自适应盲信号与图像处理

第1章 盲信号处理导论：问题及应用

1.1 问题的表达——概述

1.2 盲信号处理和半盲信号处理的潜在应用

第2章 解线性代数方程系统及相关问题

2.1 线性方程系统问题的表述

2.2 最小二乘问题

2.3 线性方程系统的最小绝对偏差（1-范数）解

2.4 总体最小二乘和数据最小二乘问题

2.5 稀疏信号表示和最小1-范数解

第3章 主/次分量分析及相关问题

3.1 简介

3.2 PCA的基本性质

3.3 用最优压缩-重构原理提取主分量

3.4 基本代价函数和PCA的自适应算法

3.5 稳健PCA

3.6 次分量顺序提取的自适应学习算法

3.7 用于估计主分量, 次分量及其子空间的统一并行算法

3.8 与PCA相关的奇异值分解和基本矩阵子空间

3.9 用于有色源的盲源分离多级PCA

附录A 用于实和复值PCA的基本神经网络算法

附录B 用于复值PCA的层次神经网络

第4章 盲解相关和用于稳健盲辨识的二阶统计量

4.1 空间解相关-白化变换

4.2 基于EVD和GEVD的二阶统计量盲辨识

4.3 基于允称EVD/SVD的改进SOS盲辨识算法

4.4 联合对角化——稳键的SOBI算法

4.5 相关抵消

附录A Amari自然梯度和Atick-Redlich公式的稳定性

附录B 有界人离矩阵Frobenius范数的梯度下降算法

附录C JADE算法

附录D 稳健的SOBI算法的MATLAB实现

第5章 盲信号提取的统计信号处理方法

5.1 引言及问题的表述

5.2 使用峭度作为代价函数的学习算法

5.3 时间相关信号源盲信号提取的实时自适应算法

5.4 时间相关源盲提取的批处理算法

5.5 独立源顺序提取的统计方法

5.6 时间相关信号源的统计方法

5.7 实时顺序卷积混合源提取

5.8 计算机仿真：举例

5.9 结论评述

附录A 基于峭度的盲源提取算法的全局收敛

附录B 提取和消减程序的分析

附录C 使用线性预测方法提取源信号的条件

第6章 自然梯度方法用于独立分量分析

6.1 基本的自然梯度算法

6.2 基本自然梯度算法的推广

6.3 用于任意组的源盲提取的自然梯度算法

6.4 用于ICA的广义GAUSSIAN

6.5 用于非平稳源的自然梯度算法

附录A 自然梯度ICA算法（6.19）的局部稳定性条件的推导

附录B 学习规则（6.23）的推导和ICA的稳定性条件

附录C 广义自适应学习算法的稳定性

附录D 非完整自然梯度算法的动态性质和稳定性

附录E 稳定性条件总结

附录F 非正方分离矩阵的自然梯度

附录G 一般情形的李群和自然梯度

第7章 ICA的局部自适应算法与实现

7.1 盲源分离的改进JUTTEN-HERAULT算法

7.2 用于一组稳健的ICA算法推导的迭代矩阵逆方法

7.3 具有非负约束的盲源分离

7.4 计算机仿真

附录A 稳健ICA算法（7.50）式的稳定条件[326]

第8章 有噪数据的BSS和ICA的稳健技术

8.1 引言

8.2 预白化和ICA算法的移偏方法

8.3 被加性卷积参考噪声所污染的信号的盲分离

8.4 基于累量的自适应ICA算法

8.5 基于累量代价函数的一组源信号的稳健提取

8.6 噪声消除的递归神经网络方法

附录A 根据矩函数求累量

第9章 多通道盲解卷积：自然梯度方法

9.1 源信号估计的SIMO卷积模型和学习算法

9.2 带约束的FIR滤波器的多通道盲解卷积

9.3 多输入多输出盲解卷积的一般模型

9.4 BSS/ICA和MBD之间的关系

9.5 具有非完整约束的自然梯度算法

9.6 应用滤波器分解方法的非最小相位系统的盲解卷积

9.7 计算机仿真实验

附录A FIR流形上的李群和黎曼测度

附录B 等变化算法的性质和稳定条件

第10章 估计函数及ICA和解卷积的超有效性

10.1 标准ICA的估计函数

10.2 有噪情形下的估计函数

10.3 时间相关源信事情的估计函数

10.4 多通道盲解卷积的半参数模型

10.5 MBD的估计函数和标准估计函数

附录A 算子K(z)的表示

第11章 利用状态空间方法进行线性盲滤波和盲分离

11.1 问题表述和基本模型

11.2 基本学习算法的推导

11.3 利用信息反向传播估计矩阵[A, B]

11.4 状态估计器——卡曼滤波器

11.5 两阶段分离算法

附录A 代价函数的推导

第12章 非线性状态空间模型——半盲信号处理

12.1 问题的一般表述

12.2 有监督和无监督的学习算法

第13章 附录：数学预备知识

13.1 矩阵分析

13.2 距离测试

第14章 符号的缩略词汇编

主要符号

缩略词

参考文献