| 1 绪论 | 第13-39页 |
| 1．1 引言 | 第13-14页 |
| 1．2 研究独立成分分析的意义 | 第14-15页 |
| 1．3 独立成分分析 | 第15-25页 |
| 1．3．1 多元数据的线性表示 | 第15-18页 |
| 1．3．2 盲源分离 | 第18-19页 |
| 1．3．3 独立成分分析模型 | 第19-25页 |
| 1．4 实现标准的独立成分分析的优化方法 | 第25-31页 |
| 1．4．1 信息极大化 | 第26-27页 |
| 1．4．2 非高斯性极大化 | 第27-30页 |
| 1．4．3 极大似然估计 | 第30-31页 |
| 1．4．4 互信息极小化 | 第31页 |
| 1．5 扩展的独立成分分析 | 第31-33页 |
| 1．6 国内外研究概况 | 第33-37页 |
| 1．7 本论文的主要工作 | 第37-39页 |
| 2 标准的独立成分分析 | 第39-52页 |
| 2．1 独立成分分析的新的不动点算法 | 第39-44页 |
| 2．1．1 标准独立成分分析的数学模型 | 第39页 |
| 2．1．2 ICA模型的似然 | 第39-41页 |
| 2．1．3 ICA的一个不动点算法 | 第41-43页 |
| 2．1．4 仿真与实验结果 | 第43-44页 |
| 2．2 ICA在fMRI数据处理中的应用 | 第44-48页 |
| 2．2．1 材料和方法 | 第45页 |
| 2．2．2 结果及分析 | 第45-47页 |
| 2．2．3 时间动力学准确性的比较 | 第47-48页 |
| 2．3 基于投影方法的约束独立成分分析 | 第48-50页 |
| 2．3．1 约束ICA | 第48页 |
| 2．3．2 约束ICA的求解 | 第48-49页 |
| 2．3．3 计算仿真 | 第49-50页 |
| 2．4 讨论和结论 | 第50-52页 |
| 3 超完备的独立成分分析 | 第52-67页 |
| 3．1 引言 | 第52页 |
| 3．2 超完备表示和广义指数混合模型-无噪声线性模型 | 第52-57页 |
| 3．2．1 估计源信号的线性规划算法 | 第52-53页 |
| 3．2．2 估计混合矩阵的聚类方法 | 第53-55页 |
| 3．2．3 广义指数混合模型的梯度学习算法 | 第55-56页 |
| 3．2．4 无噪模型的计算仿真 | 第56-57页 |
| 3．3 超完备表示和广义指数混合模型-噪声线性模型 | 第57-59页 |
| 3．3．1 源信号的MAP估计 | 第58页 |
| 3．3．2 混合信号的聚类现象 | 第58页 |
| 3．3．3 噪声模型的计算仿真 | 第58-59页 |
| 3．4 超完备表示和稀疏混合模型 | 第59-65页 |
| 3．4．1 混合信号的聚类现象 | 第60-61页 |
| 3．4．2 稀疏混合模型的学习算法 | 第61-62页 |
| 3．4．3 计算仿真 | 第62-65页 |
| 3．5 讨论和结论 | 第65-67页 |
| 4 具有时间结构的方法 | 第67-79页 |
| 4．1 引言 | 第67-68页 |
| 4．2 复杂性和时间序列 | 第68页 |
| 4．3 复杂性寻踪 | 第68-69页 |
| 4．4 复杂性寻踪的不动点算法 | 第69-72页 |
| 4．5 算法的收敛性分析 | 第72-73页 |
| 4．6 与其它算法的关系 | 第73页 |
| 4．7 计算仿真 | 第73-75页 |
| 4．8 图像的盲分离 | 第75-78页 |
| 4．8．1 纹理图像的盲分离 | 第76-77页 |
| 4．8．2 自然图像的盲分离 | 第77-78页 |
| 4．9 讨论和结论 | 第78-79页 |
| 5 功能磁共振成像数据的空间独立成分分析 | 第79-93页 |
| 5．1 引言 | 第79-80页 |
| 5．2 改进的ICA梯度学习算法 | 第80-85页 |
| 5．2．1 学习算法 | 第80-83页 |
| 5．2．2 实验结果 | 第83-85页 |
| 5．3 实现fMRI信号盲分离的新的牛顿型算法 | 第85-92页 |
| 5．3．1 ICA的一种牛顿型算法 | 第87-90页 |
| 5．3．2 新的牛顿型算法实现fMRI数据的盲分离 | 第90-92页 |
| 5．4 讨论和结论 | 第92-93页 |
| 6 总结与展望 | 第93-95页 |
| 参考文献 | 第95-108页 |
| 创新点摘要 | 第108-109页 |
| 攻读博士期间完成的论文 | 第109-111页 |
| 致谢 | 第111-112页 |
