| 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11-13页 |
| ·盲分离技术的前沿算法及应用 | 第13-15页 |
| ·盲分离的前沿算法 | 第13页 |
| ·盲分离技术的应用 | 第13-15页 |
| ·论文的工作安排 | 第15-16页 |
| 第2章 独立分量分析与盲分离 | 第16-28页 |
| ·盲分离的基本概念 | 第16-20页 |
| ·盲分离问题的的数学建模 | 第16-17页 |
| ·盲分离的几个基本方法 | 第17页 |
| ·独立分量分析问题 | 第17-18页 |
| ·可分离性与不确定性 | 第18-20页 |
| ·信息论的相关概念 | 第20-23页 |
| ·概率密度函数 | 第20-21页 |
| ·峰度 | 第21-22页 |
| ·熵和微分熵 | 第22页 |
| ·互信息和 Kullback-Leibler 散度 | 第22-23页 |
| ·独立分量分析的目标函数 | 第23-27页 |
| ·最大似然目标函数 | 第23-24页 |
| ·最小互信息目标函数 | 第24-25页 |
| ·信息最大化目标函数 | 第25-27页 |
| ·盲分离算法的性能评估 | 第27页 |
| ·本章小结 | 第27-28页 |
| 第3章 基于神经网络的盲分离算法 | 第28-44页 |
| ·神经网络盲分离算法一般步骤 | 第28-29页 |
| ·ICA 学习算法 | 第29-33页 |
| ·预备知识 | 第29-30页 |
| ·相对梯度学习法 | 第30-31页 |
| ·自然梯度学习法 | 第31-33页 |
| ·基于信息论的前馈神经网络盲分离算法 | 第33-38页 |
| ·白化网络的构建 | 第33-36页 |
| ·分离网络的构建 | 第36-38页 |
| ·非线性激活函数 | 第38-40页 |
| ·几种常用的 pdf 假设及对应的激活函数 | 第38-39页 |
| ·激活函数的确定 | 第39-40页 |
| ·算法性能的仿真分析 | 第40-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 改进的自适应步长神经网络盲分离算法 | 第44-57页 |
| ·ICA 的稳态解 | 第44-46页 |
| ·改进的自适应学习步长算法 | 第46-50页 |
| ·自适应步长算法 | 第46-47页 |
| ·自适应步长的改进算法 | 第47-50页 |
| ·算法性能的仿真分析 | 第50-55页 |
| ·本章小结 | 第55-57页 |
| 第5章 自适应混合网络盲分离算法的研究 | 第57-65页 |
| ·递归神经网络盲分离算法 | 第58-59页 |
| ·混合网络盲分离算法 | 第59-61页 |
| ·算法性能的仿真分析 | 第61-64页 |
| ·本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第71-72页 |
| 致谢 | 第72页 |