| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 选题的目的和意义 | 第11-14页 |
| 1.1.1 语音信号中的应用 | 第12页 |
| 1.1.2 生物医学方面的应用 | 第12-13页 |
| 1.1.3 通信系统中的应用 | 第13页 |
| 1.1.4 图像处理中的应用 | 第13-14页 |
| 1.2 盲源分离发展历程和现状 | 第14-16页 |
| 1.3 ICA发展新趋势 | 第16-17页 |
| 1.3.1 研究热点 | 第16页 |
| 1.3.2 发展趋势 | 第16-17页 |
| 1.4 本论文的研究内容 | 第17-19页 |
| 第二章 盲源分离 | 第19-37页 |
| 2.1 盲源分离基础 | 第19-23页 |
| 2.1.1 基本模型 | 第19-20页 |
| 2.1.2 假设条件和不确定性 | 第20-23页 |
| 2.2 信息论相关知识 | 第23-26页 |
| 2.2.1 信息熵 | 第23-24页 |
| 2.2.2 信息熵的重要性质 | 第24-25页 |
| 2.2.3 KL熵(Kullback-Leibler)与互信息量 | 第25-26页 |
| 2.3 高阶统计量 | 第26-29页 |
| 2.3.1 高阶统计量基础 | 第26-27页 |
| 2.3.2 高阶累积量的计算 | 第27-28页 |
| 2.3.3 高阶累积量的重要性质 | 第28-29页 |
| 2.4 目标函数的选取 | 第29-34页 |
| 2.4.1 最大似然估计对照函数 | 第30-31页 |
| 2.4.2 互信息量最小化目标函数 | 第31-32页 |
| 2.4.3 信息传输最大化目标函数1 | 第32页 |
| 2.4.4 负熵最大化目标函数 | 第32-33页 |
| 2.4.5 峰度目标函数 | 第33-34页 |
| 2.5 信号预处理 | 第34-36页 |
| 2.5.1 信号的中心化 | 第35页 |
| 2.5.2 信号的白化 | 第35-36页 |
| 2.6 本章小结 | 第36-37页 |
| 第三章 盲源分离算法 | 第37-49页 |
| 3.1 梯度下降算法 | 第37-39页 |
| 3.2 固定点算法 | 第39-42页 |
| 3.2.1 固定点算法原理 | 第39-42页 |
| 3.2.2 FastICA算法优缺点 | 第42页 |
| 3.3 神经网络算法 | 第42-44页 |
| 3.4 粒子群算法 | 第44-46页 |
| 3.5 评价方法 | 第46-48页 |
| 3.5.1 最小相对误差 | 第46页 |
| 3.5.2 峰值信噪比(PSNR) | 第46-47页 |
| 3.5.3 评价指标函数 | 第47-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第四章 改进的自适应粒子群算法APSO | 第49-57页 |
| 4.1 粒子群算法的改进 | 第49-52页 |
| 4.1.1 改进动态因子方式 | 第51页 |
| 4.1.2 改进种群的方式 | 第51-52页 |
| 4.1.3 适应度函数的改进方式 | 第52页 |
| 4.2 APSO算法改进 | 第52-55页 |
| 4.3 本章小结 | 第55-57页 |
| 第五章 基于改进APSO算法在盲源分离中的应用 | 第57-69页 |
| 5.1 混合语音信号中的应用 | 第57-64页 |
| 5.2 图像分离中的应用 | 第64-68页 |
| 5.3 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 论文总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 攻读硕士期间发表学术论文 | 第77页 |