第1章 引论 1
1.1 单通道盲源分离的研究意义 3
1.2 单通道盲源分离的研究进展 8
1.2.1 盲源分离的研究与发展 8
1.2.2 欠定盲源分离的研究进展 11
1.2.3 单通道盲源分离的研究进展 13
1.3 本书的研究内容 17
第2章 盲源分离基本理论 21
2.1 盲源分离理论与数学模型 23
2.2 独立成分分析法 29
2.2.1 独立成分分析的基本概念 29
2.2.2 独立成分分析的预处理和目标函数 31
2.2.3 独立成分分析的经典算法 33
2.3 欠定盲源分离理论 38
2.4 单通道盲源分离理论 41
2.4.1 单通道盲源分离的基本模型 41
2.4.2 单通道盲源分离算法分类 42
2.4.3 单通道盲源分离算法性能评价标准 46
2.5 本章小结 48
第3章 信号的拟合与建模 49
3.1 拟合的基本理论 52
3.2 确定信号的拟合与建模 57
3.2.1 周期信号的拟合 58
3.2.2 非周期信号的拟合方法 69
3.2.3 非周期信号的拟合与建模 74
3.3 随机信号的拟合与建模 77
3.3.1 随机信号的拟合方法 77
3.3.2 随机信号拟合的基本模型 80
3.3.3 平稳随机信号的拟合与建模 81
3.3.4 非平稳随机信号的拟合与建模 90
3.4 本章小结 102
第4章 总体经验模态分解为基础的单通道盲源分离法 105
4.1 EEMD为基础的单通道盲源分离法理论基础 109
4.1.1 总体经验模态分解法（EEMD） 109
4.1.2 主成分分析 115
4.1.3 改进的主成分分析 117
4.1.4 固定点独立成分分析法（FastICA） 118
4.2 基于EEMD自适应单通道盲源分离法的理论基础 120
4.2.1 算法的主要原理 120
4.2.2 算法的流程与具体实现 121
4.2.3 仿真实验与结果分析 123
4.3 基于改进PCA和EEMD的单通道盲源分离法的理论基础 131
4.3.1 算法的主要原理 131
4.3.2 算法的流程与具体实现 133
4.3.3 仿真实验与结果分析 134
4.4 本章小结 143
第5章 局部均值分解为基础的单通道盲源分离法 147
5.1 LMD为基础的单通道盲源分离法理论基础 149
5.1.1 局部均值分解法 149
5.1.2 抑制端点效应的局部均值分解法 150
5.1.3 LMD端点效应抑制仿真及分析 152
5.2 基于优化后LMD单通道盲源分离法实现原理 155
5.2.1 算法的主要原理 155
5.2.2 算法的流程与具体实现 158
5.2.3 仿真实验与结果分析 159
5.3 基于优化后LMD自适应单通道盲源分离法实现原理 169
5.3.1 算法的主要原理 169
5.3.2 算法的流程与具体实现 172
5.3.3 仿真实验与结果分析 172
5.4 本章小结 176
参考文献 179