| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-16页 |
| ·研究的背景与意义 | 第9-10页 |
| ·国内外研究现状 | 第10-14页 |
| ·ICA研究现状 | 第10-12页 |
| ·一维搜索研究现状 | 第12-13页 |
| ·聚类分析研究现状 | 第13-14页 |
| ·本文的研究内容与文章结构 | 第14-16页 |
| 2 独立成分分析概述 | 第16-28页 |
| ·问题描述 | 第16-17页 |
| ·独立成分分析算法 | 第17-28页 |
| ·目标函数 | 第17-21页 |
| ·目标函数的近似表达 | 第21-23页 |
| ·算法描述 | 第23-24页 |
| ·国际上两个著名的ICA算法 | 第24-28页 |
| 3 一维搜索概述 | 第28-32页 |
| ·精确一维搜索方法 | 第28-30页 |
| ·不精确一维搜索方法 | 第30-32页 |
| 4 基于变步长的ICA自适应算法 | 第32-37页 |
| ·问题描述 | 第32页 |
| ·固定步长的ICA极大似然估计自适应算法 | 第32-33页 |
| ·基于一维搜索的变步长ICA极大似然估计自适应算法 | 第33-35页 |
| ·算法描述 | 第33-34页 |
| ·仿真实验及分析 | 第34-35页 |
| ·基于变步长等变化的ICA极大似然估计自适应算法 | 第35-37页 |
| ·算法描述 | 第35-36页 |
| ·仿真实验及分析 | 第36-37页 |
| 5 ICA在金融数据挖掘中的应用 | 第37-43页 |
| ·问题描述 | 第37-38页 |
| ·基于ICA的时间序列聚类分析的方法 | 第38-39页 |
| ·FastICA算法 | 第38页 |
| ·改进的k-均值算法 | 第38-39页 |
| ·基于ICA的时间序列聚类分析在股票分析中的应用 | 第39-43页 |
| ·股票收益的时间序列的分布 | 第39-40页 |
| ·数值实验及实证分析 | 第40-43页 |
| 结论 | 第43-44页 |
| 参考文献 | 第44-48页 |
| 攻读硕士学位期间发表学术论文情况 | 第48-49页 |
| 致谢 | 第49-50页 |