盲信號處理

第1章 概論
1．1 盲信號處理概念和盲源分離的發(fā)展
1．2 盲信號處理的應(yīng)用
1．3 本書的結(jié)構(gòu)與內(nèi)容安排
1．4 使用本書的建議
參考文獻(xiàn)
第2章 盲信號處理的數(shù)學(xué)基礎(chǔ)
2．1 矩陣運算的基本公式
2．1．1 矩陣的相關(guān)概念
2．1．2 矩陣運算公式
2．1．3 向量、矩陣及其函數(shù)的微分
2．1．4 矩陣的求逆規(guī)則
2．1．5 矩陣偽逆(Moore—Penrose逆)的性質(zhì)
2．1．6 矩陣直積及矩陣乘積
2．1．7 向量及矩陣的數(shù)學(xué)期望
2．1．8 矩陣及行列式的微分
2．1．9 循環(huán)矩陣
2．2 不等式和幾何距離
2．2．1 不等式
2．2．2 幾何距離
2．3 信息論的基本概念
2．3．1 不確定性
2．3．2 可分離性
2．3．3 信息和熵的定義及其關(guān)系
2．3．4 信息不增加性原理
2．4 高階統(tǒng)計量
2．4．1 高階統(tǒng)計量的定義
2．4．2 高階累積量的計算
2．4．3 高階累積量的重要性質(zhì)
參考文獻(xiàn)
第3章 主分量和次分量分析
3．1 主分量分析的發(fā)展簡況
3．2 主分量分析的基礎(chǔ)知識
3．2．1 主分量分析的基本思想
3．2．2 主分量的定義、性質(zhì)與求法
3．2．3 樣本協(xié)方差矩陣的估計
3．2．4 信號與噪聲子空間的估計準(zhǔn)則
3．3 主分量提取的穩(wěn)健遞歸最小二乘算法
3．4 基于廣義能量函數(shù)的快速自適應(yīng)主分量提取算法
3．4．1 廣義能量函數(shù)
3．4．2 梯度學(xué)習(xí)算法與RLS學(xué)習(xí)算法
3．4．3 GEF算法的性能
3．5 基于加權(quán)信息準(zhǔn)則的快速自適應(yīng)主分量提取算法
3．5．1 加權(quán)信息準(zhǔn)則
3．5．2 算法推導(dǎo)
3．6 自適應(yīng)次分量提取算法
3．6．1 信息量最小化準(zhǔn)則
3．6．2 AMEX算法的推導(dǎo)
3．7 主分量分析和次分量分析的統(tǒng)一算法
3．7．1 PCA和MCA的統(tǒng)一框架
3．7．2 PCA和MCA的統(tǒng)一算法
參考文獻(xiàn)
第4章 白化預(yù)處理和二階統(tǒng)計量特征值分解盲辨識方法
4．1 空域解相關(guān)和盲分離
4．1．1 空域解相關(guān)的基本方法
4．1．2 自適應(yīng)空域解相關(guān)
4．2 基于二階統(tǒng)計量特征值分解的盲辨識方法
4．2．1 混合模型和盲辨識
4．2．2 同時對角化盲辨識方法
4．3 盲辨識的相關(guān)抵消法
4．3．1 標(biāo)準(zhǔn)混合矩陣和噪聲協(xié)方差矩陣的估計方法
4．3．2 利用相關(guān)抵消原理的混合矩陣盲辨識
參考文獻(xiàn)
第5章 盲源分離和獨立分量分析
5．1 獨立分量分析的概念
5．2 BSS、ICA、PCA及白化處理
5．2．1 盲源分離(BSS)和獨立分量分析(ICA)
5．2．2 主分量分析和ICA
5．2．3 白化處理和ICA
5．3 ICA或BSS的基本原理
5．3．1 互信息量最小化目標(biāo)函數(shù)
5．3．2 信息傳輸最大化或負(fù)熵最大化目標(biāo)函數(shù)
5．3．3 ICA的最大似然目標(biāo)函數(shù)
5．3．4 各種目標(biāo)函數(shù)的等價性
5．3．5 ICA方法的擴(kuò)展和待解決的問題
5．4 獨立分量分析的自然梯度方法
5．4．1 自然梯度盲處理方法的目標(biāo)函數(shù)
5．4．2 ICA的自然梯度學(xué)習(xí)算法
5．4．3 自然梯度ICA算法的穩(wěn)定性分析
5．4．4 盲源分離的廣義自然梯度算法
5．4．5 盲源分離的不完整自然梯度算法
5．5 基于最大信噪比的盲源分離算法
