Theory and algorithms of blind source separation

第1章  绪论
1.1  盲源信号分离研究的历史与发展
1.2  盲源信号分离的研究对象
1.3  盲源信号分离的可行性
1.4  盲源信号分离算法的分类
1.5  盲源信号分离与独立分量分析的关系
1.6  盲源信号分离与多输入多输出系统盲解卷积的关系
第2章  信息论、神经网络及高阶统计量基础知识
2.1  信息论
2.2  神经网络
2.3  高阶累积量理论
2.4  自然梯度与相对梯度
2.5  盲分离算法计算量的比较
第3章  混合模型与分离模型
3.1  瞬时混合模型与分离模型
3.2  卷积混合模型与分离模型
3.3  信号的非线性混合模型
3.4  从源信号到混合信号的统计性质变化
3.5  盲分离算法性能指标
第4章  瞬时混合信号盲分离的二阶矩理论
4.1  两个源信号的特例
4.2  一般性理论
第5章  基于去相关的盲信号分离算法
5.1  相关矩阵的非负定性及Hadamard不等式
5.2  基于去相关判据的一般算法
5.3  基于源信号非平稳性的简化算法
5.4  基于去相关的盲信号分离算法的推广
第6章  双源信号盲分离的去相关算法
6.1  双源信号盲分离迭代算法
6.2  算法的几何解释与收敛性分析
6.3  仿真实验例子
第7章  相关矩阵特征值分解盲分离算法
7.1  AMIJSE算法
7.2  广义特征值分解（GEI））盲分离算法
第8章  瞬时混合信号盲分离的高阶累积量理论
8.1  可分性约束条件
8.2  基于高阶累积量的盲分离判据
第9章  对称四阶互累积量矩阵联合对角化算法
9.1  目标函数与算法
9.2  参数氲难≡裎侍?
9.3  算法实现方面的考虑
第10章  Comon算法
10.1  基本原理
10.2  Comon算法实现
第11章  JADE算法
11.1  模型
11.2  目标函数
11.3  累积量矩阵与正交矩阵Q之间的关系
11.4  矩阵联合对角化
11.5  四阶累积量矩阵的特征矩阵表示
第12章  不动点ICA算法
12.1  不动点算法
12.2  不动点算法稳定性与收敛性分析
12.3  KMA与MIJK算法
第13章  瞬时混合信号盲分离信息论理论与算法
13.1  基于信息论的自然梯度算法
13.2  非线性激励函数
13.3  最大似然估计算法
13.4  信息最大化算法（Informax）
第14章  信号不连续性最大化算法
14.1  信号的不连续性
14.2  目标函数与算法
14.3  重叠矩阵及其近似对角化
第15章  瞬时混合信号盲分离的频域算法
15.1  纯频域算法
15.2  半时域半频域算法
第16章  基于二阶矩的卷积混合信号时域盲分离理论与算法
16.1  卷积混合信号盲分离的去相关理论
16.2  基于去相关的盲信号分离算法
16.3  仿真实验例子
16.4  本章小结
第17章  基于高阶累积量的卷积混合信号盲分离理论与算法
17.1  基于高阶累积量的盲分离判据
17.2  基于高阶累积量的卷积混合信号盲分离算法
17.3  仿真实验例子
第18章  功率谱密度矩阵联合对角化与卷积混合信号盲分离
18.1  功率谱密度矩阵联合对角化原理
18.2  基于功率谱密度矩阵联合对角化的盲分离算法
18.3  仿真实验例子
18.4  本章小结
第19章  基于信息论的卷积混合信号频域盲分离算法
19.1  混合模型与分离模型
19.2  自然梯度算法的几种推广形式
19.3  基于Kullback-Leibler散度的卷积混合信号盲分离算法
19.4  与其他算法的比例
19.5  仿真实验例子
参考文献