基于神经网络盲源分离算法的研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-16页 |
| ·引言 | 第10页 |
| ·研究盲源分离技术的意义 | 第10-11页 |
| ·盲源分离技术的发展及研究现状 | 第11-14页 |
| ·本论文的主要内容和结构安排 | 第14-16页 |
| 第二章 盲源分离的基础理论 | 第16-35页 |
| ·盲源分离的数学模型 | 第16-19页 |
| ·瞬时线性混合信号的盲源分离 | 第16-17页 |
| ·卷积混合信号的盲源分离 | 第17-18页 |
| ·非线性混合信号的盲源分离 | 第18-19页 |
| ·盲源分离的假设及不确定性 | 第19-22页 |
| ·实现盲源分离的假设条件 | 第19页 |
| ·多个高斯源的不可分离性 | 第19-21页 |
| ·盲源分离的不确定性 | 第21-22页 |
| ·盲源分离的目标函数 | 第22-29页 |
| ·统计独立性 | 第22-24页 |
| ·高阶统计量 | 第24-25页 |
| ·负熵与最大熵准则 | 第25-27页 |
| ·互信息最小化准则 | 第27-29页 |
| ·梯度计算和优化方法 | 第29-32页 |
| ·基于梯度的学习算法 | 第29-31页 |
| ·不动点算法 | 第31-32页 |
| ·盲源分离算法性能的评价标准 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 基于前馈神经网络的盲源分离算法 | 第35-50页 |
| ·盲源分离的神经网络结构 | 第35-36页 |
| ·基于前馈神经网络的盲源分离算法 | 第36-40页 |
| ·前馈神经网络 | 第36-37页 |
| ·盲源分离的前馈网络结构 | 第37-38页 |
| ·基于最小互信息前馈神经网络的盲源分离算法 | 第38-40页 |
| ·加入动量项的改进前馈神经网络盲源分离算法 | 第40-49页 |
| ·加入动量项的最小互信息盲源分离算法 | 第40-41页 |
| ·计算机仿真实验 | 第41-49页 |
| ·本章小结 | 第49-50页 |
| 第四章 基于递归神经网络的盲源分离算法 | 第50-62页 |
| ·基于递归神经网络的盲源分离 | 第50-53页 |
| ·递归神经网络 | 第50-51页 |
| ·盲源分离的递归网络结构 | 第51页 |
| ·基于最大熵递归神经网络的盲源分离算法 | 第51-53页 |
| ·基于全递归神经网络的盲源分离算法 | 第53-61页 |
| ·一种基于全递归神经网络的盲源分离算法 | 第53-56页 |
| ·计算机仿真实验 | 第56-61页 |
| ·本章小结 | 第61-62页 |
| 第五章 盲源分离的应用 | 第62-67页 |
| ·图像处理 | 第62-65页 |
| ·图像理解 | 第62-64页 |
| ·图像恢复 | 第64-65页 |
| ·生物医学信号处理 | 第65页 |
| ·通信系统 | 第65-66页 |
| ·本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| ·本文所做的工作 | 第67-68页 |
| ·展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-76页 |
| 攻读学位期间发表的学术论文目录 | 第76页 |
