首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--一般性问题论文--理论、方法论文--算法理论论文

独立分量分析算法及其应用研究

摘要第1-5页
ABSTRACT第5-12页
插图目录第12-14页
表格目录第14-15页
第一章 绪论第15-31页
   ·独立分量分析的概念第15-18页
     ·鸡尾酒会问题第15-16页
     ·独立分量分析的定义第16-18页
   ·独立分量分析的研究历史第18-19页
   ·独立分量分析的研究现状第19-21页
   ·独立分量分析的应用第21-22页
   ·本文的内容安排与创新点第22-24页
     ·本文的内容安排第22-23页
     ·本文主要创新点第23-24页
 参考文献第24-31页
第二章 独立分量分析基本理论第31-43页
   ·随机变量的独立性的概念第31-32页
   ·独立分量分析估计原理第32-38页
     ·非高斯性第32-33页
     ·峭度第33-34页
     ·负熵第34-37页
     ·互信息第37页
     ·最大似然估计第37-38页
   ·独立分量分析的预处理第38-39页
     ·中心化第38页
     ·白化第38-39页
     ·降维第39页
   ·独立分量分析基本算法第39-42页
   ·本章小结第42页
 参考文献第42-43页
第三章 基于感知器网络的后非线性独立分量分析第43-65页
   ·引言第43-44页
   ·盲源分离和非线性独立分量分析问题第44-47页
     ·线性混合第45页
     ·非线性混合第45-46页
     ·后非线性混合第46-47页
       ·后非线性混合模型第46-47页
       ·后非线性混合的可分离性第47页
   ·基于最小互信息的算法结构第47-49页
     ·独立性标准第47-48页
     ·最小化互信息的计算方法第48-49页
   ·分离网络的非监督学习算法第49-53页
     ·优化算法第50-52页
     ·算法性能指标第52-53页
     ·算法迭代步骤第53页
   ·实验结果与讨论第53-61页
     ·实验1第53-56页
     ·实验2第56-59页
     ·实验3第59-61页
   ·本章小结第61-62页
 参考文献第62-65页
第四章 基于最小互信息的非负独立分量分析第65-83页
   ·引言第65-66页
   ·基于最小互信息的非负ICA算法第66-69页
     ·非负ICA算法的结构第66-67页
     ·非负ICA优化算法第67-69页
     ·算法性能指标第69页
     ·算法迭代步骤第69页
   ·试验结果和讨论第69-80页
     ·超高斯和亚高斯混合信号第70-74页
     ·亚高斯信号第74-76页
     ·超高斯信号第76-78页
     ·图像信号第78-80页
   ·本章小结第80页
 参考文献第80-83页
第五章 独立分量分析在DNA微阵列数据分析中的应用第83-114页
   ·引言第83-84页
   ·DNA微阵列技术第84-95页
     ·DNA微阵列数据的获取与预处理第86-91页
       ·基于DNA微阵列的基因表达监测实验第86-88页
       ·DNA微阵列数据的预处理第88-91页
     ·DNA微阵列数据分析的意义第91-93页
     ·癌症诊断与分类第93-95页
   ·基于独立分量分析的基因表达数据惩罚性分类方法第95-104页
     ·独立分量分析算法-FastICA第95-96页
     ·DNA微阵列数据的ICA模型第96-98页
     ·计算一致特征样本第98-99页
     ·ICA模型的生物学意义第99-100页
     ·ICA和PCA第100-101页
     ·惩罚性回归模型第101页
     ·优化得分算法第101-102页
     ·惩罚性优化得分分类算法第102-103页
     ·特征基因的选择第103-104页
   ·实验结果及分析第104-108页
     ·肿瘤样本数据集第104-105页
     ·分类预测结果第105-107页
     ·特征样本的可信度与判别性之间的关系第107-108页
   ·本章小结第108页
 参考文献第108-114页
总结与展望第114-117页
攻读博士学位期间发表的论文及参加的科研项目第117-120页
致谢第120页

论文共120页,点击 下载论文
上一篇:层状双羟基复合金属氧化物薄膜的取向组装及催化性能研究
下一篇:开放式基金对中国股市波动性及周期性影响的实证研究