独立分量分析（ICA）理论及其应用
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-6页 |
| 创新点摘要 | 第6-9页 |
| 前言 | 第9-12页 |
| 第一章 独立分量分析的数学基础 | 第12-25页 |
| ·函数 | 第12-13页 |
| ·联合概率密度函数 | 第12页 |
| ·特征函数 | 第12-13页 |
| ·高阶矩与高阶累积量的定义 | 第13-17页 |
| ·单个随机变量情形 | 第13-15页 |
| ·多个随机变量情形 | 第15-16页 |
| ·平稳随机过程的高阶累积量 | 第16-17页 |
| ·高阶累积量的计算 | 第17-18页 |
| ·高阶累积量的性质 | 第18-19页 |
| ·信息论的基础知识 | 第19-25页 |
| ·熵基本定义 | 第19-21页 |
| ·KL 散度 | 第21-22页 |
| ·互信息 | 第22-23页 |
| ·负熵 | 第23-25页 |
| 第二章 独立分量分析理论基础 | 第25-34页 |
| ·独立分量分析的发展 | 第25-26页 |
| ·独立分量分析的定义 | 第26-27页 |
| ·ICA 问题的假设条件 | 第27页 |
| ·ICA 的模糊性 | 第27-28页 |
| ·独立分量方法原理示例 | 第28-29页 |
| ·独立分量分析的目标函数 | 第29-34页 |
| ·非高斯性与独立性 | 第29-30页 |
| ·非高斯性的度量 | 第30-32页 |
| ·独立分量的预处理 | 第32-34页 |
| 第三章 独立分量算法 | 第34-41页 |
| ·J-H 网络盲处理算法 | 第34-38页 |
| ·J-H 递归神经网络盲处理算法 | 第34-35页 |
| ·改进的J-H 算法 | 第35-36页 |
| ·J-H 改进算法的仿真实验 | 第36-38页 |
| ·基于负熵的FastICA 算法 | 第38-41页 |
| ·FastICA 算法原理 | 第38页 |
| ·FastICA 算法的仿真实验 | 第38-41页 |
| 第四章 ICA 在地球物理信息处理中的应用 | 第41-53页 |
| ·ICA 在地震属性提纯中的应用 | 第41-43页 |
| ·ICA 在地震资料去噪的应用 | 第43-47页 |
| ·ICA 在气液两相流辨识中的应用 | 第47-53页 |
| ·ICA 在气液两相流辨识中的意义 | 第47-48页 |
| ·用ICA 对实验数据进行分离 | 第48-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 发表文章目录 | 第57-58页 |
| 致谢 | 第58-59页 |
| 详细摘要 | 第59-65页 |
