盲信號處理

內(nèi)容概要

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

書籍目錄

　　第1章　導論1.1　導言1.2　盲源分離1.3　獨立分量分析（ICA）1.4　盲信號處理的發(fā)展歷史和研究前景第2章　盲信號處理的數(shù)學描述2.1　隨機過程和概率分布2.2　估計理論2.3　信息理論2.4　高階統(tǒng)計量2.5　信號的預處理2.6　復數(shù)非線性函數(shù)2.7　評價指標第3章　獨立分量分析3.1　問題說明和假設(shè)3.2　對照函數(shù)3.3　ICA的信息最大化方法3.4　極大似然方法與通用學習規(guī)則3.5　FastICA算法3.6 自然梯度法3.7　隱馬爾可夫獨立分量分析第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　學習算法5.3　后非線性混合盲分離的擴展高斯化方法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)用實例第6章 卷積混合和盲解卷積6.1 問題的定義6.2 卷積混合的時域算法6.3 卷積混合的頻域算法6.4 語音信號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 基于概率密度估計的盲處理算法7.1 問題的提出7.2　概率密度函數(shù)的非參數(shù)估計7.3　評價函數(shù)的估計7.4　基于概率密度估計的盲分離算法7.5　高斯混合模型的概率密度估計7.6　基于概率密度函數(shù)估計的盲解卷積算法7.7　非參數(shù)密度估計的在線算法第8章　聯(lián)合近似對角化方法-頻域特征和時頻特征8.1　引言8.2　頻域特征的聯(lián)合近似對角化算法8.3　時頻特征的聯(lián)合近似對角化算法8.4　卷積混合的聯(lián)合近似分塊對角化算法8.5　基于Cayley變換的聯(lián)合近似對角化方法8.6　聯(lián)合對角化和非對角化方法8.7　基于時頻分析的非參數(shù)密度估計分離方法第9章 盲信號處理的擴展9.1　盲抽取9.2　從投射追尋技術(shù)到基于非參數(shù)概率密度估計的ICA9.3　基于二階統(tǒng)計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　卷積混合的復數(shù)FastICA分離算法9.6　基于復向量不相關(guān)特性的在線復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　主動聲吶信號的盲分離和混響消除10.2　利用ICA去除腦電信號中的心電偽跡lO.3　語音信號的欠定算法分離實驗10.4　人臉圖像的特征提取10.5　獨立分量分析在數(shù)據(jù)壓縮中的應(yīng)用10.6　獨立分量分析在功能磁共振成像中的應(yīng)用10.7　面向自動語音識別系統(tǒng)的語音分離總結(jié)與展望符號表索引參考文獻

章節(jié)摘錄

　　第1章 導論1.1 導言隨著人們進入數(shù)字信息年代，信號處理在科學和技術(shù)的各個領(lǐng)域中起了日益重要的作用，而盲信號處理（Blind Signal Processing，BSP）是當前信號處理研究的熱點之一，具有諸多潛在的應(yīng)用。盲信號處理的“盲”一詞意味著不使用訓練數(shù)據(jù)，對系統(tǒng)參數(shù)沒有任何先驗知識的假設(shè)，所以該處理方法能適用于更廣泛的環(huán)境。盲信號處理包括三項內(nèi)容，即：盲信號分離與抽取、盲解卷積和盲均衡。獨立分量分析（ICA）作為一種平行的方法也適用于以上內(nèi)容，在本書的隨后章節(jié)中反映了這一看法。就理論基礎(chǔ)來講，BSP主要涉及統(tǒng)計信號處理和自適應(yīng)信號處理，應(yīng)該說，理論基礎(chǔ)是嚴實而完備的。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)，因為特定應(yīng)用的背景和實驗數(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思想而展開的。本書的整個內(nèi)容由四部分組成。第一部分包含問題的提出、基本概念與定義以及若干通用算法；第二部分敘述幾個重要的有代表性的相關(guān)主題及其進展；第三部分介紹我們對基本模型的擴展與提出的算法；第四部分則是應(yīng)用實例，其中也反映了我們的一些研究成果。1.2 盲源分離現(xiàn)考慮由多個物理源發(fā)射多個信號而由多個傳感器加以接收的情形。典型的例子是在一個房間內(nèi)有幾個人在同時說話，在不同的位置上安放一組傳聲器，各傳聲器所測得的信號是具有不同權(quán)重的原語音信號的混合信號。我們的要求是從接收的混合信號分離出原語音信號以達到識別的目的，這就是所謂的雞尾酒會問題（cocktail party problem）。由于語音信號是通過空氣介質(zhì)傳至傳聲器，問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)，雞尾酒會問題實質(zhì)上是一個多通道盲解卷積問題。對于水下聲信號，存在同樣的多途畸變問題。另一個例子是腦電信號（EEG）的分離，頭部的電極記錄腦內(nèi)多個源的混合信號，如果不考慮延時的話，可看作為瞬時混合問題，這也是盲信號處理成功地應(yīng)用于EEG信號的原岡之一。

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    盲信號處理 PDF格式下載

---