作者简介 | 第1-6页 |
摘要 | 第6-8页 |
ABSTRACT | 第8-13页 |
第一章 绪论 | 第13-19页 |
§1.1 盲信源分离的应用背景 | 第13-15页 |
§1.2 盲信源分离的研究现状 | 第15-17页 |
§1.3 论文主要内容 | 第17-19页 |
第二章 盲信源分离基础 | 第19-33页 |
§2.1 信号混合模型及其假设 | 第19-23页 |
§2.1.1 信号混合模型 | 第19-22页 |
§2.1.2 基本假设 | 第22-23页 |
§2.2 信息论基础 | 第23-25页 |
§2.2.1 熵 | 第23-24页 |
§2.2.2 互信息 | 第24页 |
§2.2.3 信息最大化 | 第24-25页 |
§2.3 盲信源分离方法 | 第25-28页 |
§2.3.1 独立分量分析(ICA) | 第25-26页 |
§2.3.2 基于互信息的 ICA 准则 | 第26-27页 |
§2.3.3 自然梯度算法 | 第27-28页 |
§2.4 自然梯度算法的稳定性分析 | 第28-31页 |
§2.5 本章小结 | 第31-33页 |
第三章 非平稳信号混合的盲信源分离算法 | 第33-51页 |
§3.1 基本的自然梯度算法 | 第33-39页 |
§3.1.1 问题描述 | 第33-35页 |
§3.1.2 非线性函数 | 第35-36页 |
§3.1.3 算法仿真 | 第36-39页 |
§3.2 正交性约束的自然梯度算法 | 第39-46页 |
§3.2.1 非完整约束的自然梯度算法 | 第39-41页 |
§3.2.2 正交性约束的自然梯度算法 | 第41-42页 |
§3.2.3 正交性约束与非完整约束学习规则的关系 | 第42-43页 |
§3.2.4 算法仿真 | 第43-46页 |
§3.3 基于相关性测度的变步长正交性约束自然梯度算法 | 第46-50页 |
§3.3.1 基于相关性测度的变步长技术 | 第46-47页 |
§3.3.2 变步长的正交性约束自然梯度算法 | 第47-48页 |
§3.3.3 算法仿真 | 第48-50页 |
§3.4 本章小结 | 第50-51页 |
第四章 超高斯与亚高斯信号混合的盲信源分离算法 | 第51-73页 |
§4.1 信号的概率密度函数与峰度 | 第51-53页 |
§4.1.1 信号的概率密度函数 | 第51-52页 |
§4.1.2 信号的峰度 | 第52-53页 |
§4.2 基于峰度符号估计的自然梯度算法 | 第53-61页 |
§4.2.1 问题描述 | 第53-54页 |
§4.2.2 基于峰度符号估计的自然梯度算法 | 第54-57页 |
§4.2.3 算法仿真 | 第57-61页 |
§4.3 基于概率密度函数估计的 EASI 算法 | 第61-71页 |
§4.3.1 非参数概率密度函数估计 | 第61-63页 |
§4.3.2 概率密度函数估计的核函数方法 | 第63-65页 |
§4.3.3 基于概率密度函数估计的 EASI 算法 | 第65-66页 |
§4.3.4 算法仿真 | 第66-71页 |
§4.4 本章小结 | 第71-73页 |
第五章 基于模糊推理的盲信源分离算法 | 第73-97页 |
§5.1 模糊推理技术 | 第73-76页 |
§5.1.1 模糊理论 | 第73-74页 |
§5.1.2 模糊推理基础 | 第74-75页 |
§5.1.3 模糊推理系统的结构 | 第75-76页 |
§5.2 基于模糊推理的变步长自然梯度算法 | 第76-85页 |
§5.2.1 相关性测度和高阶相关性测度的计算 | 第76-78页 |
§5.2.2 模糊变步长自然梯度算法 | 第78-83页 |
§5.2.3 算法仿真 | 第83-85页 |
§5.3 基于模糊推理的变步长正交性约束自然梯度算法 | 第85-90页 |
§5.3.1 模糊变步长的正交性约束自然梯度算法 | 第86-87页 |
§5.3.2 算法仿真 | 第87-90页 |
§5.4 基于模糊推理的变步长峰度符号估计自然梯度算法 | 第90-96页 |
§5.4.1 模糊变步长的峰度符号估计自然梯度算法 | 第90-93页 |
§5.4.2 算法仿真 | 第93-96页 |
§5.5 本章小结 | 第96-97页 |
第六章 总结和展望 | 第97-100页 |
§6.1 总结 | 第97-98页 |
§6.2 展望 | 第98-100页 |
致谢 | 第100-101页 |
参考文献 | 第101-112页 |
博士阶段参加的科研项目与发表的学术论文 | 第112-113页 |