盲信号处理PDF格式文档图书下载

第1章　概论 1

1.1 盲信号处理概念和盲源分离的发展 1

1.2 盲信号处理的应用 7

1.3 本书的结构与内容安排 8

1.4 使用本书的建议 9

参考文献 9

2.1.2 矩阵运算公式 13

2.1.1 矩阵的相关概念 13

2.1 矩阵运算的基本公式 13

第2章　盲信号处理的数学基础 13

2.1.3 向量、矩阵及其函数的微分 14

2.1.4 矩阵的求逆规则 16

2.1.5 矩阵伪逆（Moore-Penrose逆）的性质 16

2.1.6 矩阵直积及矩阵乘积 17

2.1.7 向量及矩阵的数学期望 17

2.1.8 矩阵及行列式的微分 18

2.1.9 循环矩阵 19

2.2.1 不等式 21

2.2 不等式和几何距离 21

2.2.2 几何距离 22

2.3 信息论的基本概念 23

2.3.1 不确定性 23

2.3.2 可分离性 24

2.3.3 信息和熵的定义及其关系 25

2.3.4 信息不增加性原理 27

2.4 高阶统计量 28

2.4.1 高阶统计量的定义 28

2.4.2 高阶累积量的计算 30

2.4.3 高阶累积量的重要性质 32

参考文献 34

第3章　主分量和次分量分析 35

3.1 主分量分析的发展简况 35

3.2 主分量分析的基础知识 38

3.2.1 主分量分析的基本思想 38

3.2.2 主分量的定义、性质与求法 42

3.2.3 样本协方差矩阵的估计 43

3.2.4 信号与噪声子空间的估计准则 44

3.3 主分量提取的稳健递归最小二乘算法 46

3.4 基于广义能量函数的快速自适应主分量提取算法 49

3.4.1 广义能量函数 50

3.4.2 梯度学习算法与RLS学习算法 52

3.4.3 GEF算法的性能 54

3.5 基于加权信息准则的快速自适应主分量提取算法 54

3.5.1 加权信息准则 55

3.5.2 算法推导 56

3.6 自适应次分量提取算法 59

3.6.1 信息量最小化准则 60

3.6.2 AMEX算法的推导 61

3.7 主分量分析和次分量分析的统一算法 63

3.7.1 PCA和MCA的统一框架 63

3.7.2 PCA和MCA的统一算法 64

参考文献 65

第4章　白化预处理和二阶统计量特征值分解盲辨识方法 68

4.1 空域解相关和盲分离 68

4.1.1 空域解相关的基本方法 68

4.1.2 自适应空域解相关 70

4.2.1 混合模型和盲辨识 75

4.2 基于二阶统计量特征值分解的盲辨识方法 75

4.2.2 同时对角化盲辨识方法 76

4.3 盲辨识的相关抵消法 79

4.3.1 标准混合矩阵和噪声协方差矩阵的估计方法 79

4.3.2 利用相关抵消原理的混合矩阵盲辨识 80

参考文献 82

第5章　盲源分离和独立分量分析 85

5.1 独立分量分析的概念 85

5.2.1 盲源分离（BSS）和独立分量分析（ICA） 90

5.2 BSS、ICA、PCA及白化处理 90

5.2.2 主分量分析和ICA 91

5.2.3 白化处理和ICA 91

5.3 ICA或BSS的基本原理 93

5.3.1 互信息量最小化目标函数 94

5.3.2 信息传输最大化或负熵最大化目标函数 95

5.3.3 ICA的最大似然目标函数 95

5.3.4 各种目标函数的等价性 96

5.3.5 ICA方法的扩展和待解决的问题 96

5.4 独立分量分析的自然梯度方法 98

5.4.1 自然梯度盲处理方法的目标函数 98

5.4.2 ICA的自然梯度学习算法 100

5.4.3 自然梯度ICA算法的稳定性分析 104

5.4.4 盲源分离的广义自然梯度算法 105

5.4.5 盲源分离的不完整自然梯度算法 106

5.5 基于最大信噪比的盲源分离算法 109

5.5.1 信噪比目标函数 109

