中文摘要 | 第1-5页 |
英文摘要 | 第5-8页 |
1 绪论 | 第8-11页 |
·问题的提出及研究意义 | 第8-9页 |
·国内外研究现状 | 第9-10页 |
·本文的结构安排 | 第10-11页 |
2 独立分量分析理论 | 第11-23页 |
·引言 | 第11页 |
·传统线性变换 | 第11-14页 |
·基本独立分量分析 | 第14-17页 |
·统计独立性 | 第14页 |
·线性ICA的定义 | 第14-15页 |
·ICA模型的识别性 | 第15-16页 |
·ICA与主分量分析方法的关系 | 第16页 |
·ICA的应用 | 第16-17页 |
·独立分量分析算法 | 第17-22页 |
·引言 | 第17页 |
·数据预处理 | 第17-18页 |
·算法 | 第18页 |
·非线性去相关算法 | 第18页 |
·最大似然或信息最大估计算法(infomax) | 第18-19页 |
·非线性PCA算法 | 第19页 |
·神经单个单元学习准则 | 第19页 |
·其它神经自适应算法 | 第19页 |
·快速ICA(FICA)算法 | 第19-21页 |
·基于张量算法 | 第21-22页 |
·加权协方差法 | 第22页 |
·算法选取 | 第22页 |
·本章小结 | 第22-23页 |
3 盲信号分离的理论基础 | 第23-34页 |
·盲分离的建模 | 第23-24页 |
·盲分离问题的可解性和模糊性 | 第24-25页 |
·盲分离的估计原理和独立性概念 | 第25-26页 |
·熵、差熵和负熵 | 第26-28页 |
·互信息和Kullback-Leibler散度的概念 | 第28-30页 |
·互信息作为目标函数的优化 | 第30-31页 |
·高阶累积量 | 第31-32页 |
·熵和负熵的近似 | 第32-33页 |
·本章小结 | 第33-34页 |
4 盲信号分离的模糊神经网络方法 | 第34-40页 |
·算法的提出 | 第34-35页 |
·模糊神经网络的原理及设计 | 第34页 |
·盲信号分离的模糊神经网络结构 | 第34-35页 |
·统计独立性的度量 | 第35-37页 |
·对比函数的选取和简化 | 第37-40页 |
·展开式 | 第37-39页 |
·Edgeworth展开 | 第39-40页 |
5 基于模糊神经网络的ICA对于盲信号分离的应用研究 | 第40-55页 |
·统计独立准则 | 第40页 |
·边缘熵的确定 | 第40-42页 |
·激活函数 | 第42-44页 |
·ICA学习算法 | 第44-45页 |
·等变化性质 | 第45-46页 |
·稳定性分析 | 第46-47页 |
·收敛性因素 | 第47-48页 |
·模糊神经系统的设计 | 第48-50页 |
·计算机实验 | 第50-54页 |
·本章小结 | 第54-55页 |
6 结束语 | 第55-56页 |
致谢 | 第56-57页 |
参考文献 | 第57-61页 |
附录 | 第61-62页 |
独创性声明 | 第62页 |
学位论文版权使用授权牛 | 第62页 |