盲信號(hào)處理

內(nèi)容概要

　　《盲信號(hào)處理:理論與實(shí)踐》較系統(tǒng)地介紹了盲信號(hào)處理的基本理論、數(shù)學(xué)描述、獨(dú)立分量分析、非線性PCA、非線性ICA、卷積混合和盲解卷積、盲信號(hào)處理的擴(kuò)展、數(shù)據(jù)分析和應(yīng)用研究等。肓信號(hào)處理是現(xiàn)代數(shù)學(xué)信號(hào)處理、計(jì)算智能學(xué)近年來(lái)迅速發(fā)展的重要方向。在電子信息、通信、生物醫(yī)學(xué)、圖像增強(qiáng)、雷達(dá)、地球物理信號(hào)處理等眾多領(lǐng)域有廣泛的應(yīng)用前景。該書(shū)可作為作為高年級(jí)本科生、研究生的教材，也可作為電子信息、通信、圖像處理、遙感、雷達(dá)、生物醫(yī)學(xué)信號(hào)處理、地震、語(yǔ)言信號(hào)處理等相關(guān)領(lǐng)域科技人員的參考書(shū)。

書(shū)籍目錄

　　第1章　導(dǎo)論1.1　導(dǎo)言1.2　盲源分離1.3　獨(dú)立分量分析（ICA）1.4　盲信號(hào)處理的發(fā)展歷史和研究前景第2章　盲信號(hào)處理的數(shù)學(xué)描述2.1　隨機(jī)過(guò)程和概率分布2.2　估計(jì)理論2.3　信息理論2.4　高階統(tǒng)計(jì)量2.5　信號(hào)的預(yù)處理2.6　復(fù)數(shù)非線性函數(shù)2.7　評(píng)價(jià)指標(biāo)第3章　獨(dú)立分量分析3.1　問(wèn)題說(shuō)明和假設(shè)3.2　對(duì)照函數(shù)3.3　ICA的信息最大化方法3.4　極大似然方法與通用學(xué)習(xí)規(guī)則3.5　FastICA算法3.6 自然梯度法3.7　隱馬爾可夫獨(dú)立分量分析第4章　非線性PCA4.1　主元分析和微元分析4.2　非線性PCA和盲源分離4.3　核PCA4.4　非線性PCA和復(fù)非線性PCA的神經(jīng)網(wǎng)絡(luò)方法第5章　非線性ICA5.1　非線性模型和盲源分離5.2　學(xué)習(xí)算法5.3　后非線性混合盲分離的擴(kuò)展高斯化方法5.4　非線性ICA的神經(jīng)網(wǎng)絡(luò)方法5.5　非線性ICA解的遺傳算法5.6　非線性ICA應(yīng)用實(shí)例第6章 卷積混合和盲解卷積6.1 問(wèn)題的定義6.2 卷積混合的時(shí)域算法6.3 卷積混合的頻域算法6.4 語(yǔ)音信號(hào)卷積混合頻域盲分離6.5 Bussgang方法6.6 多通道盲解卷積第7章 基于概率密度估計(jì)的盲處理算法7.1 問(wèn)題的提出7.2　概率密度函數(shù)的非參數(shù)估計(jì)7.3　評(píng)價(jià)函數(shù)的估計(jì)7.4　基于概率密度估計(jì)的盲分離算法7.5　高斯混合模型的概率密度估計(jì)7.6　基于概率密度函數(shù)估計(jì)的盲解卷積算法7.7　非參數(shù)密度估計(jì)的在線算法第8章　聯(lián)合近似對(duì)角化方法-頻域特征和時(shí)頻特征8.1　引言8.2　頻域特征的聯(lián)合近似對(duì)角化算法8.3　時(shí)頻特征的聯(lián)合近似對(duì)角化算法8.4　卷積混合的聯(lián)合近似分塊對(duì)角化算法8.5　基于Cayley變換的聯(lián)合近似對(duì)角化方法8.6　聯(lián)合對(duì)角化和非對(duì)角化方法8.7　基于時(shí)頻分析的非參數(shù)密度估計(jì)分離方法第9章 盲信號(hào)處理的擴(kuò)展9.1　盲抽取9.2　從投射追尋技術(shù)到基于非參數(shù)概率密度估計(jì)的ICA9.3　基于二階統(tǒng)計(jì)量的卷積混合分離算法9.4　接收器數(shù)目少于源數(shù)目的盲分離——欠定模型9.5　卷積混合的復(fù)數(shù)FastICA分離算法9.6　基于復(fù)向量不相關(guān)特性的在線復(fù)ICA算法9.7　基于ICA的Wigner-Ville分布9.8　盲解卷積頻域算法中的次序不確定問(wèn)題9.9　ICA特征提取第10章　數(shù)據(jù)分析和應(yīng)用研究10.1　主動(dòng)聲吶信號(hào)的盲分離和混響消除10.2　利用ICA去除腦電信號(hào)中的心電偽跡lO.3　語(yǔ)音信號(hào)的欠定算法分離實(shí)驗(yàn)10.4　人臉圖像的特征提取10.5　獨(dú)立分量分析在數(shù)據(jù)壓縮中的應(yīng)用10.6　獨(dú)立分量分析在功能磁共振成像中的應(yīng)用10.7　面向自動(dòng)語(yǔ)音識(shí)別系統(tǒng)的語(yǔ)音分離總結(jié)與展望符號(hào)表索引參考文獻(xiàn)

