论文目录 | |
摘要 | 第1-6
页 |
ABSTRACT | 第6-11
页 |
第一章 绪论 | 第11-17
页 |
·引言 | 第11-12
页 |
·单通道信号处理的基本模型 | 第12
页 |
·单通道多分量混合信号的可分离性 | 第12-14
页 |
·本文的工作及主要贡献 | 第14-15
页 |
·本章小结 | 第15-17
页 |
第二章 贝叶斯滤波 | 第17-31
页 |
·状态空间模型 | 第17
页 |
·贝叶斯估计理论 | 第17-19
页 |
·贝叶斯滤波方法 | 第19-25
页 |
·卡尔曼滤波 | 第19-20
页 |
·扩展卡尔曼滤波 | 第20-21
页 |
·无味卡尔曼滤波 | 第21-22
页 |
·数值积分方法 | 第22-23
页 |
·高斯和滤波器 | 第23-24
页 |
·网格滤波器 | 第24-25
页 |
·蒙特卡罗方法 | 第25-30
页 |
·蒙特卡罗方法 | 第25-27
页 |
·舍选抽样(rejection sampling) | 第27
页 |
·马尔可夫蒙特卡罗(Markov Chain Monte Carlo) | 第27-30
页 |
·重要性抽样(importance sampling) | 第30
页 |
·本章小结 | 第30-31
页 |
第三章 粒子滤波 | 第31-39
页 |
·序贯重要性抽样(Sequential Importance Sampling) | 第31-32
页 |
·退化问题 | 第32-36
页 |
·重要性函数的选取 | 第32-33
页 |
·重抽样(resampling) | 第33-34
页 |
·退化程度的衡量 | 第34-35
页 |
·基本粒子滤波算法框架 | 第35-36
页 |
·粒子枯竭问题 | 第36-37
页 |
·正则化方法(Regularized Particle Filter) | 第36
页 |
·粒子滤波和马尔可夫蒙特卡罗的结合 | 第36-37
页 |
·方差减缩方法(variance reduction) | 第37-38
页 |
·分层抽样(satrtified sampling) | 第37
页 |
·Rao-Blackwellisation | 第37-38
页 |
·本章小结 | 第38-39
页 |
第四章 单通道非线性信号的估计 | 第39-75
页 |
·混沌信号 | 第39-41
页 |
·混沌信号的去噪 | 第41-55
页 |
·传统混沌去噪算法 | 第42-43
页 |
·无状态噪声的情况 | 第43-47
页 |
·有状态噪声的情况 | 第47-49
页 |
·仿真结果 | 第49-55
页 |
·混沌信号的分离 | 第55-64
页 |
·传统混沌分离算法 | 第56-58
页 |
·无状态噪声的情况 | 第58-59
页 |
·有状态噪声的情况 | 第59-61
页 |
·仿真结果 | 第61-64
页 |
·混沌信号与参数的联合估计 | 第64-74
页 |
·参数时变 | 第65-69
页 |
·参数非时变 | 第69-71
页 |
·仿真结果 | 第71-74
页 |
·本章小结 | 第74-75
页 |
第五章 单通道PCMA信号欠定盲分离 | 第75-103
页 |
·盲分离简介 | 第75-80
页 |
·盲分离问题分类 | 第76
页 |
·欠定盲分离 | 第76-80
页 |
·单通道PCMA欠定盲分离 | 第80-81
页 |
·PCMA技术的基本原理 | 第81-82
页 |
·传统通信信号欠定盲分离算法 | 第82-87
页 |
·小波变换法 | 第82-83
页 |
·利用稀疏特性的算法 | 第83-86
页 |
·多倍过采样法 | 第86-87
页 |
·基于粒子滤波的盲分离算法 | 第87-102
页 |
·信号模型和问题描述 | 第88-89
页 |
·信号间的差异 | 第89-90
页 |
·状态空间模型 | 第90
页 |
·粒子滤波算法 | 第90-91
页 |
·平滑处理 | 第91-93
页 |
·多倍过采样 | 第93-94
页 |
·算法模糊性问题 | 第94-95
页 |
·算法具体实现结构 | 第95-96
页 |
·数据后处理 | 第96
页 |
·仿真结果 | 第96-102
页 |
·本章小结 | 第102-103
页 |
第六章 结论及展望 | 第103-107
页 |
·论文总结 | 第103-104
页 |
·单通道信号处理的展望 | 第104-107
页 |
参考文献 | 第107-113
页 |
致谢 | 第113-115
页 |
攻读学位期间论文发表情况 | 第115页 |