| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 缩略词表 | 第16-18页 |
| 第一章 绪论 | 第18-27页 |
| 1.1 研究工作的背景与意义 | 第18-19页 |
| 1.2 研究现状和发展态势 | 第19-23页 |
| 1.3 本文的主要贡献与创新 | 第23-24页 |
| 1.4 本论文的结构安排 | 第24-27页 |
| 第二章 盲源分离的理论基础 | 第27-39页 |
| 2.1 盲源信号分离的系统模型 | 第27-28页 |
| 2.2 独立成分分析 | 第28-35页 |
| 2.2.1 独立成分分析的数学模型 | 第29-32页 |
| 2.2.1.1 独立成分分析(ICA)代价函数的选取 | 第29-31页 |
| 2.2.1.2 独立成分分析(ICA)最优化方法的确定 | 第31-32页 |
| 2.2.2 独立成分分析(ICA)算法处理分析 | 第32-35页 |
| 2.2.2.1 采样数据的白化 | 第32-34页 |
| 2.2.2.2 批量模式BSS | 第34-35页 |
| 2.2.2.3 在线模型BSS | 第35页 |
| 2.3 稀疏成分分析 | 第35-38页 |
| 2.3.1 迭代优化算法 | 第36-37页 |
| 2.3.2 聚类优化算法 | 第37-38页 |
| 2.4 本章小结 | 第38-39页 |
| 第三章 强干扰条件下被动雷达弱信号盲源分离 | 第39-62页 |
| 3.1 强干扰信号为合作信号 | 第39-54页 |
| 3.1.1 引言 | 第39-40页 |
| 3.1.2 系统模型分析 | 第40-41页 |
| 3.1.3 干扰抵消算法 | 第41-46页 |
| 3.1.3.1 QPSK调制 | 第41-43页 |
| 3.1.3.2 干扰抵消算法(IC-Algorithm) | 第43-45页 |
| 3.1.3.3 复杂度分析 | 第45页 |
| 3.1.3.4 收敛性分析 | 第45-46页 |
| 3.1.4 KM-FastICA算法 | 第46-49页 |
| 3.1.4.1 FastICA算法 | 第46-47页 |
| 3.1.4.2 KM-FastICA算法 | 第47-49页 |
| 3.1.5 仿真实验分析 | 第49-54页 |
| 3.1.5.1 信道参数估计 | 第51-52页 |
| 3.1.5.2 弱目标混合信号的分离 | 第52-53页 |
| 3.1.5.3 分离性能分析 | 第53-54页 |
| 3.2 强干扰信号为非合作信号 | 第54-61页 |
| 3.2.1 对包含未知强干扰信号在内的混合信号进行盲源信号分离 | 第54-55页 |
| 3.2.2 利用干扰抵消法消除未知强干扰信号 | 第55页 |
| 3.2.3 仿真实验分析 | 第55-59页 |
| 3.2.4 性能分析 | 第59-61页 |
| 3.2.4.1 迭代终止条件 | 第59-60页 |
| 3.2.4.2 算法鲁棒性分析 | 第60-61页 |
| 3.3 本章小结 | 第61-62页 |
| 第四章 正交跳频体制下基于稀疏性的欠定盲源分离 | 第62-77页 |
| 4.1 引言 | 第62-63页 |
| 4.2 系统模型 | 第63-65页 |
| 4.2.1 稀疏的BSS | 第63-64页 |
| 4.2.2 跳频信号模型 | 第64-65页 |
| 4.3 密度聚类盲分离算法 | 第65-69页 |
| 4.3.1 构造代价函数对 | 第65-67页 |
| 4.3.2 构建决策坐标系统 | 第67-68页 |
| 4.3.3 源信号数量估计 | 第68-69页 |
| 4.4 算法性能分析 | 第69-70页 |
| 4.4.1 噪声影响分析 | 第69页 |
| 4.4.2 密度聚类算法的鲁棒性 | 第69-70页 |
| 4.5 仿真实验分析 | 第70-76页 |
| 4.5.1 对比分析实验一 | 第72-75页 |
| 4.5.2 对比分析实验二 | 第75-76页 |
| 4.6 本章小结 | 第76-77页 |
| 第五章 非正交跳频信号在时频域中的欠定盲源分离 | 第77-90页 |
| 5.1 引言 | 第77页 |
| 5.2 系统模型 | 第77-79页 |
| 5.2.1 盲源信号分离(BSS)模型 | 第78页 |
| 5.2.2 跳频通信系统基本模型 | 第78-79页 |
| 5.3 匹配优化盲分离(MOBS)算法 | 第79-81页 |
| 5.3.1 问题描述 | 第79-80页 |
| 5.3.2 构建匹配优化盲分离(MOBS)算法的代价函数 | 第80-81页 |
| 5.4 匹配优化盲分离(MOBS)算法的性能分析 | 第81-85页 |
| 5.4.1 算法过程分析 | 第81-82页 |
| 5.4.2 匹配优化盲分离(MOBS)算法的收敛性 | 第82-83页 |
| 5.4.3 匹配优化盲分离(MOBS)算法参数的选择 | 第83-84页 |
| 5.4.4 噪声影响分析 | 第84-85页 |
| 5.5 仿真实验分析 | 第85-89页 |
| 5.5.1 对比分析实验一 | 第85-86页 |
| 5.5.2 对比分析实验二 | 第86-89页 |
| 5.6 本章小结 | 第89-90页 |
| 第六章 邻星干扰的盲源信号分离 | 第90-107页 |
| 6.1 引言 | 第90-91页 |
| 6.2 系统模型分析 | 第91-92页 |
| 6.3 相关模型分析 | 第92-93页 |
| 6.3.1 K-means聚类算法 | 第92页 |
| 6.3.2 粒子群优化模型 | 第92-93页 |
| 6.4 粒子群聚类的盲源信号分离算法 | 第93-97页 |
| 6.4.1 采样数据的预处理 | 第93-94页 |
| 6.4.2 粒子群聚类的盲源信号分离算法分析 | 第94-96页 |
| 6.4.3 算法流程 | 第96-97页 |
| 6.5 算法性能分析 | 第97-101页 |
| 6.5.1 算法实施过程 | 第97-99页 |
| 6.5.1.1 盲源信号分离前的预处理 | 第98页 |
| 6.5.1.2 速度参数更新 | 第98-99页 |
| 6.5.1.3 Pbest和Gbest的更新 | 第99页 |
| 6.5.1.4 中止迭代 | 第99页 |
| 6.5.2 算法的收敛性对比 | 第99页 |
| 6.5.3 算法鲁棒性分析 | 第99-101页 |
| 6.6 仿真实验分析 | 第101-105页 |
| 6.6.1 对比分析实验一 | 第101-102页 |
| 6.6.2 对比分析实验二 | 第102-105页 |
| 6.7 本章小结 | 第105-107页 |
| 第七章 全文总结与展望 | 第107-109页 |
| 7.1 全文总结 | 第107-108页 |
| 7.2 未来工作展望 | 第108-109页 |
| 致谢 | 第109-110页 |
| 参考文献 | 第110-122页 |
| 攻读博士学位期间取得的成果 | 第122-125页 |