章節(jié)摘錄

　　第1章 導(dǎo)論1.1 導(dǎo)言隨著人們進(jìn)入數(shù)字信息年代，信號(hào)處理在科學(xué)和技術(shù)的各個(gè)領(lǐng)域中起了日益重要的作用，而盲信號(hào)處理（Blind Signal Processing，BSP）是當(dāng)前信號(hào)處理研究的熱點(diǎn)之一，具有諸多潛在的應(yīng)用。盲信號(hào)處理的“盲”一詞意味著不使用訓(xùn)練數(shù)據(jù)，對(duì)系統(tǒng)參數(shù)沒(méi)有任何先驗(yàn)知識(shí)的假設(shè)，所以該處理方法能適用于更廣泛的環(huán)境。盲信號(hào)處理包括三項(xiàng)內(nèi)容，即：盲信號(hào)分離與抽取、盲解卷積和盲均衡。獨(dú)立分量分析（ICA）作為一種平行的方法也適用于以上內(nèi)容，在本書(shū)的隨后章節(jié)中反映了這一看法。就理論基礎(chǔ)來(lái)講，BSP主要涉及統(tǒng)計(jì)信號(hào)處理和自適應(yīng)信號(hào)處理，應(yīng)該說(shuō)，理論基礎(chǔ)是嚴(yán)實(shí)而完備的。盡管如此，模型和算法的有效性仍然與特定的應(yīng)用密切相關(guān)，因?yàn)樘囟☉?yīng)用的背景和實(shí)驗(yàn)數(shù)據(jù)為盲處理提供了附加的信息。我們的研究就是循著這一指導(dǎo)思想而展開(kāi)的。本書(shū)的整個(gè)內(nèi)容由四部分組成。第一部分包含問(wèn)題的提出、基本概念與定義以及若干通用算法；第二部分?jǐn)⑹鰩讉€(gè)重要的有代表性的相關(guān)主題及其進(jìn)展；第三部分介紹我們對(duì)基本模型的擴(kuò)展與提出的算法；第四部分則是應(yīng)用實(shí)例，其中也反映了我們的一些研究成果。1.2 盲源分離現(xiàn)考慮由多個(gè)物理源發(fā)射多個(gè)信號(hào)而由多個(gè)傳感器加以接收的情形。典型的例子是在一個(gè)房間內(nèi)有幾個(gè)人在同時(shí)說(shuō)話，在不同的位置上安放一組傳聲器，各傳聲器所測(cè)得的信號(hào)是具有不同權(quán)重的原語(yǔ)音信號(hào)的混合信號(hào)。我們的要求是從接收的混合信號(hào)分離出原語(yǔ)音信號(hào)以達(dá)到識(shí)別的目的，這就是所謂的雞尾酒會(huì)問(wèn)題（cocktail party problem）。由于語(yǔ)音信號(hào)是通過(guò)空氣介質(zhì)傳至傳聲器，問(wèn)題可模型化為線性系統(tǒng)的沖激響應(yīng)。再考慮到混響效應(yīng)，雞尾酒會(huì)問(wèn)題實(shí)質(zhì)上是一個(gè)多通道盲解卷積問(wèn)題。對(duì)于水下聲信號(hào)，存在同樣的多途畸變問(wèn)題。另一個(gè)例子是腦電信號(hào)（EEG）的分離，頭部的電極記錄腦內(nèi)多個(gè)源的混合信號(hào)，如果不考慮延時(shí)的話，可看作為瞬時(shí)混合問(wèn)題，這也是盲信號(hào)處理成功地應(yīng)用于EEG信號(hào)的原岡之一。

圖書(shū)封面

圖書(shū)標(biāo)簽Tags

無(wú)

評(píng)論、評(píng)分、閱讀與下載

---

    盲信號(hào)處理 PDF格式下載

---