| 1 绪论 | 第1-15页 |
| ·EP信号的临床意义及应用 | 第8页 |
| ·国内外研究概况 | 第8-9页 |
| ·提取EP信号的新方法 | 第9-14页 |
| ·小波变换方法 | 第9-10页 |
| ·神经网络方法 | 第10-11页 |
| ·高阶累积量方法 | 第11-13页 |
| ·独立分量分析方法 | 第13-14页 |
| ·本文主要工作 | 第14-15页 |
| 2 独立分量分析(ICA)原理 | 第15-34页 |
| ·主分量分析(PCA) | 第15-16页 |
| ·独立 | 第16-17页 |
| ·高阶累积量 | 第17-21页 |
| ·高阶矩和高阶累积量的定义 | 第17-19页 |
| ·高阶累积量的性质 | 第19-20页 |
| ·四阶累积量--峭度 | 第20-21页 |
| ·信息论 | 第21-27页 |
| ·微分熵 | 第21-23页 |
| ·互信息 | 第23-24页 |
| ·K-L散度(鉴别信息) | 第24页 |
| ·对信息论基本概念的若干评注 | 第24-25页 |
| ·负熵 | 第25-27页 |
| ·Gram-Charlier展开和Edgeworth展开 | 第27-30页 |
| ·Gram-Charlier展开 | 第27-30页 |
| ·Edgeworth展开 | 第30页 |
| ·独立分量分析(ICA)原理 | 第30-34页 |
| ·ICA的数学模型 | 第31-32页 |
| ·ICA的不确定性 | 第32-33页 |
| ·数据的预处理 | 第33-34页 |
| 3 基于非高斯性测度的ICA算法 | 第34-48页 |
| ·快速的固定点算法(FastICA) | 第34-37页 |
| ·算法原理 | 第34-35页 |
| ·算法步骤 | 第35-36页 |
| ·仿真实验 | 第36-37页 |
| ·带自相关函数的ICA算法--rICA算法 | 第37-42页 |
| ·算法原理 | 第37-38页 |
| ·权向量的初始化 | 第38-40页 |
| ·算法步骤 | 第40页 |
| ·仿真实验 | 第40-42页 |
| ·基于负熵最大化的快速算法 | 第42-48页 |
| ·算法原理 | 第42-43页 |
| ·负熵的近似 | 第43-44页 |
| ·对比函数G(.)的选取 | 第44-45页 |
| ·固定点算法 | 第45-46页 |
| ·仿真实验 | 第46-48页 |
| 4 基于信息论的ICA算法 | 第48-73页 |
| ·互信息最小化算法 | 第48-53页 |
| ·互信息的近似 | 第48-50页 |
| ·互信息最小化算法 | 第50-51页 |
| ·算法的性能指标 | 第51-52页 |
| ·仿真实验 | 第52-53页 |
| ·Infomax算法 | 第53-58页 |
| ·算法原理 | 第54-56页 |
| ·仿真实验 | 第56-58页 |
| ·最大似然算法以及三种基本算法的等价性 | 第58-62页 |
| ·最大似然算法 | 第58-60页 |
| ·三种基本算法的等价性 | 第60-61页 |
| ·非线性函数φ(.)的选择 | 第61-62页 |
| ·扩展Infomax算法 | 第62-67页 |
| ·亚高斯概率分布的学习规则 | 第63-64页 |
| ·超高斯分布的学习规则 | 第64-65页 |
| ·更替规则 | 第65-66页 |
| ·仿真实验 | 第66-67页 |
| ·FastInfomax算法 | 第67-73页 |
| ·FastICA算法 | 第68页 |
| ·Infomax算法 | 第68页 |
| ·FastInfomax算法 | 第68-69页 |
| ·仿真实验 | 第69-71页 |
| ·讨论 | 第71-73页 |
| 5 总结和展望 | 第73-74页 |
| ·总结 | 第73页 |
| ·展望 | 第73-74页 |
| 参考文献 | 第74-76页 |
| 硕士期间发表论文(著) | 第76-77页 |
| 致谢 | 第77-79页 |