| 中文摘要 | 第1-7页 |
| 英文摘要 | 第7-8页 |
| 第一章 前言 | 第8-9页 |
| 第二章 独立成分分析理论 | 第9-32页 |
| §2．1 引言 | 第9-10页 |
| §2．2 独立成分分析 | 第10-16页 |
| 2．2．1 ICA定义 | 第10-11页 |
| 2．2．2 ICA的局限性和不确定性 | 第11-12页 |
| 2．2．3 选择IC数目 | 第12-13页 |
| 2．2．4 ICA和白化 | 第13-15页 |
| 2．2．5 主成分分析 | 第15-16页 |
| §2．3 最大非高斯的ICA | 第16-25页 |
| 2．3．1 非高斯是独立的 | 第16-17页 |
| 2．3．2 kurtosis的极点为一个独立成分 | 第17-19页 |
| 2．3．3 利用kurtosis的梯度算法 | 第19-20页 |
| 2．3．4 利用kurtosis的快速定点算法 | 第20-21页 |
| 2．3．5 负熵的近似 | 第21-22页 |
| 2．3．6 利用负熵的梯度算法 | 第22-24页 |
| 2．3．7 利用负熵的快速定点算法 | 第24-25页 |
| 2．3．8 估计多个IC | 第25页 |
| §2．4 最大似然估计的ICA | 第25-28页 |
| 2．4．1 似然函数的求取 | 第26页 |
| 2．4．2 梯度算法 | 第26-27页 |
| 2．4．3 快速定点算法 | 第27-28页 |
| §2．5 最小互信息的ICA | 第28-32页 |
| 2．5．1 最大信息原理 | 第29页 |
| 2．5．2 互信息定义ICA | 第29-30页 |
| 2．5．3 互信息和非高斯 | 第30-31页 |
| 2．5．4 互信息和似然函数 | 第31-32页 |
| 第三章 独立成分分析：在fMRI脑图象序列分析中的应用 | 第32-48页 |
| §3．1 磁共振物理原理 | 第32-33页 |
| §3．2 实验设计范式 | 第33-36页 |
| 3．2．1 组块设计与事件相关设计 | 第33-36页 |
| 3．2．2 功能磁共振信号特征 | 第36页 |
| §3．3 实验步骤 | 第36-38页 |
| §3．4 实验方法 | 第38页 |
| §3．5 数据处理 | 第38-40页 |
| 3．5．1 数据预处理 | 第38-39页 |
| 3．5．2 统计分析 | 第39-40页 |
| §3．5 实验结果 | 第40-42页 |
| §3．6 讨论 | 第42-43页 |
| §3．7 结论 | 第43-44页 |
| §3．8 其他应用 | 第44-46页 |
| 3．8．1 在金融数据中找到隐藏的因素 | 第44-45页 |
| 3．8．2 自然图像中减少噪声 | 第45-46页 |
| §3．9 研究文献综述 | 第46-48页 |
| 第四章 工作总结及展望 | 第48-49页 |
| 参考文献 | 第49-56页 |
| 发表文章 | 第56-57页 |
| 致谢 | 第57-58页 |
| 附录A 格式转换程序 | 第58-61页 |
| 附录B FastICA快速定点算法 | 第61-64页 |