肓信号处理是现代数学信号处理、计算智能学近年来迅速发展的重要方向。在电子信息、通信、生物医学、图像增强、雷达、地球物理信号处理等众多领域有广泛的应用前景。

本书较系统地介绍了盲信号处理的基本理论、数学描述、独立分量分析、非线性PCA、非线性ICA、卷积混合和盲解卷积、盲信号处理的扩展、数据分析和应用研究等。

本书可作为作为高年级本科生、研究生的教材，也可作为电子信息、通信、图像处理、遥感、雷达、生物医学信号处理、地震、语言信号处理等相关领域科技人员的参考书。

第1章　导论

　1.1　导言

　1.2　盲源分离

　1.3　独立分量分析(ICA)

　1.4　盲信号处理的发展历史和研究前景

第2章　盲信号处理的数学描述

 2.1　随机过程和概率分布

 2.2　估计理论

 2.3　信息理论

 2.4　高阶统计量

 2.5　信号的预处理

 2.6　复数非线性函数

 2.7　评价指标

第3章　独立分量分析

 3.1　问题说明和假设

 3.2　对照函数

 3.3　ICA的信息最大化方法

 3.4　极大似然方法与通用学习规则

 3.5　FastICA算法

 3.6 自然梯度法

 3.7　隐马尔可夫独立分量分析

第4章　非线性PCA

 4.1　主元分析和微元分析

 4.2　非线性PCA和盲源分离

　4.3　核PCA

　4.4　非线性PCA和复非线性PCA的神经网络方法

第5章　非线性ICA

　5.1　非线性模型和盲源分离

　5.2　学习算法

　5.3　后非线性混合盲分离的扩展高斯化方法

　5.4　非线性ICA的神经网络方法

　5.5　非线性ICA解的遗传算法

　5.6　非线性ICA应用实例

第6章 卷积混合和盲解卷积

 6.1 问题的定义

 6.2 卷积混合的时域算法

 6.3 卷积混合的频域算法

 6.4 语音信号卷积混合频域盲分离

 6.5 Bussgang方法

 6.6 多通道盲解卷积

第7章 基于概率密度估计的盲处理算法

 7.1 问题的提出

 7.2　概率密度函数的非参数估计

 7.3　评价函数的估计

 7.4　基于概率密度估计的盲分离算法

 7.5　高斯混合模型的概率密度估计

 7.6　基于概率密度函数估计的盲解卷积算法

 7.7　非参数密度估计的在线算法

第8章　联合近似对角化方法-频域特征和时频特征

　8.1　引言

　8.2　频域特征的联合近似对角化算法

　8.3　时频特征的联合近似对角化算法

　8.4　卷积混合的联合近似分块对角化算法

　8.5　基于Cayley变换的联合近似对角化方法

　8.6　联合对角化和非对角化方法

　8.7　基于时频分析的非参数密度估计分离方法

第9章 盲信号处理的扩展

　9.1　盲抽取

　9.2　从投射追寻技术到基于非参数概率密度估计的ICA

　9.3　基于二阶统计量的卷积混合分离算法

　9.4　接收器数目少于源数目的盲分离——欠定模型

　9.5　卷积混合的复数FastICA分离算法

　9.6　基于复向量不相关特性的在线复ICA算法

　9.7　基于ICA的Wigner-Ville分布

　9.8　盲解卷积频域算法中的次序不确定问题

　9.9　ICA特征提取

第10章　数据分析和应用研究

　10.1　主动声呐信号的盲分离和混响消除

　10.2　利用ICA去除脑电信号中的心电伪迹

　lO.3　语音信号的欠定算法分离实验

　10.4　人脸图像的特征提取

　10.5　独立分量分析在数据压缩中的应用

　10.6　独立分量分析在功能磁共振成像中的应用

　10.7　面向自动语音识别系统的语音分离

总结与展望

符号表

索引

参考文献