§2.5 重构算法 I41-45

2.5.1 混合矩阵的估计41-42

2.5.2 源信号的重构42-43

2.5.3 数值仿真43-45

§2.6 重构算法 II45-52

2.6.1 混合矩阵的估计45-47

2.6.2 源信号的重构算法 Semi-BCR47-49

2.6.3 数值仿真49-52

§2.7 本章小结52-53

本章参考文献53-57

第三章 压缩感知的多重测量向量模型与算法分析57-73

§3.1 引言57-58

§3.2 基本模型58-61

3.2.1 SMV 模型58-60

3.2.2 MMV 模型60-61

§3.3 CS 的 MMV 重构算法61-67

3.3.1 算法基础61-62

3.3.2 凸优化算法62-65

3.3.3 贪婪算法65-66

3.3.4 具有时序结构的算法66-67

§3.4 本章小结67-68

本章参考文献68-73

第四章 谐波信号盲恢复的模型与算法探讨73-129

§4.1 引言73-74

§4.2 谐波信号的盲分离模型74-80

4.2.1 盲源分离模型74-76

4.2.2 谐波信号的盲源分离模型76-80

§4.3 基于高阶统计量的谐波盲分离算法80-84

4.3.1 算法设计80-81

4.3.2 数值仿真81-84

§4.4 基于二维加权直方图的谐波盲分离算法84-91

4.4.1 算法设计84-87

4.4.2 数值仿真87-91

§4.5 基于时间周期结构的谐波盲分离算法91-98

4.5.1 算法设计91-94

4.5.2 数值仿真94-98

§4.6 基于小波包分解的谐波盲分离算法98-123

4.6.1 算法设计99-106

4.6.2 数值仿真106-123

§4.7 本章小结123

本章参考文献123-129

第五章 统计相关信号源的盲分离算法探讨129-153

§5.1 引言129-130

§5.2 基本 DCA 模型极为与 ICA 的关系130-132

5.2.1 ICA 模型130-132

5.2.2 DCA 模型132

§5.3 扩展的 DCA 模型和算法132-141

5.3.1 多维独立成分分析（MICA）132-134

5.3.2 方差相依 BSS 模型134-136

5.3.3 子带分解 ICA（SDICA）136-139

5.3.4 极大非高斯模型139-140

5.3.5 谱办法（Wold 分解）140-141

5.3.6 时频办法141

§5.4 基于自然梯度的独立子空间盲信号处理办法141-148

5.4.1 基本 ISA 模型142-143

5.4.2 ISA 的自然梯度算法143-145

5.4.3 数值仿真145-148

§5.5 本章小结148

本章参考文献148-153

第六章 总结与展望153-157

§6.1 全文内容总结153-154

§6.2 有着的不足及工作展望154-157

致谢157-159

作者在读期间的探讨成果159-161