| 摘要 | 第10-11页 |
| ABSTRACT | 第11-12页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 课题背景及意义 | 第13-14页 |
| 1.2 国内外现状 | 第14-17页 |
| 1.2.1 盲信号分离的发展现状 | 第14-16页 |
| 1.2.2 盲信号分离的应用 | 第16-17页 |
| 1.3 论文结构安排 | 第17-19页 |
| 第二章 盲信号分离的基本理论及相关数学知识 | 第19-31页 |
| 2.1 盲信号分离的基本假设 | 第19页 |
| 2.2 盲信号分离的相关数学知识 | 第19-23页 |
| 2.2.1 概率论 | 第19-20页 |
| 2.2.2 统计知识 | 第20-21页 |
| 2.2.3 信息理论 | 第21-23页 |
| 2.3 盲信号分离的数学模型 | 第23-26页 |
| 2.3.1 线性瞬时混合模型 | 第23-24页 |
| 2.3.2 卷积混合模型 | 第24-25页 |
| 2.3.3 非线性混合模型 | 第25-26页 |
| 2.4 盲信号分离的预处理方法 | 第26-29页 |
| 2.4.1 中心化 | 第26-27页 |
| 2.4.2 白化处理 | 第27-29页 |
| 2.5 分离效果评价指标 | 第29-30页 |
| 2.5.1 信号波形对比和分离音测听 | 第29页 |
| 2.5.2 性能指数 | 第29页 |
| 2.5.3 相似系数 | 第29-30页 |
| 2.5.4 二次残差 | 第30页 |
| 2.6 本章小结 | 第30-31页 |
| 第三章 基于线性模型的盲分离算法研究 | 第31-44页 |
| 3.1 独立分量分析的基本内容 | 第31-34页 |
| 3.1.1 信息最大化目标函数 | 第31-32页 |
| 3.1.2 最大似然目标函数 | 第32-33页 |
| 3.1.3 最大化非高斯性目标函数 | 第33-34页 |
| 3.1.4 最小化互信息目标函数 | 第34页 |
| 3.2 非高斯性最大化的盲分离算法研究 | 第34-38页 |
| 3.2.1 峭度最大化法 | 第35-36页 |
| 3.2.2 负熵最大化法 | 第36-38页 |
| 3.3 自然梯度算法研究 | 第38-42页 |
| 3.3.1 信息最大化法 | 第38-40页 |
| 3.3.2 互信息最小化法 | 第40-42页 |
| 3.4 联合近似对角化算法研究 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于非线性模型的盲分离算法研究 | 第44-53页 |
| 4.1 非线性去混叠系统概述 | 第44-45页 |
| 4.2 基于非线性混叠的盲信号分离 | 第45-49页 |
| 4.2.1 非线性最大熵法 | 第46-47页 |
| 4.2.2 非线性最小互信息法 | 第47-49页 |
| 4.3 基于反向传播神经网络的非线性盲信号分离 | 第49-52页 |
| 4.3.1 MISEP理论基础概述 | 第49-50页 |
| 4.3.2 基于多层感知器的累积概率密度函数约束 | 第50页 |
| 4.3.3 反向传播神经网络的训练 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 盲信号分离算法在故障音检测中的应用 | 第53-65页 |
| 5.1 算法有效性验证 | 第53-57页 |
| 5.1.1 基于负熵最大化算法的有效性验证 | 第54-55页 |
| 5.1.2 联合近似对角化算法的有效性验证 | 第55-56页 |
| 5.1.3 信息最大化法有效性验证 | 第56-57页 |
| 5.2 FastICA算法、JADE算法和Infomax算法分离性能对比分析 | 第57-64页 |
| 5.2.1 源信号分析 | 第58-59页 |
| 5.2.2 建立盲源分离数学统计模型 | 第59页 |
| 5.2.3 三种算法的分离效果 | 第59-64页 |
| 5.3 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-66页 |
| 6.1 总结 | 第65页 |
| 6.2 未解决的问题和以后工作展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士学位期间发表的论文 | 第72-73页 |
| 附件 | 第73页 |