| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第一章 绪论 | 第9-13页 |
| ·研究背景和意义 | 第9-10页 |
| ·研究现状 | 第10-11页 |
| ·本文的主要工作 | 第11-13页 |
| 第二章 ICA的基本理论 | 第13-22页 |
| ·ICA的基本模型 | 第13-15页 |
| ·预处理 | 第15-16页 |
| ·中心化 | 第15页 |
| ·白化 | 第15-16页 |
| ·ICA模型的估计方法 | 第16-21页 |
| ·极大化非高斯性 | 第16-19页 |
| ·极大似然估计 | 第19-20页 |
| ·极小化互信息 | 第20-21页 |
| 本章小结 | 第21-22页 |
| 第三章 改进的基于负熵的快速独立成分分析算法 | 第22-33页 |
| ·引言 | 第22页 |
| ·基于负熵的快速独立成分分析算法的改进 | 第22-25页 |
| ·基于负熵的快速独立成分分析算法 | 第22-23页 |
| ·五阶收敛的牛顿迭代法 | 第23-24页 |
| ·改进的基于负熵的独立成分分析算法 | 第24-25页 |
| ·仿真实验及算法分析 | 第25-32页 |
| ·仿真实验一:Substation、Peppers与Letter混合图像的分离及算法分析 | 第25-29页 |
| ·仿真实验二:随机混合信号的分离及算法分析 | 第29-32页 |
| 本章小结 | 第32-33页 |
| 第四章 基于对称和非对称的广义高斯模型的独立成分分析算法 | 第33-41页 |
| ·引言 | 第33页 |
| ·改进的自然梯度法 | 第33-37页 |
| ·自然梯度法 | 第33-34页 |
| ·对称和非对称的广义高斯模型 | 第34-37页 |
| ·改进的自然梯度算法 | 第37页 |
| ·仿真实验和算法分析 | 第37-40页 |
| 本章小结 | 第40-41页 |
| 结论 | 第41-42页 |
| 参考文献 | 第42-44页 |
| 攻读硕士学位期间发表的学术论文 | 第44-45页 |
| 致谢 | 第45-46页 |