盲信号处理及应用PDF格式文档图书下载

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BSS 260

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RLS 266

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

查看更多关于盲信号处理及应用的内容