第1章  緒論  1．1盲源分離概述  1．1．1盲源分離的基本概念  1．1．2盲源分離的發(fā)展歷史  1．2機(jī)械信號的盲處理方法研究  1．2．1盲源分離的應(yīng)用條件研究  1 第1章 緒論 1．1盲源分離概述 1．1．1盲源分離的基本概念 1．1．2盲源分離的發(fā)展歷史 1．2機(jī)械信號的盲處理方法研究 1．2．1盲源分離的應(yīng)用條件研究 1．2．2機(jī)械源信號盲分離方法研究 1．2．3盲特征信息提取方法研究 1．2．4盲識別和盲診斷方法研究 1．3盲源分離方法應(yīng)用面臨的問題 1．3．1源信號數(shù)量的估計(jì) 1．3．2欠定盲源分離 1．3．3盲特征信息提取 1．3．4其他問題第2章 盲源分離理論基礎(chǔ) 2．1盲源分離的數(shù)學(xué)基礎(chǔ) 2．1．1概率論基礎(chǔ) 2．1．2信息論基礎(chǔ) 2．1．3盲源分離問題的可解性 2．2盲源分離的數(shù)學(xué)模型 2．2．1盲源分離基本模型 2．2．2盲源分離的基本假設(shè)和性質(zhì) 2．2．3盲源分離的基本算法 2．3盲源分離的預(yù)處理方法 2．3．1中心化處理 2．3．2白化處理 2．3．3降維處理 2．4盲源分離的算法評價標(biāo)準(zhǔn) 2．4．1目標(biāo)函數(shù)評價標(biāo)準(zhǔn) 2．4．2相關(guān)性評價標(biāo)準(zhǔn) 2．4．3信噪比評價標(biāo)準(zhǔn) 2．4．4其他評價標(biāo)準(zhǔn)第3章 機(jī)械盲信號的源數(shù)估計(jì)方法 3．1源數(shù)估計(jì)的基本概念 3．2源數(shù)估計(jì)的奇異值分解方法 3．2．1SVD方法的基本原理 3．2．2SVD方法的基本步驟 3．2．3基于奇異值的源數(shù)估計(jì)方法 3．2．4SVD方法的局限性 3．3改進(jìn)的奇異值分解方法 3．3．1基于Wavelet-SVD的改進(jìn)算法 3．3．2基于IMF—SVD的改進(jìn)算法 3．4應(yīng)用實(shí)例 3．4．1液壓設(shè)備的本底振源 3．4．2液壓設(shè)備的源數(shù)估計(jì)第4章 欠定盲源分離算法 4．1欠定盲源分離模型及算法 4．1．1欠定盲源分離模型 4．1．2欠定盲源分離模型的辨識性能 4．1．3欠定盲源分離算法及其局限性 4．2單一通道盲源分離模型及算法 4．2．1單一通道盲源分離模型 4．2．2可分離性分析 4．2．3單一通道盲源分離算法 4．3基于EMD的單一通道盲源分離算法研究 4．3．1EMD理論和方法 4．3．2基于EMD的單一通道盲源分離算法 4．3．3仿真分析第5章 基于盲源分離參量的特征信息提取方法 5．1相關(guān)數(shù)學(xué)知識 5．1．1包絡(luò)分析 5．1．2奇異值分解 5．1．3信息熵 5．2基于源信號包絡(luò)矩陣奇異值的特征信息提取方法 5．2．1必要性和可行性分析 5．2．2基于源信號包絡(luò)矩陣奇異值的特征信息提取方法 5．2．3應(yīng)用實(shí)例 5．3基于分離矩陣奇異值的特征信息提取方法 5．3．1必要性和可行性分析 5．3．2基于BSSM—SV的特征信息提取方法 5．3．3基于IMF—BSSM—SV的特征信息提取方法第6章 基于非高斯性準(zhǔn)則的特征信息提取方法 6．1盲源分離算法的非高斯性準(zhǔn)則 6．1．1峭度(Kurtosis)準(zhǔn)則 6．1．2負(fù)熵(Negentropy)準(zhǔn)則 6．2基于峭度的特征信息提取 6．2．1基于峭度的特征信息提取方法 6．2．2應(yīng)用實(shí)侈4 6．3基于負(fù)熵的特征信息提取 6．3．1基于負(fù)熵的特征信息提取方法 6．3．2應(yīng)用實(shí)例第7章 在液壓設(shè)備故障診斷中的應(yīng)用 7．1液壓系統(tǒng)故障模擬與監(jiān)測實(shí)驗(yàn)臺 7．1．1液壓系統(tǒng)故障模擬實(shí)驗(yàn)臺 7．1．2在線監(jiān)測系統(tǒng) 7．2液壓齒輪泵的盲信號處理 7．2．1液壓齒輪泵故障診斷存在的問題 7．2．2液壓齒輪泵的盲源分離問題 7．3液壓齒輪泵的盲信號處理 7．3．1液壓齒輪泵盲信號處理的基本思路 7．3．2盲信號處理算法的應(yīng)用 7．3．3應(yīng)用實(shí)例參考文獻(xiàn)