独立成分分析与人脸识别
| 摘要 | 第1-3页 |
| Abstract | 第3-4页 |
| 目录 | 第4-6页 |
| 第一章 引言 | 第6-9页 |
| ·背景及问题 | 第6-7页 |
| ·ICA的研究进展 | 第7-8页 |
| ·本文贡献 | 第8-9页 |
| 第二章 独立成分分析概述 | 第9-16页 |
| ·什么是独立成分分析 | 第9-15页 |
| ·独立成分分析的模型建立 | 第9-10页 |
| ·独立成分分析的定义 | 第10-15页 |
| ·独立成分分析的应用 | 第15-16页 |
| 第三章 ICA估计的极小化互信息方法 | 第16-21页 |
| ·极小化互信息 | 第16-18页 |
| ·互信息定义 | 第16-17页 |
| ·互信息的负熵表示 | 第17-18页 |
| ·负熵及其近似 | 第18-21页 |
| 第四章 ICA估计的极大化非高斯性方法 | 第21-30页 |
| ·极大非高斯就是独立的 | 第21-22页 |
| ·非高斯性的度量 | 第22-24页 |
| ·峭度 | 第23-24页 |
| ·极大非高斯性ICA的算法过程 | 第24-28页 |
| ·白化 | 第25-26页 |
| ·基于峭度的梯度算法及其改进 | 第26-28页 |
| ·峭度的快速不动点算法 | 第28-30页 |
| 第五章 FastICA算法 | 第30-37页 |
| ·估计一个独立成分 | 第30-33页 |
| ·不动点算法原理 | 第30页 |
| ·算法的推导 | 第30-33页 |
| ·估计多个独立成分 | 第33-36页 |
| ·串行正交化 | 第33页 |
| ·并行正交化 | 第33-36页 |
| ·FastICA算法的特性 | 第36-37页 |
| 第六章 数值实验与比较 | 第37-52页 |
| ·主成分分析(PCA) | 第37-38页 |
| ·PCA介绍 | 第37-38页 |
| ·实际计算的考虑 | 第38页 |
| ·FastICA与PCA的比较 | 第38-49页 |
| ·关于维数的比较 | 第40-45页 |
| ·关于样本参数n的比较 | 第45-46页 |
| ·关于贡献率R的比较 | 第46-49页 |
| ·图像数据非高斯性的比较 | 第49页 |
| ·FastICA与InfomaxICA的比较 | 第49-52页 |
| 第七章 文章总结 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56页 |
