盲信号处理及应用PDF|Epub|txt|kindle电子书版本网盘下载

盲信号处理及应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章　绪论1

1.1 引言1

1.2　盲信号处理概述3

1.2.1　盲信号处理问题描述3

1.2.2　盲信号处理问题分类5

1.3　盲信号处理的研究历史7

1.3.1　盲辨识的发展状况7

1.3.2　盲卷积的研究历史9

1.3.3　信号源盲分离的研究历史9

1.4　盲信号处理的方法11

1.4.1　盲源分离方法11

1.4.2　盲反卷积方法15

1.4.3　盲辨识问题的主要方法16

第2章　盲信号处理的数学描述17

2.1　信号源盲分离17

2.1.1 问题描述17

2.1.2　基本假设18

2.1.3　信号源盲分离问题的可解性19

2.2　微分熵、互信息和相对熵21

2.2.1　微分熵及其性质21

2.2.2　互信息21

2.2.3　相对熵及其性质21

2.3　独立分量分析22

2.3.1 ICA的定义23

2.3.2　有噪数据的独立分量分析29

2.4　多通道盲解卷积和盲分离30

2.5　信号的盲提取33

2.6　广义多通道盲解卷积——状态空间模型34

2.7　信号的预处理36

2.7.1　信号的零均值化36

2.7.2　信号的白化36

2.8　对照（代价）函数39

2.8.1　对照函数的定义39

2.8.2　常见的对照函数40

2.8.3　对照函数的计算41

2.9　分离效果的检验方法42

第3章 自适应信号滤波器44

3.1 自适应滤波的基本算法及其种类44

3.1.1　变步长自适应滤波算法45

3.1.2　RLS自适应滤波算法46

3.1.3　变换域自适应滤波算法48

3.1.4　仿射投影算法49

3.1.5　小波变换域中的自适应滤波49

3.2 自适应均衡51

3.2.1　数字通信信道和均衡问题51

3.2.2　自适应均衡器52

3.3 自适应波束形成55

3.3.1 自适应波束概述55

3.3.2 自适应阵列波束形成方法56

3.4.1　多层前馈神经网络61

3.4 自适应神经网络61

3.4.2 多层ADALINE网络63

3.4.3　径向基函数网络63

3.4.4 自组织特征映射网络65

3.4.5 自适应共振理论神经网络66

3.4.6　主元分析神经网络68

3.5 自适应神经滤波器69

3.5.1　最小平方自适应滤波69

3.5.2　全最小平方自适应滤波71

3.5.3 自适应TLS-FIR滤波73

3.5.4 自适应TLS-IIR滤波73

3.5.5 自适应神经非线性滤波器74

第4章　高阶谱及参数估计77

4.1　高阶累积量和高阶谱77

4.1.1　高阶累积量77

4.1.2　高阶谱80

4.2　非参数化高阶谱估计81

4.2.1　高阶累积量的估计81

4.2.2　双谱和互双谱的估计85

4.2.3　高斯性和线性检验——Hinich检验89

4.3　参数模型高阶谱估计92

4.3.1 ARMA模型及其模拟产生92

4.3.2　MA模型的参数估计94

4.3.3　AR模型的参数估计95

4.3.4　ARMA模型参数估计97

4.3.5　基于ARMA模型的高阶统计量估计99

4.4.2 自适应算法101

4.4.1　误差准则101

4.4　自适应线性预测101

4.5　基于倒谱的冲激响应辨识和信号恢复104

4.6　二阶Volterra非线性系统的参数估计106

4.6.1 二阶Volterra系统107

4.6.2 输入为高斯信号的参数估计108

4.6.3 输入为任意信号的参数估计109

4.7　时延估计110

4.7.1　基于互相关的时延估计110

4.7.2　基于互累积量的时延估计111

4.7.3　基于双谱的时延估计112

4.8　谐波恢复与达波方向（DOA）估计113

第5章　盲源分离与盲波束形成的方法120

5.1 自适应神经盲信源分离法120

5.1.1　基于多变量密度估计的盲信源分离法120

5.1.2　基于累积量展开的盲信源分离法127

5.1.3　基于信息理论准则的盲信源分离法130

5.2.1　周期平稳信号特性134

5.2　盲自适应波束形成方法134

5.2.2　周期平稳盲波束形成算法135

