基于负熵的独立成分分析算法与应用研究
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-14页 |
| ·论文的选题背景与研究意义 | 第8-9页 |
| ·ICA的历史和研究现状 | 第9-12页 |
| ·论文的主要工作及组织结构 | 第12-14页 |
| 第2章 基础理论 | 第14-28页 |
| ·独立成分分析的相关概念及数学知识 | 第14-20页 |
| ·统计独立性 | 第14页 |
| ·向量和矩阵梯度 | 第14-15页 |
| ·熵 | 第15-16页 |
| ·互信息 | 第16-17页 |
| ·Kullback-Leibler(KL)散度 | 第17页 |
| ·峰度、亚高斯信号和超高斯信号 | 第17-18页 |
| ·负熵 | 第18-20页 |
| ·ICA的严格定义及数学模型 | 第20-21页 |
| ·ICA的基本假设 | 第21页 |
| ·ICA的特点 | 第21-24页 |
| ·数据的预处理 | 第24-25页 |
| ·数据的中心化 | 第24-25页 |
| ·数据的白化 | 第25页 |
| ·评判ICA算法性能的两个典型指标 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 主要ICA算法及其联系 | 第28-42页 |
| ·独立成分分析研究中的主要问题 | 第28-29页 |
| ·独立成分分析中常见的几种典型代价函数 | 第29-37页 |
| ·非高斯性极大化 | 第29-32页 |
| ·基于信息理论的方法 | 第32-37页 |
| ·独立成分分析的几种典型的学习算法 | 第37-41页 |
| ·梯度算法 | 第37-39页 |
| ·自然梯度学习算法 | 第39-40页 |
| ·广义自然梯度算法 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第4章 基于负熵的拟牛顿ICA算法及其应用 | 第42-62页 |
| ·拟牛顿法基本思想 | 第42-46页 |
| ·基于负熵的拟牛顿独立成分分析算法 | 第46-47页 |
| ·估计多个独立成分 | 第47-49页 |
| ·实验结果及分析 | 第49-57页 |
| ·超高斯和亚高斯混合信号 | 第49-52页 |
| ·亚高斯信号 | 第52-55页 |
| ·超高斯信号 | 第55-57页 |
| ·ICA在自适应图像降噪中的应用 | 第57-61页 |
| ·基于ICA的自适应图像降噪方法 | 第57-58页 |
| ·比较实验和分析 | 第58-61页 |
| ·本章小结 | 第61-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68页 |
