络 | 第49-51页 |
| ·改进型RBF神经网络在非线性盲源分离中的应用 | 第51-54页 |
| ·基于改进型RBF神经网络的分离模型 | 第51-53页 |
| ·改进型RBF神经网络的权值学习 | 第53-54页 |
| ·算法仿真及分析 | 第54-59页 |
| ·本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第66-67页 |
| 致谢 | 第67页 |
