| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 独立成分分析（ICA）研究现状 | 第9-11页 |
| 1.2.2 K-means 聚类研究现状 | 第11-12页 |
| 1.3 文章研究内容 | 第12-13页 |
| 1.4 文章结构 | 第13-14页 |
| 2 独立成分分析 | 第14-28页 |
| 2.1 独立成分分析（ICA）基本模型 | 第14-15页 |
| 2.2 原理描述 | 第15-23页 |
| 2.2.1 极大化非高斯性的ICA估计 | 第15-17页 |
| 2.2.2 极大化似然估计 | 第17-18页 |
| 2.2.3 极小化互信息估计 | 第18-19页 |
| 2.2.4 基于张量的ICA估计 | 第19-20页 |
| 2.2.5 基于非线性去相关和非线性PCA的ICA估计 | 第20-23页 |
| 2.3 ICA其他相关方法简介 | 第23-25页 |
| 2.4 FastICA算法描述 | 第25-28页 |
| 2.4.1 FastICA算法推导 | 第25-27页 |
| 2.4.2 FastICA算法步骤 | 第27-28页 |
| 3 K-means聚类算法概述 | 第28-32页 |
| 3.1 K-means聚类算法原理 | 第28-29页 |
| 3.2 聚类的相似性度量 | 第29-30页 |
| 3.3 聚类的准则函数 | 第30页 |
| 3.4 K-means聚类算法的优缺点 | 第30-32页 |
| 4 K-means聚类算法的改进 | 第32-37页 |
| 4.1 引言 | 第32页 |
| 4.2 算法改进的思想 | 第32-36页 |
| 4.2.1 利用K-means聚类降噪的依据 | 第32-33页 |
| 4.2.2 实验参数设置 | 第33-36页 |
| 4.3 K-means聚类算法的改进 | 第36-37页 |
| 5 基于改进K-means聚类的ICA算法在金融数据挖掘中的实例应用 | 第37-46页 |
| 5.1 引言 | 第37-38页 |
| 5.2 改进的K-means聚类算法与Fast ICA算法的实例应用 | 第38-46页 |
| 5.2.1 样本数据的选取 | 第38-39页 |
| 5.2.2 实例分析 | 第39-46页 |
| 6 总结与展望 | 第46-48页 |
| 6.1 文章总结 | 第46-47页 |
| 6.2 展望 | 第47-48页 |
| 参考文献 | 第48-52页 |
| 附录 改进的K-means聚类算法主程序 | 第52-54页 |
| 致谢 | 第54页 |
