§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 **V 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
斯模型139-1405.3.5 谱办法(Wold 分解)140-1415.3.6 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141-1485.4.1 基本 ISA 模型142-1435.4.2 ISA 的自然梯度算法143-1455.4.3 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-