| 第1章 概论 1.1 盲信号处理概念和盲源分离的发展 1.2 盲信号处理的应用 1.3 本书的结构与内容安排 1.4 使用本书的建议 参考文献 第2章 盲信号处理的数学基础 2.1 矩阵运算的基本公式 2.1.1 矩阵的相关概论 2.1.2 矩阵运算公式 2.1.3 向量、矩阵及其函数的微分 2.1.4 矩阵的求逆规则 2.1.5 矩阵伪逆（Moore－Penrose逆）的性质 2.1.6 矩阵直积及矩阵乘积 2.1.7 向量及矩阵的数学期望 2.1.8 矩阵及行列式的微分 2.1.9 循环矩阵 2.2 不等式和几何距离 2.2.1 不等式 2.2.2 几何距离 2.3 信息论的基本概念 2.3.1 不确定性 2.3.2 可分离性 2.3.3 信息和熵的定义及其关系 2.3.4 信息不增加性原理 2.4 高阶统计量 2.4.1 高阶统计量的定义 2.4.2 高阶累积量的计算 2.4.3 高阶累积量的重要性质 参考文献 第3章 主分量和次分量分析 3.1 主分量分析的发展简况 3.2 主分量分析的基础知识 3.2.1 主分量分析的基本思想 3.2.2 主分量的定义、性质与求法 3.2.3 样本协方差矩阵的估计 3.2.4 信号与噪声子空间的估计准则 3.3 主分量提取的稳健递归最小二乘算法 3.4 基于广义能量函数的快速自适应主分量提取算法 3.4.1 广义能量函数 3.4.2 梯度学习算法与BLS学习算法 3.4.3 GEF算法的性能 3.5 基于加权信息准则的快速自适应主分量提取算法 3.5.1 加权信息准则 3.5.2 算法推导 3.6 自适应次分量提取算法 3.6.1 信息量很小化准则 3.6.2 AMEX算法的推导 3.7 主分量分析和次分量分析和统一算法 3.7.1 PCAt和MCA的统一框架 3.7.2 PCAt和MCA的统一算法 参考文献 第4章 白化预处理和二阶统计量特征值分解盲辨识方法 4.1 空域解相关和盲分离 4.1.1 空域解相关的基本方法 4.1.2 自适应域解相关 4.2 基于二阶统计量特征值分解的盲辨识方法 4.2.1 混合模型和盲辨识 4.2.2 同时对角化盲辨识方法 4.3 盲辨识的相关抵消法 4.3.1 标准混合矩阵和噪声协方差矩阵的估计方法 4.3.2 利用相关低消原理的混合矩阵盲辨识 参考文献 第5章 盲源分离和独立分量分析 第6章 独立分量分析的神经网络算法 第7章 非线性混合信号的BSS和ICA 第8章 盲均衡和盲辨识的基本方法 第9章 盲自适应多用户检测 附录A 一些盲处理算法的Matlab程序 附录B 盲多用户检测相关的Matlab程序 附录C 常用的数学符号 附录D 常用的缩略语 附录E 盲信号处理的部分相关网址 |
内容加载中，请稍后...
商品评论（0条）