第1章 绪论

1.1盲源信号分离研究的历史与发展

1.2盲源信号分离的研究对象

1.3盲源信号分离的可行性

1.4盲源信号分离算法的分类

1.5盲源信号分离与独立分量分析的关系

1.6盲源信号分离与多输入多输出系统盲解卷积的关系

第2章 信息论、神经网络及高阶统计量基础知识

2.1信息论

2.2神经网络

2.3高阶累积量理论

2.4自然梯度与相对梯度

2.5盲分离算法计算量的比较

第3章 混合模型与分离模型

3.1瞬时混合模型与分离模型

3.2卷积混合模型与分离模型

3.3信号的非线性混合模型

3.4从源信号到混合信号的统计性质变化

3.5盲分离算法性能指标

第4章 瞬时混合信号盲分离的二阶矩理论

4.1两个源信号的特例

4.2一般性理论

第5章 基于去相关的盲信号分离算法

5.1相关矩阵的非负定性及Hadamard不等式

5.2基于去相关判据的一般算法

5.3基于源信号非平稳性的简化算法

5.4基于去相关的盲信号分离算法的推广

第6章 双源信号盲分离的去相关算法

6.1双源信号盲分离迭代算法

6.2算法的几何解释与收敛性分析

6.3仿真实验例子

第7章 相关矩阵特征值分解盲分离算法

7.1 AMUSE算法

7.2广义特征值分解（GED）盲分离算法

第8章 瞬时混合信号盲分离的高阶累积量理论

8.1可分性约束条件

8.2基于高阶累积量的盲分离判据

第9章 对称四阶互累积量矩阵联合对角化算法

9.1目标函数与算法

9.2参数λ的选择问题

9.3算法实现方面的考虑

第10章 Comon算法

10.1基本原理

10.2 Comon算法实现

第11章 JADE算法

11.1模型

11.2目标函数

11.3累积量矩阵与正交矩阵Q之间的关系

11.4矩阵联合对角化

11.5四阶累积量矩阵的特征矩阵表示

第12章 不动点ICA算法

12.1不动点算法

12.2不动点算法稳定性与收敛性分析

12.3 KMA与MUK算法

第13章 瞬时混合信号盲分离信息论理论与算法

13.1基于信息论的自然梯度算法

13.2非线性激励函数

13.3最大似然估计算法

13.4信息最大化算法（Informax）

第14章 信号不连续性最大化算法

14.1信号的不连续性

14.2目标函数与算法

14.3重叠矩阵及其近似对角化

第15章 瞬时混合信号盲分离的频域算法

15.1纯频域算法

15.2半时域半频域算法

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

16.1卷积混合信号盲分离的去相关理论

16.2基于去相关的盲信号分离算法

16.3仿真实验例子

16.4本章小结

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

17.1基于高阶累积量的盲分离判据

17.2基于高阶累积量的卷积混合信号盲分离算法

17.3仿真实验例子

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

18.1功率谱密度矩阵联合对角化原理

18.2基于功率谱密度矩阵联合对角化的盲分离算法

18.3仿真实验例子

18.4本章小结

第19章 基于信息论的卷积混合信号频域盲分离算法

19.1混合模型与分离模型

19.2自然梯度算法的几种推广形式

19.3基于Kullback-Leibler散度的卷积混合信号盲分离算法

19.4与其他算法的比例

19.5仿真实验例子

参考文献