5.5.2 分离算法的推导 110

5.5.3 算法的可分离性 110

5.5.4 仿真实验 111

5.6.1 源信号的概率密度函数、激活函数及峭度 113

5.6 基于峭度的盲源分离开关算法 113

5.6.2 盲源分离开关算法 114

5.6.3 仿真实验与分析 115

参考文献 118

第6章　独立分量分析的神经网络算法 122

6.1 J-H递归神经网络盲处理算法及其改进 122

6.1.1 独立分量分析的递归神经网络方法 122

6.1.2 具有消噪能力的递归神经网络ICA方法 126

6.1.3 ICA的前向神经网络模型及其学习算法 130

6.1.4 ICA的多层神经网络模型及其学习算法 133

6.2 仿真实例 134

6.3 序贯盲信号抽取的神经网络方法 137

6.3.1 盲信号抽取及其特点 137

6.3.2 基于峭度的级联神经网络盲信号抽取学习算法 138

6.3.3 盲信号抽取的定点算法 143

6.3.4 序贯抽取和紧缩过程 145

参考文献 146

第7章　非线性混合信号的BSS和ICA 149

7.1 非线性混合信号BSS和ICA的概念 149

7.2.1 非线性混合信号BSS和1CA的不确定性 150

7.2 非线性混合信号BSS和ICA的存在性与唯一性 150

7.2.2 光滑映射的盲分离性 152

7.2.3 具有结构约束的非线性混合信号的盲分离性 153

7.2.4 源信号先验信息的利用 157

7.3 非线性混合信号的基本分离方法 160

7.3.1 后置非线性混合信号的分离方法 160

7.3.2 一般非线性混合信号的分离方法 162

7.3.3 非线性混合信号的RBF神经网络盲源分离方法 164

参考文献 170

8.1.1 盲均衡技术 173

第8章　盲均衡和盲辨识的基本方法 173

8.1 盲均衡和盲辨识的技术背景 173

8.1.2 盲辨识技术 174

8.2 盲均衡和盲辨识技术基础 175

8.2.1 盲均衡系统模型 175

8.2.2 多用户信道模型 177

8.2.3 多通道盲均衡模型及其可分离性 181

8.2.4 盲均衡和盲辨识的条件 184

8.3.1 平稳信号的盲均衡 187

8.3 盲均衡和盲辨识的基本方法简介 187

8.3.2 循环平稳信号的盲均衡 188

8.3.3 基于神经网络和模糊理论的盲均衡 190

8.4　Bussgang盲均衡算法 191

8.4.1 Bussgang盲均衡算法的原理 191

8.4.2 恒模盲均衡Godard算法 194

8.5 盲解卷或盲均衡的自然梯度学习算法 198

8.5.1 单输入多输出系统的盲均衡模型和可均衡条件 198

8.5.2 SIMO系统的盲均衡或盲解卷的自然梯度学习算法 199

8.5.3 MIMO系统盲均衡的基本模型和条件 200

8.6 基于高阶累积量的盲均衡方法 202

参考文献 208

第9章　盲自适应多用户检测 210

9.1 多用户检测技术 210

9.2 同步CDMA信号盲多用户检测模型 212

9.3 最小输出能量（MOE）盲多用户检测算法 213

9.4 恒模（CMA）盲多用户检测算法 215

9.5 Kalman滤波多用户检测 218

9.6 子空间盲多用户检测 220

9.6.1 子空间预测逼近跟踪盲多用户检测算法（PAST） 221

9.6.2 紧缩预测逼近子空间跟踪盲多用户检测算法（PASTd） 222

9.6.3 正交预测逼近子空间跟踪算法（OPAST） 223

9.6.4 仿真分析 224

参考文献 224

附录A 一些盲处理算法的Matlab程序 226

附录B 盲多用户检测相关的Matlab程序 253

附录C 常用的数学符号 274

附录D 常用的缩略语 277

附录E 盲信号处理的部分相关网址 280

查看更多关于盲信号处理的内容