单通道线性混合信号盲源分离算法研究
出版时间： 2015年版
内容简介
盲源分离是生物医学、海洋环境、声学监测和军事侦察领域中的研究热点。传统的盲源分离法，要求观测信号的数目不少于源信号数目，而在实际应用中受造价和安装条件等因素限制，常使观测信号的数目远少于源信号数目，从而传统盲源分离法很难恢复出源信号。因此，如何凭借单通道混合信号恢复出多通道源信号是数学领域中的一个具有挑战性的课题。 本书系统地介绍了单通道盲源分离理论、单通道混合信号的模型建立、单通道盲源分离算法的实现。首先，依据各种信号的统计特性、时频域特性和非线性特性，将多路源信号线性混合为单路信号并对其分类建模；随后提出一系列时频域相结合的单通道盲源分离算法；最后，针对已知的单通道混合信号模型及参数自适应分离并恢复多路源信号。这些算法可提高源信号复原性能，具有算法复杂度低、收敛速度快及鲁棒特性强的特点，对单通道盲源分离的理论和算法研究具有重要的科学和应用价值。
目录
目 录第1章引论 11.1 单通道盲源分离的研究意义 31.2 单通道盲源分离的研究进展 81.2.1 盲源分离的研究与发展 81.2.2 欠定盲源分离的研究进展 111.2.3 单通道盲源分离的研究进展 131.3 本书的研究内容 17第2章盲源分离基本理论 212.1 盲源分离理论与数学模型 232.2 独立成分分析法 292.2.1 独立成分分析的基本概念 292.2.2 独立成分分析的预处理和目标函数 312.2.3 独立成分分析的经典算法 332.3 欠定盲源分离理论 382.4 单通道盲源分离理论 412.4.1 单通道盲源分离的基本模型 412.4.2 单通道盲源分离算法分类 422.4.3 单通道盲源分离算法性能评价标准 462.5 本章小结 48第3章信号的拟合与建模 493.1 拟合的基本理论 523.2 确定信号的拟合与建模 573.2.1 周期信号的拟合 583.2.2 非周期信号的拟合方法 693.2.3 非周期信号的拟合与建模 743.3 随机信号的拟合与建模 773.3.1 随机信号的拟合方法 773.3.2 随机信号拟合的基本模型 803.3.3 平稳随机信号的拟合与建模 813.3.4 非平稳随机信号的拟合与建模 903.4 本章小结 102第4章总体经验模态分解为基础的单通道盲源分离法 1054.1 EEMD为基础的单通道盲源分离法理论基础 1094.1.1 总体经验模态分解法（EEMD） 1094.1.2 主成分分析 1154.1.3 改进的主成分分析 1174.1.4 固定点独立成分分析法（FastICA） 1184.2 基于EEMD自适应单通道盲源分离法的理论基础 1204.2.1 算法的主要原理 1204.2.2 算法的流程与具体实现 1214.2.3 仿真实验与结果分析 1234.3 基于改进PCA和EEMD的单通道盲源分离法的理论基础 1314.3.1 算法的主要原理 1314.3.2 算法的流程与具体实现 1334.3.3 仿真实验与结果分析 1344.4 本章小结 143第5章局部均值分解为基础的单通道盲源分离法 1475.1 LMD为基础的单通道盲源分离法理论基础 1495.1.1 局部均值分解法 1495.1.2 抑制端点效应的局部均值分解法 1505.1.3 LMD端点效应抑制仿真及分析 1525.2 基于优化后LMD单通道盲源分离法实现原理 1555.2.1 算法的主要原理 1555.2.2 算法的流程与具体实现 1585.2.3 仿真实验与结果分析 1595.3 基于优化后LMD自适应单通道盲源分离法实现原理 1695.3.1 算法的主要原理 1695.3.2 算法的流程与具体实现 1725.3.3 仿真实验与结果分析 1725.4 本章小结 176参考文献 179
