| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 第一章 绪论 | 第11-17页 |
| ·独立分量分析及其研究现状 | 第11-13页 |
| ·语音盲分离的意义 | 第13-14页 |
| ·文章结构安排与创新点 | 第14-17页 |
| ·内容安排 | 第14-16页 |
| ·文章的主要创新点 | 第16-17页 |
| 第二章 独立分量分析原理 | 第17-36页 |
| ·盲信号分离 | 第17-19页 |
| ·盲分离模型 | 第17-18页 |
| ·盲分离的假设条件 | 第18页 |
| ·盲分离的不确定性 | 第18-19页 |
| ·盲信号分离的方法 | 第19页 |
| ·独立分量分析(ICA) | 第19-24页 |
| ·ICA问题模型 | 第20-21页 |
| ·ICA算法的基本原理 | 第21-24页 |
| ·独立分量分析(ICA)的目标函数 | 第24-29页 |
| ·最大似然目标函数 | 第24-26页 |
| ·最大化非高斯性 | 第26-28页 |
| ·互信息量法 | 第28-29页 |
| ·高阶统计量 | 第29页 |
| ·独立分量分析(ICA)的优化算法 | 第29-33页 |
| ·一般梯度下降法 | 第30-31页 |
| ·随机梯度下降法 | 第31页 |
| ·自然梯度下降法 | 第31页 |
| ·定点迭代法 | 第31-32页 |
| ·等变量自适应分离算法EASI | 第32-33页 |
| ·盲分离的性能评价指标 | 第33-34页 |
| ·本章小结 | 第34-36页 |
| 第三章 FastICA及其改进算法研究 | 第36-63页 |
| ·快速独立分量分析的预处理 | 第36-38页 |
| ·信号去均值 | 第37页 |
| ·信号的预白化 | 第37-38页 |
| ·快速独立分量分析的基本算法 | 第38-44页 |
| ·基于负熵的FastICA算法 | 第38-41页 |
| ·基于峭度的FastICA算法 | 第41-42页 |
| ·多个独立分量的串行提取 | 第42-43页 |
| ·多个独立分量的并行提取 | 第43-44页 |
| ·基于负熵的改进快速独立分量分析方法 | 第44-50页 |
| ·M-FastICA | 第45页 |
| ·FM-FastICA | 第45-47页 |
| ·FastICA、M-FastICA及FM-FastICA算法仿真实 | 第47-50页 |
| ·基于峭度的改进快速独立分量分析 | 第50-57页 |
| ·基于峭度的改进FastICA | 第50-54页 |
| ·基于峭度的开关算法及改进算法仿真分析比较 | 第54-57页 |
| ·基于峭度的改进FastICA与FM-FastICA仿真分析比较 | 第57-61页 |
| ·本章小结 | 第61-63页 |
| 第四章 改进的FASTICA算法在语音盲分离中的应用 | 第63-72页 |
| ·语音信号的基本特性 | 第63-64页 |
| ·语音信号盲分离的性能评价准则 | 第64-66页 |
| ·语音信号盲分离的实验研究 | 第66-71页 |
| ·人工混合语音的盲分离实验 | 第66-68页 |
| ·实际混合语音的盲分离实验 | 第68-71页 |
| ·本章小结 | 第71-72页 |
| 第五章 总结和展望 | 第72-74页 |
| 参考文献 | 第74-81页 |
| 附录 攻读学位期间发表论文目录 | 第81-82页 |
| 致谢 | 第82-83页 |
