| 摘要 | 第2-3页 |
| Summary | 第3-4页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 研究背景及意义 | 第7页 |
| 1.2 盲分离现状 | 第7-9页 |
| 1.3 盲分离的假设条件 | 第9页 |
| 1.4 盲分离的可实现性 | 第9-10页 |
| 1.5 盲分离的不确定性 | 第10-11页 |
| 1.5.1 尺度不确定性 | 第10页 |
| 1.5.2 顺序不确定性 | 第10-11页 |
| 1.6 本文的结构安排 | 第11-12页 |
| 第二章 含噪声音信号盲分离的可分离性分析及应用 | 第12-23页 |
| 2.1 含噪声音信号数学模型 | 第12-13页 |
| 2.2 可分离性分析 | 第13-16页 |
| 2.2.1 盲分离的基本定义及定理 | 第13页 |
| 2.2.2 充分必要条件 | 第13-15页 |
| 2.2.3 正交矩阵对可分离性的影响 | 第15-16页 |
| 2.3 含噪信号的盲分离原则 | 第16-21页 |
| 2.3.1 基本定理 | 第16-17页 |
| 2.3.2 分离原则的三种情况 | 第17-21页 |
| 2.4 盲分离算法在含噪声音信号增强的应用 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 盲分离的基本理论 | 第23-34页 |
| 3.1 盲源信号的分离与处理 | 第23-27页 |
| 3.1.1 盲信号分离技术 | 第23-26页 |
| 3.1.2 盲信号处理技术 | 第26-27页 |
| 3.2 代价函数 | 第27-30页 |
| 3.2.1 峭度代价函数 | 第27-28页 |
| 3.2.2 互信息代价函数 | 第28-29页 |
| 3.2.3 负熵代价函数 | 第29-30页 |
| 3.2.4 熵的代价函数 | 第30页 |
| 3.2.5 似然函数的代价函数 | 第30页 |
| 3.3 数据预处理 | 第30-32页 |
| 3.3.1 中心化处理 | 第31页 |
| 3.3.2 白化处理 | 第31-32页 |
| 3.4 本章小结 | 第32-34页 |
| 第四章 盲分离的算法及改进 | 第34-46页 |
| 4.1 典型算法 | 第35-39页 |
| 4.1.1 JADE算法 | 第35-36页 |
| 4.1.2 FastICA算法 | 第36-38页 |
| 4.1.3 Infomax算法 | 第38-39页 |
| 4.2 卷积混合盲分离算法 | 第39-42页 |
| 4.2.1 时域分离算法 | 第40-41页 |
| 4.2.2 频域分离算法 | 第41-42页 |
| 4.3 改进算法 | 第42-45页 |
| 4.3.1 峭度算法的改进 | 第42-43页 |
| 4.3.2 双梯度算法的改进 | 第43-44页 |
| 4.3.3 仿真实验 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 含噪声音信号盲分离对汽车发动机故障诊断的实验 | 第46-61页 |
| 5.1 含噪声音信号采集系统介绍 | 第46-47页 |
| 5.2 LabVIEW软件介绍 | 第47-52页 |
| 5.2.1 LabVIEW语言的概述 | 第47-48页 |
| 5.2.2 LabVIEW软件的特点 | 第48-49页 |
| 5.2.3 采集系统程序设计 | 第49-52页 |
| 5.3 含噪声音信号盲分离算法 | 第52-57页 |
| 5.3.1 含噪声音信号模型 | 第52-53页 |
| 5.3.2 神经网络盲分离算法 | 第53-54页 |
| 5.3.3 改进的自适应步长神经网络盲分离算法 | 第54-57页 |
| 5.4 实验仿真及分析 | 第57-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 全文总结 | 第61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 作者简介 | 第67-68页 |
| 导师简介 | 第68-69页 |