盲信号处理基础及其应用2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

盲信号处理基础及其应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 盲信号处理1

1.1.1 映射和逆映射1

1.1.2 卷积和解卷积2

1.1.3 盲信号处理的基本问题2

1.2 盲信源分离3

1.2.1 盲信源分离的数学描述3

1.2.2 盲信源分离研究之进展4

1.3 盲信道均衡5

1.3.1 盲信道均衡的数学描述5

1.3.2 盲信道均衡研究之进展6

1.4 自适应滤波7

1.4.1 传统自适应滤波器7

1.4.2 监督和无监督自适应滤波器7

1.5 无监督自适应滤波的三种基本方法8

1.5.1 Bussgang统计算法8

1.5.2 高阶统计量方法9

1.5.3 信息理论方法9

1.6 本书各章内容概要10

第2章 盲信号处理的理论基础12

2.1 熵和信息12

2.1.1 熵12

2.1.2 K-L熵和互信息13

2.1.3 负熵15

2.1.4 可逆的概率密度变换16

2.2 高阶统计量17

2.3 自组织神经网络19

2.3.1 线性自组织20

2.3.2 非线性自组织21

2.4 递归网络21

2.5 标准梯度自适应23

2.5.1 参数和代价函数23

2.5.2 最陡下降法24

2.5.3 统计梯度下降法25

2.5.4 最陡下降法的行为26

2.6 自然梯度自适应28

2.6.1 欧氏几何和黎曼几何28

2.6.2 自然梯度下降法31

2.6.3 自然梯度与其他算法的关系33

2.7 自然梯度模拟实例34

2.7.1 噪声正弦函数的最大似然估计34

2.7.2 单层感知机训练36

2.8 主元分析法39

2.8.1 特征值分解40

2.8.2 第一主元估计学习算法43

2.8.3 几个主元自适应提取算法45

第3章 盲信源分离50

3.1 直观理解盲信源分离50

3.2 独立元分析概述52

3.2.1 独立元分析基础52

3.2.2 与ICA有关的模糊性53

3.3 利用神经网络的独立元分析53

3.3.1 预白化过程54

3.3.2 分离过程55

3.3.3 ICA基矢量的估计56

3.4 ICA的对比函数58

3.4.1 无噪线性混合的ICA58

3.4.2 基于似然性的对比函数58

3.4.3 基于互信息的对比函数59

3.4.4 基于信息最大化的对比函数59

3.4.5 基于统计量的对比函数60

3.5 ICA估计的非高斯性62

3.5.1 非高斯即独立62

3.5.2 非高斯性的峭度度量法63

3.5.3 非高斯性的负熵度量法65

3.6 盲信源分离的有效算法67

3.6.1 最大熵方法67

3.6.2 最小互信息方法69

3.6.3 自然梯度学习算法的等价变化性70

3.6.4 通信信号盲分离仿真71

3.6.5 语音信号盲分离仿真75

3.6.6 ICA的快速定点算法78

3.6.7 图像信号盲分离仿真80

3.7 峭度自适应学习率的盲信源分离算法83

3.7.1 盲信源分离算法学习率讨论83

3.7.2 峭度自适应学习率的盲信源分离算法84

3.7.3 计算机仿真86

3.8 信源信号的盲抽取87

3.8.1 单个源信号抽取方法88

3.8.2 一组信源的盲抽取92

第4章 盲信道均衡95

4.1 信道均衡的概念96

4.1.1 信道模型96

4.1.2 最小和最大相位信道98

4.1.3 均衡器结构98

4.1.4 基于训练的自适应均衡99

4.1.5 盲自适应均衡100

4.2 同态滤波盲均衡101

4.3 数字通信信道的盲均衡103

4.3.1 LMS盲均衡105

4.3.2 二进制数字信号的均衡107

4.4 基于高阶统计量的均衡108

4.4.1 基于高阶倒谱的盲均衡108

4.4.2 二倒谱110

4.4.3 三倒谱111

4.5 基于码元间隔的恒模算法113

4.5.1 信道均衡的条件113

4.5.2 恒模算法113

4.5.3 修正恒模算法114

4.5.4 仿真实验和性能比较114

4.5.5 MCMA频率选择性信道盲均衡性能分析118

4.6 基于分数间隔的恒模算法121

4.6.1 分数间隔采样对盲均衡的意义121

4.6.2 单输入多输出模型122

4.6.3 分数间隔的修正恒模算法124

4.6.4 计算机仿真实验124

4.6.5 采样时间偏移量的影响127

第5章 盲分离和盲均衡之间的关系131

5.1 问题描述131

5.1.1 源分离131

5.1.2 解卷积132

5.1.3 附加信息133

5.1.4 比较134

5.2 算法关系134

5.2.1 估计模型的选择134

5.2.2 代价函数的选择135

5.2.3 自适应算法的选择137

5.3 基于多用户峭度优化准则的独立信号的盲分离137

5.3.1 问题形成和假设138

5.3.2 单用户均衡问题回顾140

5.3.3 关于BSS的充分必要条件142

5.3.4 MU-CM方法143

5.4 盲信源分离学习算法扩展到多信道盲解卷144

5.4.1 各种方法的代数等价性146

5.4.2 卷积作为乘法运算146

5.4.3 多信道盲解卷的自然梯度学习规则147

5.4.4 多信道盲解卷算法148

5.4.5 多信道盲解卷算法的实现149

5.5 盲信号处理的一些相关问题150

参考文献152