基于ICA算法的EMI传导发射信号分析
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第1章 绪论 | 第10-16页 |
| ·课题背景简介 | 第10-11页 |
| ·发展现状 | 第11-13页 |
| ·论文的主要工作内容 | 第13页 |
| ·本文的技术路线与章节安排 | 第13-16页 |
| 第2章 盲源分离理论简介 | 第16-26页 |
| ·盲源分离理论的发展 | 第16-17页 |
| ·盲源分离的原理 | 第17-22页 |
| ·盲源分离的数学模型 | 第17-18页 |
| ·盲源分离的基本假设 | 第18-19页 |
| ·源信号的独立性判据 | 第19-22页 |
| ·盲源分离算法及评价指标 | 第22-24页 |
| ·几种常见的盲源分离方式 | 第22-24页 |
| ·盲源分离的评估 | 第24页 |
| ·本章小结 | 第24-26页 |
| 第3章 独立分量分析算法 | 第26-42页 |
| ·独立分量分析理论的发展 | 第26-27页 |
| ·独立分量分析的含义 | 第27-31页 |
| ·独立分量分析算法的模型 | 第27-28页 |
| ·ICA的分离准则 | 第28-30页 |
| ·ICA算法与PCA算法的比较 | 第30-31页 |
| ·FASTICA算法 | 第31-40页 |
| ·FastICA算法原理 | 第31-32页 |
| ·FastICA算法方法 | 第32-36页 |
| ·FastICA算法的优化 | 第36-37页 |
| ·仿真验证 | 第37-40页 |
| ·本章小结 | 第40-42页 |
| 第4章 特征值提取与模式识别技术 | 第42-54页 |
| ·特征值提取 | 第42-46页 |
| ·小波变换概述 | 第42-44页 |
| ·小波包变换 | 第44-46页 |
| ·模式识别技术 | 第46-51页 |
| ·模式识别的基本理论 | 第46-48页 |
| ·人工神经网络的基本模型 | 第48-49页 |
| ·人工神经网络的学习方式 | 第49-51页 |
| ·BP人工神经网络 | 第51-53页 |
| ·BP人工神经网络的工作方式与算法 | 第51-52页 |
| ·BP人工神经网络的特点 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第5章 ICA算法在传导发射信号分析中的应用 | 第54-62页 |
| ·基于ICA算法的传导发射信号分析 | 第54-58页 |
| ·传导发射信号的产生原理 | 第54-56页 |
| ·传导发射信号的采集 | 第56-57页 |
| ·基于ICA的传导发射信号实验验证 | 第57-58页 |
| ·传导发射信号的分类辨别 | 第58-60页 |
| ·基于小波包变换的特征提取 | 第58-59页 |
| ·基于人工神经网络的模式识别 | 第59-60页 |
| ·本章小结 | 第60-62页 |
| 第6章 总结与展望 | 第62-64页 |
| ·全文工作总结 | 第62页 |
| ·展望 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-72页 |
| 攻读学位期间个人科技成果 | 第72页 |
