| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 引言 | 第8-10页 |
| 1 绪论 | 第10-14页 |
| 1.1 非负矩阵分解算法发展背景 | 第10-11页 |
| 1.2 脑电信号的处理 | 第11-12页 |
| 1.2.1 脑电的概述 | 第11页 |
| 1.2.2 传统静息态脑电分析方法 | 第11-12页 |
| 1.2.3 非负矩阵分解算法在脑电数据中的应用 | 第12页 |
| 1.3 研究内容与目标 | 第12-14页 |
| 2 试验中的脑电数据介绍 | 第14-16页 |
| 2.1 脑电信号 | 第14页 |
| 2.2 数据介绍 | 第14-16页 |
| 2.2.1 研究对象 | 第14-15页 |
| 2.2.2 脑电记录 | 第15-16页 |
| 3 非负矩阵分解算法和经典可靠性分析 | 第16-21页 |
| 3.1 非负矩阵分解算法的发展历史 | 第16页 |
| 3.2 非负矩阵分解算法主要研究方向 | 第16-17页 |
| 3.2.1 初始化问题的研究 | 第16页 |
| 3.2.2 代价函数的误差测度的研究 | 第16-17页 |
| 3.2.3 约束条件的研究 | 第17页 |
| 3.2.4 算法的优化求解 | 第17页 |
| 3.2.5 算法应用领域的研究 | 第17页 |
| 3.3 经典的非负矩阵分解 | 第17-18页 |
| 3.4 优化求解和四种常见的非负矩阵分解算法 | 第18-20页 |
| 3.5 传统衡量非负矩阵分解算法可靠性参数 | 第20-21页 |
| 4 非负矩阵分解稳可靠性分析 | 第21-43页 |
| 4.1 在独立成分分析算法领域使用聚类的方式来衡量算法的可靠性 | 第21-22页 |
| 4.1.1 ICASSO中衡量独立成分分析可靠性的指标 | 第21页 |
| 4.1.2 使用聚类的方式来衡量非负矩阵分解算法的可靠性 | 第21-22页 |
| 4.2 仿真数据 | 第22-35页 |
| 4.2.1 仿真数据构造 | 第22-23页 |
| 4.2.2 对仿真数据聚类分析 | 第23-25页 |
| 4.2.3 拟合值不能衡量不同非负矩阵分解算法可靠性的差异 | 第25-35页 |
| 4.3 非负矩阵分解算法在真实脑电数据中的可靠性分析 | 第35-43页 |
| 4.3.1 固定成分数下非负矩阵分解算法可靠性的比较 | 第36-42页 |
| 4.3.2 小结 | 第42-43页 |
| 5 尝试不同的聚类算法 | 第43-51页 |
| 5.1 合成聚类 | 第43-44页 |
| 5.2 k-means聚类算法 | 第44-46页 |
| 5.2.1 k-means聚类原理 | 第44-45页 |
| 5.2.2 k-means聚类分析 | 第45-46页 |
| 5.3 自组织映射聚类算法 | 第46-51页 |
| 5.3.1 自组织映射聚类原理 | 第46-48页 |
| 5.3.2 自组织映射聚类分析 | 第48-50页 |
| 5.3.3 小结 | 第50-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56-57页 |
