文摘
英文文摘
第一章绪论
1.1独立成分分析
1.2盲分离的应用
1.3盲分离发展及现状
1.4本文的主要内容和贡献
1.5文章组织
第二章盲处理技术的基本理论
2.1统计理论
2.1.1高阶矩和高阶累积量的定义
2.1.2高阶累积量的计算
2.1.3高阶累积量的重要性质
2.2信息论的有关知识
2.2.1熵(entropy)
2.2.2 Kullback-Leibler(K-L)散度
2.2.3互信息(Mutual information)
2.2.4负熵(neg-entropy)
2.3线性系统输入输出信号间有关信息特征参数的关系
2.3.1熵关系
2.3.2 K-L散度关系
2.3.3互信息关系
2.3.4负熵关系
2.4本章小结
第三章盲分离常用算法研究
3.1独立性判据
3.1.1互信息最小化判据(Minimization of Mutual Information，MMI)
3.1.2信息最大化判据
3.1.3极大似然估计判据(Maximum Likelihood Estimation，MLE)
3.1.4非线性PCA判据
3.2常用算法
3.2.1 INFORMAX算法
3.2.2 Extended-ICA算法
3.2.3负熵最大化
3.2.4基于牛顿迭代的快速ICA算法
3.2.5高阶统计量方法
3.3算法性能评价准则
3.3.1基于混合矩阵的算法性能评价准则
3.3.2基于信号波形的算法性能评价准则
3.4本章小结
第四章噪声条件下的盲分离方法
4.1降低噪声的预白化技术
4.1.1噪声方差接近于零的情况
4.1.2噪声方差不为零的情况
4.1.3信源个数的估计
4.1.4去噪声的预白化方法总结
4.2算法的确定
4.3密度模型的确定
4.3.1几种常用的密度模型分析对比
4.3.2密度模型提出
3.1密度函数的特性分析
4.4算法实现
4.5稳定性分析
4.6仿真实验
4.6.1首先验证无叠加噪声时算法的性能
4.6.2有叠加噪声的情况
4.7本章小结
第五章采用高阶累积量的盲分离方法
5.1基于累积量的自适应ICA算法
5.1.1基于累积量的目标函数
5.1.2应用高阶累积量的等变化算法
5.2算法拓展
5.3传感器个数大于信号源个数的盲分离
5.4仿真实验
5.5本章小结
第六章结论和展望
6.1本文工作总结
6.2盲分离研究展望
参考文献
硕士期间发表的学术论文
致谢
西北工业大学学位论文知识产权声书及原创性声明
