基于神经网络的盲信号分离的研究与应用
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-15页 |
| ·研究背景 | 第9-14页 |
| ·盲信号分离研究背景 | 第9页 |
| ·盲信号分离问题国内外研究现状 | 第9-12页 |
| ·盲信号分离的应用 | 第12页 |
| ·基因芯片技术研究背景 | 第12-13页 |
| ·电压闪频信号研究背景 | 第13-14页 |
| ·本文工作与结构 | 第14-15页 |
| 2 盲信号分离理论基础 | 第15-21页 |
| ·盲信号分离的问题描述 | 第15-17页 |
| ·源信号的统计性质对算法的影响 | 第16-17页 |
| ·常用盲信号分离算法 | 第17-19页 |
| ·独立分量分析 | 第17-18页 |
| ·非线性主分量分析 | 第18-19页 |
| ·盲信号分离最新算法 | 第19页 |
| ·非线性混合情况下的盲信号分离 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 3 基于神经网络的盲信号分离 | 第21-36页 |
| ·基于熵最大化盲信号分离算法 | 第21-23页 |
| ·基于神经网络的概率密度函数估计 | 第23-25页 |
| ·评价函数估计 | 第25-26页 |
| ·基于神经网络的盲信号分离仿真 | 第26-33页 |
| ·亚高斯和亚高斯混合信号 | 第26-28页 |
| ·超高斯和超高斯混合信号 | 第28-30页 |
| ·超高斯和亚高斯混合信号 | 第30-32页 |
| ·图像信号的盲分离 | 第32-33页 |
| ·算法性能及计算复杂度 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 4 基于高阶统计量的盲信号分离 | 第36-46页 |
| ·概率密度函数的高阶统计估计 | 第36-39页 |
| ·基于高阶统计量的概率密度估计原理 | 第36-38页 |
| ·概率密度展开的迭代计算 | 第38-39页 |
| ·基于高阶统计量的盲信号分离 | 第39-40页 |
| ·仿真实验 | 第40-44页 |
| ·亚高斯与亚高斯混合的仿真实验 | 第40-42页 |
| ·亚高斯与超高斯混合的仿真实验 | 第42-44页 |
| ·算法收敛特性 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 5 盲信号分离技术的应用 | 第46-52页 |
| ·基因表达分析研究背景 | 第46-47页 |
| ·基于盲信号分离的基因部分体积修正 | 第47-49页 |
| ·电压闪频信号的盲分离 | 第49-51页 |
| ·电压闪频信号的频率提取 | 第49页 |
| ·电压闪频信号的盲信号分离算法实现 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 6 盲信号分离中源数目估计 | 第52-59页 |
| ·源信号数目估计 | 第52-54页 |
| ·无信道噪声的源数目估计 | 第52-53页 |
| ·低信道噪声的源数目估计 | 第53页 |
| ·高信道噪声的源数目估计 | 第53-54页 |
| ·源数目估计仿真实验 | 第54-57页 |
| ·无信道噪声的源数目估计仿真实验 | 第54-55页 |
| ·低信道噪声的源数目估计仿真实验 | 第55-56页 |
| ·高信道噪声的源数目估计仿真实验 | 第56-57页 |
| ·本章小结 | 第57-59页 |
| 7 结论 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间发表的论文 | 第66-67页 |
| 致谢 | 第67-69页 |