5.3　盲最小方差SCORE波束形成算法136

5.4　盲周期平稳自适应波束形成算法138

5.4.1 CAB算法138

5.4.2 C-CAB算法138

5.4.3　R-CAB算法139

5.5　盲递归最小二乘波束形成算法139

5.6.1　信号特征空间142

5.6　盲特征空间鲁棒波束形成算法142

5.6.2　子空间约束波束形成算法143

5.6.3　子空间鲁棒盲波束形成算法144

5.7　基于特征结构提取的盲波束形成算法145

5.8 自适应神经盲波束形成146

5.8.1 神经盲波束形成的SCORE算法147

5.8.2　神经盲波束形成的C-CAB算法148

第6章　盲反卷积与盲均衡的方法151

6.1 多道反卷积的最大公因子算法151

6.1.1　最大公因子算法151

6.1.2　GCD阶的确定154

6.1.3　多帧GCD问题的解155

6.1.4　对盲目反卷积问题的应用155

6.1.5 用于一维信号反卷积的几个MATLAB程序158

6.2　盲均衡的统计特征匹配方法159

6.2.1　Godard方法159

6.2.2　Shalvi-Weistein方法161

6.2.3　极值化方法162

6.2.4　分数间隔采样对盲均衡的意义163

6.3　盲自适应均衡算法166

6.3.1　Godard盲自适应均衡算法166

6.3.2 自适应频域最小差错概率均衡算法167

6.3.3　过采样与独立分量分析的盲均衡算法169

6.4 自适应神经盲均衡方法170

6.4.1　独立分量分析神经网络盲均衡法171

6.4.2　过采样模型171

6.4.3　ICA神经网络盲均衡172

6.4.4 回归子波神经网络盲均衡法173

第7章　盲反卷积与盲源信号分离之间的关系179

7.1 引言179

7.2　问题描述179

7.2.1　盲源分离179

7.2.2　反卷积180

7.2.4 比较181

7.2.3　附加信息181

7.3　算法关系182

7.3.1　估计模型的选择182

7.3.2　代价函数的选择182

7.3.3 自适应算法的选择185

7.4　结构关系186

7.4.1　循环行列式混合条件下的源分离186

7.4.2　循环行列式混合条件下的基于密度方法187

7.4.3　与盲反卷积算法的关系188

7.4.4　稳定性问题189

7.4.5　仿真190

7.5　扩展193

7.5.1　盲反卷积的基于对比度方法193

7.5.2　多通道扩展193

第8章　基于多用户峭度最优化标准的独立信号源盲分离194

8.1　引言194

8.2　问题描述和假设195

8.3　单用户均衡198

8.3.1 约束标准199

8.3.2　无约束标准200

8.4　用于BSS的充分必要条件201

8.5　非约束标准——MU-CM方法202

8.6　约束标准——MUK方法204

8.7　数字算例207

8.7.1　MU-CMA算法207

8.7.2　MUK算法208

第9章　基于概率密度函数估计的盲分离算法211

9.1 引言211

9.2　EASI信号源盲分离算法212

9.2.1　矩阵函数的导数212

9.2.2　随机矢量的等变自适应白化212

9.2.3　互信息对照函数213

9.2.4　算法推导214

9.3　概率密度函数的非参数估计215

9.2.5　评价函数的近似215

9.3.1　核函数法概率密度估计216

9.3.2　核函数法的经验带宽选择219

9.3.3　核函数法的Sheather-Jones带宽选择220

9.4　评价函数的估计221

9.5　DEBBSS信号源盲分离算法222

9.6　仿真结果222

9.6.1　亚高斯信号混合的情况222

9.6.2　超高斯信号混合的情况225

9.6.3　杂系信号混合的情况228

9.6.4　DEBBSS算法和EXTICA算法的比较232

第10章　时延和卷积信号的盲分离235

10.1 信号盲分离的信息最大化方法235

10.1.1 瞬时混合问题235

10.1.2　神经网络解决信号分离的可实现性236

10.1.3　信息最大化方法237

10.2.2　延迟246

10.2　面向更实际的假设246

10.2.1 瞬间BBS不能应用于现实世界问题的原因246

