第1章 绪论 1
1.1盲源信号分离研究的历史与发展 1
1.2盲源信号分离的研究对象 2
1.3盲源信号分离的可行性 3
1.4盲源信号分离算法的分类 4
1.5盲源信号分离与独立分量分析的关系 7
1.6盲源信号分离与多输入多输出系统盲解卷积的关系 8
第2章 信息论、神经网络及高阶统计量基础知识 9
2.1信息论 9
2.2神经网络 12
2.3高阶累积量理论 14
2.4自然梯度与相对梯度 17
2.5盲分离算法计算量的比较 19
第3章 混合模型与分离模型 20
3.1瞬时混合模型与分离模型 20
3.2卷积混合模型与分离模型 22
3.3信号的非线性混合模型 23
3.4从源信号到混合信号的统计性质变化 24
3.5盲分离算法性能指标 34
第4章 瞬时混合信号盲分离的二阶矩理论 35
4.1两个源信号的特例 35
4.2一般性理论 37
第5章 基于去相关的盲信号分离算法 41
5.1相关矩阵的非负定性及Hadamard不等式 41
5.2基于去相关判据的一般算法 42
5.3基于源信号非平稳性的简化算法 44
5.4基于去相关的盲信号分离算法的推广 45
第6章 双源信号盲分离的去相关算法 49
6.1双源信号盲分离迭代算法 49
6.2算法的几何解释与收敛性分析 50
6.3仿真实验例子 52
第7章 相关矩阵特征值分解盲分离算法 54
7.1 AMUSE算法 54
7.2广义特征值分解（GED）盲分离算法 57
第8章 瞬时混合信号盲分离的高阶累积量理论 61
8.1可分性约束条件 61
8.2基于高阶累积量的盲分离判据 62
第9章 对称四阶互累积量矩阵联合对角化算法 66
9.1目标函数与算法 66
9.2参数λ的选择问题 68
9.3算法实现方面的考虑 68
第10章 Comon算法 70
10.1基本原理 70
10.2 Comon算法实现 72
第11章 JADE算法 77
11.1模型 77
11.2目标函数 77
11.3累积量矩阵与正交矩阵Q之间的关系 78
11.4矩阵联合对角化 79
11.5四阶累积量矩阵的特征矩阵表示 80
第12章 不动点ICA算法 82
12.1不动点算法 82
12.2不动点算法稳定性与收敛性分析 84
12.3 KMA与MUK算法 87
第13章 瞬时混合信号盲分离信息论理论与算法 89
13.1基于信息论的自然梯度算法 89
13.2非线性激励函数 91
13.3最大似然估计算法 92
13.4信息最大化算法（Informax） 94
第14章 信号不连续性最大化算法 96
14.1信号的不连续性 96
14.2目标函数与算法 96
14.3重叠矩阵及其近似对角化 97
第15章 瞬时混合信号盲分离的频域算法 99
15.1纯频域算法 99
15.2半时域半频域算法 103
第16章 基于二阶矩的卷积混合信号时域盲分离理论与算法 105
16.1卷积混合信号盲分离的去相关理论 105
16.2基于去相关的盲信号分离算法 113
16.3仿真实验例子 116
16.4本章小结 121
第17章 基于高阶累积量的卷积混合信号盲分离理论与算法 122
17.1基于高阶累积量的盲分离判据 122
17.2基于高阶累积量的卷积混合信号盲分离算法 124
17.3仿真实验例子 127
第18章 功率谱密度矩阵联合对角化与卷积混合信号盲分离 129
18.1功率谱密度矩阵联合对角化原理 130
18.2基于功率谱密度矩阵联合对角化的盲分离算法 133
18.3仿真实验例子 135
18.4本章小结 139
第19章 基于信息论的卷积混合信号频域盲分离算法 140
19.1混合模型与分离模型 140
19.2自然梯度算法的几种推广形式 142
19.3基于Kullback-Leibler散度的卷积混合信号盲分离算法 144
19.4与其他算法的比例 146
19.5仿真实验例子 147
参考文献 149