盲信号处理PDF|Epub|txt|kindle电子书版本网盘下载

盲信号处理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　概论1

1.1 盲信号处理概念和盲源分离的发展1

1.2 盲信号处理的应用7

1.3 本书的结构与内容安排8

1.4 使用本书的建议9

参考文献9

2.1.2 矩阵运算公式13

2.1.1 矩阵的相关概念13

2.1 矩阵运算的基本公式13

第2章　盲信号处理的数学基础13

2.1.3 向量、矩阵及其函数的微分14

2.1.4 矩阵的求逆规则16

2.1.5 矩阵伪逆（Moore-Penrose逆）的性质16

2.1.6 矩阵直积及矩阵乘积17

2.1.7 向量及矩阵的数学期望17

2.1.8 矩阵及行列式的微分18

2.1.9 循环矩阵19

2.2.1 不等式21

2.2 不等式和几何距离21

2.2.2 几何距离22

2.3 信息论的基本概念23

2.3.1 不确定性23

2.3.2 可分离性24

2.3.3 信息和熵的定义及其关系25

2.3.4 信息不增加性原理27

2.4 高阶统计量28

2.4.1 高阶统计量的定义28

2.4.2 高阶累积量的计算30

2.4.3 高阶累积量的重要性质32

参考文献34

第3章　主分量和次分量分析35

3.1 主分量分析的发展简况35

3.2 主分量分析的基础知识38

3.2.1 主分量分析的基本思想38

3.2.2 主分量的定义、性质与求法42

3.2.3 样本协方差矩阵的估计43

3.2.4 信号与噪声子空间的估计准则44

3.3 主分量提取的稳健递归最小二乘算法46

3.4 基于广义能量函数的快速自适应主分量提取算法49

3.4.1 广义能量函数50

3.4.2 梯度学习算法与RLS学习算法52

3.4.3 GEF算法的性能54

3.5 基于加权信息准则的快速自适应主分量提取算法54

3.5.1 加权信息准则55

3.5.2 算法推导56

3.6 自适应次分量提取算法59

3.6.1 信息量最小化准则60

3.6.2 AMEX算法的推导61

3.7 主分量分析和次分量分析的统一算法63

3.7.1 PCA和MCA的统一框架63

3.7.2 PCA和MCA的统一算法64

参考文献65

第4章　白化预处理和二阶统计量特征值分解盲辨识方法68

4.1 空域解相关和盲分离68

4.1.1 空域解相关的基本方法68

4.1.2 自适应空域解相关70

4.2.1 混合模型和盲辨识75

4.2 基于二阶统计量特征值分解的盲辨识方法75

4.2.2 同时对角化盲辨识方法76

4.3 盲辨识的相关抵消法79

4.3.1 标准混合矩阵和噪声协方差矩阵的估计方法79

4.3.2 利用相关抵消原理的混合矩阵盲辨识80

参考文献82

第5章　盲源分离和独立分量分析85

5.1 独立分量分析的概念85

5.2.1 盲源分离（BSS）和独立分量分析（ICA）90

5.2 BSS、ICA、PCA及白化处理90

5.2.2 主分量分析和ICA91

5.2.3 白化处理和ICA91

5.3 ICA或BSS的基本原理93

5.3.1 互信息量最小化目标函数94

5.3.2 信息传输最大化或负熵最大化目标函数95

5.3.3 ICA的最大似然目标函数95

5.3.4 各种目标函数的等价性96

5.3.5 ICA方法的扩展和待解决的问题96

5.4 独立分量分析的自然梯度方法98

5.4.1 自然梯度盲处理方法的目标函数98

5.4.2 ICA的自然梯度学习算法100

5.4.3 自然梯度ICA算法的稳定性分析104

5.4.4 盲源分离的广义自然梯度算法105

5.4.5 盲源分离的不完整自然梯度算法106

5.5 基于最大信噪比的盲源分离算法109

5.5.1 信噪比目标函数109

5.5.2 分离算法的推导110

5.5.3 算法的可分离性110

5.5.4 仿真实验111

5.6.1 源信号的概率密度函数、激活函数及峭度113

5.6 基于峭度的盲源分离开关算法113

5.6.2 盲源分离开关算法114

5.6.3 仿真实验与分析115

参考文献118

第6章　独立分量分析的神经网络算法122

6.1 J-H递归神经网络盲处理算法及其改进122

6.1.1 独立分量分析的递归神经网络方法122

6.1.2 具有消噪能力的递归神经网络ICA方法126

6.1.3 ICA的前向神经网络模型及其学习算法130

6.1.4 ICA的多层神经网络模型及其学习算法133

6.2 仿真实例134

6.3 序贯盲信号抽取的神经网络方法137

6.3.1 盲信号抽取及其特点137

6.3.2 基于峭度的级联神经网络盲信号抽取学习算法138

6.3.3 盲信号抽取的定点算法143

6.3.4 序贯抽取和紧缩过程145

参考文献146

第7章　非线性混合信号的BSS和ICA149

7.1 非线性混合信号BSS和ICA的概念149

7.2.1 非线性混合信号BSS和1CA的不确定性150

7.2 非线性混合信号BSS和ICA的存在性与唯一性150

7.2.2 光滑映射的盲分离性152

7.2.3 具有结构约束的非线性混合信号的盲分离性153

7.2.4 源信号先验信息的利用157

7.3 非线性混合信号的基本分离方法160

7.3.1 后置非线性混合信号的分离方法160

7.3.2 一般非线性混合信号的分离方法162

7.3.3 非线性混合信号的RBF神经网络盲源分离方法164

参考文献170

8.1.1 盲均衡技术173

第8章　盲均衡和盲辨识的基本方法173

8.1 盲均衡和盲辨识的技术背景173

8.1.2 盲辨识技术174

8.2 盲均衡和盲辨识技术基础175

8.2.1 盲均衡系统模型175

8.2.2 多用户信道模型177

8.2.3 多通道盲均衡模型及其可分离性181

8.2.4 盲均衡和盲辨识的条件184

8.3.1 平稳信号的盲均衡187

8.3 盲均衡和盲辨识的基本方法简介187

8.3.2 循环平稳信号的盲均衡188

8.3.3 基于神经网络和模糊理论的盲均衡190

8.4　Bussgang盲均衡算法191

8.4.1 Bussgang盲均衡算法的原理191

8.4.2 恒模盲均衡Godard算法194

8.5 盲解卷或盲均衡的自然梯度学习算法198

8.5.1 单输入多输出系统的盲均衡模型和可均衡条件198

8.5.2 SIMO系统的盲均衡或盲解卷的自然梯度学习算法199

8.5.3 MIMO系统盲均衡的基本模型和条件200

8.6 基于高阶累积量的盲均衡方法202

参考文献208

第9章　盲自适应多用户检测210

9.1 多用户检测技术210

9.2 同步CDMA信号盲多用户检测模型212

9.3 最小输出能量（MOE）盲多用户检测算法213

9.4 恒模（CMA）盲多用户检测算法215

9.5 Kalman滤波多用户检测218

9.6 子空间盲多用户检测220

9.6.1 子空间预测逼近跟踪盲多用户检测算法（PAST）221

9.6.2 紧缩预测逼近子空间跟踪盲多用户检测算法（PASTd）222

9.6.3 正交预测逼近子空间跟踪算法（OPAST）223

9.6.4 仿真分析224

参考文献224

附录A 一些盲处理算法的Matlab程序226

附录B 盲多用户检测相关的Matlab程序253

附录C 常用的数学符号274

附录D 常用的缩略语277

附录E 盲信号处理的部分相关网址280