10.2.3　卷混合248

10.3　延迟和卷混合——时域信息最大化249

10.3.1　用于延迟的一个网络体系结构249

10.3.2　延迟语音信号的实验251

10.3.3　卷源的混合253

10.3.4　卷语音信号混合的实验256

10.4　非最小相位混合情形258

10.4.1　因果滤波器的限制258

10.4.2　非因果滤波器259

10.4.3　对盲分离的推断260

10.4.4 以滤波器为混合系数的多项式的BSS260

第11章 多通道混合盲反卷积261

11.1 引言261

11.2　单通道／多通道代价函数和自适应方法262

11.2.1　适应于非高斯源的一个更有力的代价262

11.2.3　多通道代价函数263

11.2.2　Bussgang盲均衡代价函数和方法263

11.2.4　使用FIR矩阵逆的多通道代价函数的应用264

11.2.5　多通道最小均方265

11.2.6　多通道盲最小均方265

11.2.7　多通道盲RLS266

11.2.8　直接基于Bassgang特性的代价函数266

11.2.9　在频域使用Bussgang特性构成代价函数267

11.2.11　算法概要268

11.2.10　有限差分近似，连续修正和盲连续修正268

11.2.12　收敛269

11.2.13　分析和性能度量270

11.2.14　通用高斯集的盲代价和MMSE-NG的渐近线性能度量270

11.2.15　对于代价函数节的结论272

11.3　有限冲击响应矩阵代数272

11.3.1　FIR矩阵代数概述272

11.3.2　宽带或窄带的选择272

11.3.5　代数特性和定义273

11.3.3　一个多项式矩阵或一个矩阵多项式的选择273

11.3.4 自适应和批量处理的选择273

11.3.6　FIR滤波器的代数274

11.3.7　FIR滤波器函数的定义274

11.3.8　FIR矩阵278

11.3.9　FIR矩阵特征程序280

11.3.10　FIR多项式矩阵白化283

11.4　仿真284

11.4.1　难度分析285

11.4.2　有一致分布源的2×2系统的仿真结果287

11.4.3　对高特征值展开4×4系统用不同类型数据的仿真结果290

11.4.4　2×2复数据系统的仿真结果292

11.4.5　有关声音信号语音分离实验的结果293

11.5　用于分离和均衡的反馈方法295

11.5.1　反馈逆系统体系结构295

11.5.2　对于SEIANTF算法的仿真结果296

11.5.4　总结298

11.5.3　用于“仅分离”问题的反馈方法298

第12章　有限支持域上的图像盲目反卷积301

12.1 引言 .301

12.2　支持域的可嵌入性和可分解性304

12.3　空间域迭代盲目反卷积算法306

12.3.1　基本算法306

12.3.2　块Toeplitz方程的递推解法308

12.3.3　增量迭代盲目反卷积算法308

12.4　利用傅里叶变换的迭代盲目反卷积算法311

12.5　迭代盲目反卷积的计算例子313

12.6　关于盲目反卷积中的规整化问题316

12.7　从斑纹干涉测量数据复原目标的方法317

12.8　三次相关方法318

12.9　其他的盲卷积算法320

12.9.1　零叶面分离方法320

12.9.2　模拟退火方法321

12.9.3　最小熵方法（Wlggins,1978）321

13.1 盲信号处理在生物医学信号处理中的应用323

第13章　盲信号处理的应用323

13.1.1　生物医学信号检测的特点324

13.1.2　胎儿和母体心电图信号的盲分离327

13.1.3　EMG信号的增强和分解328

13.1.4 EEG和MEG数据处理329

13.1.5　ICA/BSS在多传感器生物医学信号中噪声和干扰抵消的应用331

13.2　“鸡尾酒会”问题334

13.3　数字通信系统340

13.4　图像恢复和理解341

附录1　Pearson-ICA程序347

附录2　FastICA程序359

附录3　Complex FastICA程序381

附录4　JADE计算程序394

附录5　mexica程序407

附录6　Pographic ICA程序413

附录7　盲信号处理的相关网站423

参考文献424