5．5．1 信噪比目標(biāo)函數(shù)
5．5．2 分離算法的推導(dǎo)
5．5．3 算法的可分離性
5．5．4 仿真實驗
5．6 基于峭度的盲源分離開關(guān)算法
5．6．1 源信號的概率密度函數(shù)、激活函數(shù)及峭度
5．6．2 盲源分離開關(guān)算法
5．6．3 仿真實驗與分析
參考文獻(xiàn)
第6章 獨立分量分析的神經(jīng)網(wǎng)絡(luò)算法
6．1 J—H遞歸神經(jīng)網(wǎng)絡(luò)盲處理算法及其改進(jìn)
6．1．1 獨立分量分析的遞歸神經(jīng)網(wǎng)絡(luò)方法
6．1．2 具有消噪能力的遞歸神經(jīng)網(wǎng)絡(luò)ICA方法
6．1．3 ICA的前向神經(jīng)網(wǎng)絡(luò)模型及其學(xué)習(xí)算法
6．1．4 ICA的多層神經(jīng)網(wǎng)絡(luò)模型及其學(xué)習(xí)算法
6．2 仿真實例
6．3 序貫盲信號抽取的神經(jīng)網(wǎng)絡(luò)方法
6．3．1 盲信號抽取及其特點
6．3．2 基于峭度的級聯(lián)神經(jīng)網(wǎng)絡(luò)盲信號抽取學(xué)習(xí)算法
6．3．3 盲信號抽取的定點算法
6．3．4 序貫抽取和緊縮過程
參考文獻(xiàn)
第7章 非線性混合信號的BSS和ICA
7．1 非線性混合信號。BSS和IcA的概念
7．2 非線性混合信號BSS和ICA的存在性與唯一性
7．2．1 非線性混合信號BSS和ICA的不確定性
7．2．2 光滑映射的盲分離性
7．2．3 具有結(jié)構(gòu)約束的非線性混合信號的盲分離性
7．2．4 源信號先驗信息的利用
7．3 非線性混合信號的基本分離方法
7．3．1 后置非線性混合信號的分離方法
7．3．2 一般非線性混合信號的分離方法
7．3．3 非線性混合信號的RBF神經(jīng)網(wǎng)絡(luò)盲源分離方法
參考文獻(xiàn)
第8章 盲均衡和盲辨識的基本方法
8．1 盲均衡和盲辨識的技術(shù)背景
8．1．1 盲均衡技術(shù)
8．1．2 盲辨識技術(shù)
8．2 盲均衡和盲辨識技術(shù)基礎(chǔ)
8．2．1 盲均衡系統(tǒng)模型
8．2．2 哆用戶信道模型
8．2．3 多通道盲均衡模型及其可分離性
8．2．4 盲均衡和盲辨識的條件
8．3 盲均衡和盲辨識的基本方法簡介
8．3．1 平穩(wěn)信號的盲均衡
8．3．2 循環(huán)平穩(wěn)信號的盲均衡
8．3．3 基于神經(jīng)網(wǎng)絡(luò)和模糊理論的盲均衡
8．4 Bussgang盲均衡算法
8．4．1 Bussgang盲均衡算法的原理
8．4．2 恒模盲均衡Godard算法
8．5 盲解卷或盲均衡的自然梯度學(xué)習(xí)算法
8．5．1 單輸入多輸出系統(tǒng)的盲均衡模型和可均衡條件
8．5．2 SIMO系統(tǒng)的盲均衡或盲解卷的自然梯度學(xué)習(xí)算法
8．5．3 MIMO系統(tǒng)盲均衡的基本模型和條件
8．6 基于高階累積量的盲均衡方法
參考文獻(xiàn)
第9章 盲自適應(yīng)多用戶檢測
9．1 多用戶檢測技術(shù)
9．2 同步CDMA信號盲多用戶檢測模型
9．3 最小輸出能量(MOE)盲多用戶檢測算法
9．4 恒模(CMA)盲多用戶檢測算法
9．5 Kalman濾波多用戶檢測
9．6 子空間盲多用戶檢測
9．6．1 子空間預(yù)測逼近跟蹤盲多用戶檢測算法(PAST)
9．6．2 緊縮預(yù)測逼近子空間跟蹤盲多用戶檢測算法(PASTd)
9．6．3 正交預(yù)測逼近子空間跟蹤算法(OPAST)
9．6．4 仿真分析
參考文獻(xiàn)
附錄A 一些盲處理算法的Matlab程序
附錄B 盲多用戶檢測相關(guān)的Matlab程序
附錄C 常用的數(shù)學(xué)符號
附錄D 常用的縮略語
附錄E 盲信號處理的部分相關(guān)網(wǎng)址